Mercury 3 so với Grok 4.7: Hai chiếc đồng hồ, không phải hai mô hình

Hỏi xem Mercury 3 và Grok 4.7 có điểm gì chung và câu trả lời là một chiếc đồng hồ. Cả hai đều được bán dựa trên thời gian một tác vụ mất bao lâu, và chúng mang ý nghĩa trái ngược về điều đó. Mercury 3, được Inception phát hành ngày 19 tháng 10 năm 2026, được xây dựng để trả lời trong dưới một giây: một mô hình khuếch tán tạo ra 1.068 token mỗi giây trên GPU NVIDIA, cửa sổ 1 triệu token và bốn mức cài đặt suy luận với mức nhanh nhất có tên "instant". Grok 4.7, được SpaceXAI phát hành ngày 21 tháng 9 năm 2026, được xây dựng để tiếp tục làm việc: cửa sổ 500.000 token, một thang suy luận có mức cao nhất là xhigh, và một phép đo độc lập cho thấy nó đã đốt khoảng 240 triệu token đầu ra để hoàn thành Artificial Analysis Intelligence Index với chi phí $3.74 mỗi tác vụ. Một mô hình coi độ trễ là sản phẩm. Mô hình kia coi thời lượng là sản phẩm. So sánh chúng trên một bảng điểm duy nhất sẽ bỏ qua câu hỏi duy nhất quan trọng — khối lượng công việc của bạn thực sự chạy theo chiếc đồng hồ nào. Cả hai đầu của một chính sách chia tách đều có thể nằm sau một khóa, với chuyển đổi dự phòng tự động xử lý làn chậm. Các lỗi AI và sự cố tác nhân được ghi nhận gắn với những bản phát hành như bản này được tập hợp trong the OrcaRouter AI Incident Archive nơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp.

Hai chiếc đồng hồ, được định giá

Hãy bắt đầu với những gì bảng giá cho biết, vì mức chênh lệch đủ lớn để thay đổi những gì bạn có thể xây dựng:

• Đầu vào — Mercury 3 0,20 USD mỗi 1 triệu theo giá niêm yết (0,10 USD khi ra mắt) so với Grok 4.7 2,00 USD mỗi 1 triệu

• Đầu ra — Mercury 3 $0.70 mỗi 1 triệu theo giá niêm yết ($0.35 khi ra mắt) so với Grok 4.7 $6.00 mỗi 1 triệu

• Đầu vào đã lưu trong bộ nhớ đệm — Mercury 3 $0,02 mỗi 1M ($0,01 khi ra mắt) so với Grok 4.7 $0,50 mỗi 1M

• Ngữ cảnh — 1.000.000 token so với 500.000

• Đầu ra tối đa trong một phản hồi — 131.072 token so với không có giới hạn nhà cung cấp nào được công bố; thẻ của chúng tôi cho grok-4.7 ghi 450.000

• Phương thức nhập — chỉ văn bản so với văn bản và hình ảnh

• Cài đặt suy luận — tức thì, thấp, trung bình, cao so với thấp, trung bình, cao, xhigh

• Thông lượng — 1.068 token/giây, do nhà cung cấp báo cáo so với không được nhà cung cấp công bố

• Định giá lại cho yêu cầu dài — không có mức nào được công bố, so với việc mọi mức giá đều tăng gấp đôi khi vượt quá 200.000 token đầu vào, áp dụng cho toàn bộ yêu cầu

• Trọng lượng — đóng ở cả hai bên

Chỉ xét riêng dòng chi phí đầu ra, Mercury 3 trông như một sai số làm tròn bên cạnh Grok 4.7: $0.70 so với $6.00, hoặc $0.35 trong giai đoạn ra mắt. Xét dòng bộ nhớ đệm, khoảng cách còn mở rộng chứ không thu hẹp, vì $0.02 so với $0.50 là hệ số hai mươi lăm, bất kể mức giảm giá. Sự kết hợp đó — đầu ra rẻ và đọc bộ nhớ đệm gần như miễn phí — chính là điều khiến một vòng lặp tần suất cao trở nên khả thi về chi phí, và đó là mục tiêu thiết kế mà mô hình rõ ràng được tạo ra để hướng tới.

Nhưng bảng giá chỉ là một nửa của chi phí. Giả định thiết kế của chính Grok 4.7 là một bài toán khó xứng đáng có một lượt suy luận dài, và bảng xếp hạng độc lập cho thấy điều đó tốn bao nhiêu khi bài toán đủ khó: 3,74 USD cho mỗi tác vụ index hoàn thành, so với 0,72 USD của GPT-6.1 Sol và, trên cùng bảng xếp hạng, không có mục Mercury 3 nào cả. Grok 4.7 tiêu token để suy nghĩ. Mercury 3 gần như không tốn gì cho mỗi token và hứa hẹn suy nghĩ nhanh. Đó không phải những tuyên bố cạnh tranh; đó là những ngân sách cạnh tranh.

Một lượt suy luận dài thực sự mang lại được gì

Grok 4.7 không phải là một mô hình nhanh bỗng trở nên chậm hơn. Đây là một canh bạc có chủ đích: rằng những công việc kéo dài nhiều giờ — các vòng lặp lập trình tác tử, phân tích nặng về tài liệu, những sản phẩm bàn giao chuyên nghiệp — sẽ tưởng thưởng cho một mô hình biết kiên trì bền bỉ, và các kết quả độc lập cho thấy canh bạc đó đang được đền đáp ở những điểm cụ thể chứ không phải trên mọi phương diện.

• GDPval-AA, công việc tri thức có giá trị kinh tế — Grok 4.7 Elo 1711.07, cao thứ hai trong số các mô hình được so sánh ở đây và vượt qua mức 1593.85 của GPT-6.1 Sol

• SciCode — 0.5741, dẫn trước cả GPT-6.1 Sol (0.5417) và Qwen3.8 Max (0.5208)

• HLE — 0.4314

• AA-LCR suy luận ngữ cảnh dài — 0.7667

• Terminal-Bench 4.0 — 0.2576, con số yếu nhất trong chính cột của nó

• AutomationBench — 0.6556, mô hình mạnh nhất trong số bốn mô hình thuộc loạt này

• Chỉ số Intelligence Index — 46.4 ở xhigh, theo Artificial Analysis

• Chi phí cho mỗi tác vụ đánh chỉ mục — $3,74

Bộ năng lực đó — mạnh về công việc tri thức và tự động hóa, yếu về lập trình kiểu terminal — không phải là bộ năng lực của một mẫu flagship đa dụng, và biết được điều đó hữu ích hơn một thứ hạng. Một nhóm chạy những phiên lập trình tự trị dài và chọn Grok 4.7 cho chúng là đang chọn nó trái với chính các kết quả đo lường của mình.

Mercury 3 không có cột so sánh tương đương. Bằng chứng công bố của Inception khác về bản chất: một bài kiểm tra điều hướng Mind2Web gồm 50 nhiệm vụ trong khung kiểm thử riêng của họ, nơi nó hoàn thành 50% nhiệm vụ, cùng với lời chứng thực từ các đối tác TinyFish AI, RevisionDojo, Octen AI và Lorikeet. Tính đến ngày 20 tháng 10 năm 2026, nó không có mục nào trên Artificial Analysis, nghĩa là mọi tuyên bố về năng lực trong bài viết này về Mercury 3 ngoài tốc độ và giá đều do nhà cung cấp báo cáo và chưa được tái lập. Đó không phải là lý do để bác bỏ nó — một mô hình mới chín ngày tuổi chưa có điểm số độc lập là trạng thái bình thường, và việc đưa tin ban đầu chính là điều blog này tồn tại để công bố. Đó là lý do để giữ hai cột được dán nhãn khác nhau.

Ba khối lượng công việc, ba câu trả lời

Một hàng đợi hỗ trợ hoặc một tác nhân thoại. Mỗi mili giây đều là một khách hàng đang chờ, và mô hình phải đủ rẻ để chạy trên mọi tin nhắn. Mercury 3 thắng ở điểm này dựa trên các con số được công bố: 1,068 token mỗi giây, đầu ra $0.70 theo giá niêm yết, đầu vào được lưu đệm $0.02, một bậc "tức thời" bỏ qua hoàn toàn việc suy luận. Grok 4.7 có thể làm công việc này, nhưng với đầu ra $6.00 cùng một lượt suy luận mặc định thì đó là trả tiền cho sự cân nhắc mà cuộc hội thoại không cần đến. Đây là trường hợp mà Inception đã tạo ra mô hình để phục vụ, và các trích dẫn từ đối tác đều đến từ kiểu sản phẩm này.

Một agent lập trình hoặc nghiên cứu kéo dài nhiều giờ. Công việc chạy không người giám sát, bản ghi hội thoại tăng vượt vài trăm nghìn token, và mô hình phải giữ được một kế hoạch xuyên suốt nhiều bước. Ở đây, cửa sổ 500K của Grok 4.7, suy luận xhigh và sức mạnh công việc tri thức đã được đo lường là những tính năng liên quan, còn cửa sổ 1M của Mercury 3 là phản luận liên quan: nhiều chỗ hơn, rẻ hơn nhiều trên mỗi token, nhưng chưa có bằng chứng rằng nó giữ được kế hoạch qua một chân trời dài. Cũng lưu ý rằng Grok 4.7 nhân đôi mọi mức giá khi vượt quá 200.000 token đầu vào cho toàn bộ yêu cầu, trong khi Mercury 3 không công bố phụ phí cho yêu cầu dài. Trên một bản ghi hội thoại thực sự dài, khoảng cách đầu ra danh nghĩa 8,6× có thể thu hẹp xuống dưới 5× — và đó chính là tình huống mà việc Mercury 3 thiếu benchmark bắt đầu gây bất lợi, bởi lợi thế chi phí xuất hiện đúng ở nơi năng lực của nó ít được chứng minh nhất.

Bất cứ thứ gì phải đọc một hình ảnh. Grok 4.7 nhận hình ảnh. Tài liệu của Mercury 3 liệt kê văn bản là định dạng duy nhất được hỗ trợ. Đây không phải là câu hỏi về giá cả và không có lượng token mỗi giây nào trả lời được điều đó.

Lý do để chạy cả hai thay vì chọn một

Sự phân tách này sạch một cách bất thường vì hai mô hình thất bại theo những hướng khác nhau: Mercury 3 rẻ và chưa được đo lường, Grok 4.7 đắt và đã được đo lường, còn phạm vi phương thức và suy luận của chúng hầu như không chồng lấn. Đó là dạng của một bài toán định tuyến chứ không phải một quyết định mua sắm.

Grok 4.7 có trên OrcaRouter theo giá niêm yết của SpaceXAI với mức cộng thêm 0%, bao gồm cả mức giá tăng gấp đôi cho phần trên 200K, vì vậy chi phí thử một chính sách bằng chi phí gọi trực tiếp nhà cung cấp. Mercury 3 không có trên router; nó được cung cấp qua API riêng của Inception và một số nền tảng bên thứ ba, và nó mới được chín ngày. Một DSL định tuyến chứng tỏ được giá trị của mình ở đây theo cách hiếm khi thấy: gửi các yêu cầu làn tức thời — lời nhắc ngắn, ngân sách độ trễ nghiêm ngặt, không có hình ảnh — đến Mercury 3, giữ mọi thứ cần thị giác hoặc suy luận xhigh trên Grok 4.7, và để chuyển đổi dự phòng tự động bắt trường hợp hàng đợi của mô hình mới bị ứ đọng. Chính sách này có thể diễn đạt được; bằng chứng cho nó sẽ do lưu lượng của tháng tới cung cấp.

Cần lưu ý gì trước khi bạn chuyển ngân sách

Hai tín hiệu sẽ làm thay đổi phép so sánh này, và cả hai đều rất cụ thể.

• Một mục Mercury 3 trên Artificial Analysis. Một điểm Intelligence Index và một con số chi phí trên mỗi tác vụ sẽ cho bạn biết liệu mô hình rẻ, nhanh này có đủ gần Grok 4.7 trong công việc tri thức để biện minh cho việc định tuyến lưu lượng thực hay không. Nếu không có những thứ đó, 1.068 token mỗi giây chỉ là một dữ kiện về thông lượng chứ không phải một tuyên bố về năng lực

• Mức tiêu thụ token của Grok 4.7 trên chính khối lượng công việc của bạn. Lần chạy chỉ mục 240 triệu token là một benchmark tổng hợp; một hàng đợi hỗ trợ và một tác nhân lập trình tiêu thụ khối lượng rất khác nhau. Hãy đo số token đầu ra trên mỗi tác vụ hoàn thành trong một tuần đại diện trước khi giả định mức $6.00 quyết định hóa đơn của bạn

Điều cần bỏ qua, trong khi đó, là mọi so sánh đặt hai mô hình vào cùng một cột trên bảng xếp hạng mà không lưu ý rằng một trong hai chưa từng có mặt trên bảng. Sự thật thú vị về Mercury 3 không phải là nó nhanh — Inception đã tung ra các mô hình khuếch tán nhanh được một năm nay — mà là nó nhanh với cửa sổ 1M ở mức giá khiến bài toán kinh tế theo từng yêu cầu trở nên không đáng kể. Sự thật thú vị về Grok 4.7 không phải là nó đứng đầu một biểu đồ, vì nó không đứng đầu; mà là nó là mô hình mạnh nhất về tự động hóa trong nhóm này và trả giá cho điều đó bằng token. Đó là những sản phẩm khác nhau, và số lượng đúng của chúng để chạy có lẽ không phải là một.