Mercury 3 对比 GPT-6.1 Sol：Inception 亲自跑了这项测试，而这就是故事的全部

Mercury 3 于 2026 年 10 月 19 日发布，而 Inception 为其公布的唯一一项正面对比数据，直接点名的是GPT-6.1 Sol。五十项实时 Mind2Web 导航任务，在 Inception 自己的生产级 Web 智能体测试框架中运行：Mercury 3 完成了其中 50%，发布文章称这“显著多于 GPT-6.1-Sol”，使用相同的 token 量、相同的智能体步数，并且据其描述，每 token 成本只是后者的一小部分。这比大多数发布文章给出的说法更具体，但也是一个没有分母的说法。五十项任务是小样本，测试框架是供应商自己的，GPT-6.1 Sol 的完成率从未公布，而且 Mercury 3 尚未出现在独立的 Artificial Analysis 榜单上，而该榜单给 GPT-6.1 Sol 的评分是 51.8。所以，诚实的比较不是“哪个模型更聪明”。而是供应商自己的测试能支持什么、价目表怎么说，以及 GPT-6.1 Sol 的实测记录仍在哪些方面默认胜出。整个目录的转嫁费率相同：0% 加价供应商目录价进，供应商目录价出。类似此次发布背后的已记录 AI 故障和智能体事件，均收录于OrcaRouter AI Incident Archive，其中每条记录都带有自己的来源、严重程度、置信度等级和争议标记。

首先，是这一说法中异常可核查的部分

发布基准测试通常只是一张分数表：基准由厂商自己挑选，对比模型也由厂商自己挑选，而且完全不说明双方各自投入了多少算力。Inception 做了件更少见的事：它固定了 token 总量和步数。“相同的 token 总量和相同数量的智能体步数”是一句关于实验控制的表述，而它之所以重要，是因为快速模型在智能体基准测试中最常见的取巧方式就是多试几次。如果 Mercury 3 确实在步数和 token 上与 GPT-6.1 Sol 持平，却仍然完成了更多任务，那么差异就在于模型用每一步做了什么，而不在于它获得了多少步。

该说法仍然缺少的是：

• GPT-6.1 Sol 的绝对完成率。“显著更多”于一个未说明的数字，并不是一个你可以据此定价的结果

• 通过标准。Mind2Web 的各项任务在“导航算作完成”的严格程度上各不相同，而且该评测框架是 Inception 的，并非公开的框架。

• 第二次运行。五十个任务规模很小，少数几次翻转就能让百分比变动几个百分点。

• 任何在已公布基线的基准测试中取得的分数，也正因如此，Artificial Analysis 榜单目前还完全无法为 Mercury 3 定位。

TinyFish AI 的张书豪（Shuhao Zhang）就这一结果发表了评论，而该评论属于客户证言，并非独立复现。对于一次产品发布而言，这很正常，但也值得明确指出这一点，因为“50%”这个数字会在接下来数月里被反复引用，而那个限定条件却不会随之出现。

费率卡，这才是论据真正有力之处

这一价差并非微不足道，也不取决于任何人的测试框架。Mercury 3 的标价为每百万输入 token 0.20 美元、每百万输出 token 0.70 美元，缓存输入为 0.02 美元。在发布窗口期内，Inception 收取其一半：输入 0.10 美元、缓存 0.01 美元、输出 0.35 美元。GPT-6.1 Sol 的标价为输入 2.00 美元、缓存 0.10 美元、缓存写入 2.50 美元、输出 10.00 美元。按标价，Mercury 3 的输出费率是 GPT-6.1 Sol 的十四分之一；在发布折扣期间则是二十八分之一。

假设一个浏览器智能体运行四十步，每步发送 12,000 个输入 token，并产生 400 个输出 token。整次运行就是 480,000 个输入 token 和 16,000 个输出 token，且全部未缓存，这是较便宜模型的悲观情形：

• GPT-6.1 Sol — 输入 $0.96，按每百万 $2.00 计；加上输出 $0.16，按每百万 $10.00 计：每次运行约 $1.12

• Mercury 3 按标价计算——输入 $0.096 加输出 $0.011，每百万 $0.70：每次运行约 $0.107，即便宜 10.4 倍

Mercury 3 按上线价格计算——$0.048 加 $0.006：每次运行约 $0.054，即便宜约 21 倍

现在再把完成率叠加上去。如果 Mercury 3 完成了 100 个任务中的 50 个，而 GPT-6.1 Sol 完成的数量更少，那么每次运行的节省只有在实际完成的那几次运行中才能实现。一个每步便宜十倍、完成率只有三分之二的模型，按每个已完成任务计算仍然更便宜，而这才是应该放在仪表盘上的数字。但在 50 个任务时，还没有人知道第二个比率。

有两个成本细节比头条数字更重要，而且很容易被忽略。GPT-6.1 Sol 的缓存输入为 $0.10，是 Mercury 3 的标价输入价格的一半，是其缓存价格的二十倍，因此在冗长且稳定的系统提示词上，GPT-6.1 Sol 的缓存缩小了部分差距——但仅限于输入侧，而输出才是智能体循环花费所在。并且，GPT-6.1 Sol 会对输入 token 超过 272,000 的整个请求重新定价：输入和缓存为 2 倍，输出为 1.5 倍。这个断崖恰好是长智能体对话记录会落入的地方，而 Mercury 3 的 1M token 窗口且未公布长提示词附加费，在同一场景下是一种结构性优势。

GPT-6.1 Sol 有而 Mercury 3 没有的：一份可衡量的记录

以上所有内容都是与一份费率卡和一次供应商测试的对比。独立评测榜则是另一番景象，而且上面只有这些型号中的一个。

• 智能指数 — Mercury 3 未列出；根据 Artificial Analysis 于 2026 年 10 月 20 日的数据，GPT-6.1 Sol 在最高推理强度下为 51.8

• 每个索引任务成本 — Mercury 3 未测量；GPT-6.1 Sol 为 0.72 美元，而榜单中位数远高于此

• Terminal-Bench 4.0 — Mercury 3 未测量；GPT-6.1 Sol 0.5606

• SciCode — Mercury 3 未测量；GPT-6.1 Sol 0.5417

• 人类最后的考试——Mercury 3 未测量；GPT-6.1 Sol 0.5292

• AA-LCR 长上下文推理 — Mercury 3 未测量；GPT-6.1 Sol 0.83

• GDPval-AA，具有经济价值的知识工作——Mercury 3 未测量；GPT-6.1 Sol Elo 1593.85

• AA-Omniscience — Mercury 3 未测量；GPT-6.1 Sol 41.5

• 上下文与输出——Mercury 3 1,000,000 输入 / 131,072 输出；GPT-6.1 Sol 1,050,000 输入 / 128,000 输出

• 权重 — 两者均为闭源；两者都不会提供检查点

• 模态 — 两者均支持文本；GPT-6.1 Sol 还支持图像和文件

最后这一条对某些团队来说，是最不起眼却最具决定性的差异。GPT-6.1 Sol 支持图像和文件输入。Mercury 3 自己的文档中列出的支持格式只有文本。如果你的智能体需要读取截图、PDF 或扫描发票，那么无论价格如何，比较到此就结束了，再高的每秒 token 数也改变不了这一点。

推理阶梯的形状也不相同。Mercury 3 提供即时、低、中、高三档，温度可在 0.5 到 1.0 之间调节。GPT-6.1 Sol 提供低、中、高、xhigh 和 max，并且完全不再接受无推理设置。一个带有“即时”档位的模型，做出的是另一种产品承诺：它在告诉你，有些请求不该思考，并且会据此计费。这是实实在在的设计差异，而它在单一智能数值里是看不见的。

每种模型分别在什么情况下才是正确选择

当负载受延迟限制、仅涉及文本，且每一步的成本主导预算时，Mercury 3 才是正确选择：浏览器导航、聊天支持、实时辅导、与分类相邻的高容量工作，以及任何人类或其他系统需要等待每一轮响应的循环。1M 上下文和 131,072 个 token 的输出上限适合较长的智能体对话记录，而 instant 档位则是为那些不应进行思考的请求而设。风险在于尚无独立评估者为其打分，因此其质量边界目前仍是供应商的说法。

当工作需要视觉或文件输入时，当你需要在投入流量之前先确定一个经过实测的能力下限时，当你想要一套能超过“high”档的推理阶梯时，或者当 272,000 token 的请求属于例外而非常态时，GPT-6.1 Sol 都是正确的选择。它每个索引任务的成本在榜单上名列前茅，而这正是论证的另一半：每个 token 便宜与每完成一个任务便宜是两种不同的主张，而 GPT-6.1 Sol 正是公布了后一个数字的那一个。

实际的错误在于把它当作赢家通吃的选择。Mercury 3 并不在 OrcaRouter 上——它通过 Inception 自己的 API 和若干第三方平台提供服务——而 GPT-6.1 Sol 则在其上，按 OpenAI 的标价、0% 加价，因此你支付的是供应商自己的价目表，而不是加价后的等价价格。这让分流测试的成本很低：将 GPT-6.1 Sol 保留在生产路径上，把 Mercury 3 放在供应商 API 后面承接一小部分流量，并比较每美元完成的任务数，而不是每秒 token 数。如果这一小部分流量表现良好，就迁移对延迟敏感的步骤；如果不行，你只损失了一周时间和一张小额账单。自动故障转移恰恰在这个窗口期最重要：此时一个刚上线一天的模型正在试用，而一个经过实测的模型正在承担负载。

怎样才能解决这件事

三件事，按它们对答案的影响程度从大到小排列：

• 为 Mercury 3 建立一条 Artificial Analysis 收录条目。一个指数数字加上一项每任务成本，就能取代本文中的每一项估算。在它出现之前，"无独立评分"才是正确的状态，既不是"未经证实"，也不是"前沿级"。

• GPT-6.1 Sol 在同样 50 项任务上的完成率，或由 Inception 以外的人公开重跑该测试框架。受控 token 的声明是良好的方法学，但还不是其他人可以核查的结果。

• 关于扩散输出如何计费的公开回答。Mercury 3 会并行生成 token，并分多轮对其进行细化，而 Inception 的文档并未说明去噪轮次是否会计入计费的输出 token。如果这些轮次不计入，那么实际成本优势就会比价目表所显示的更大；如果计入，那么每秒 1,068 个 token 就是吞吐量数字，而非计费数字。

在此之前，站得住脚的立场是狭窄但有意义的：Mercury 3 是这场对比中最便宜的快速文本模型，便宜一个数量级；依据是一项至少在设计中控制了投入程度的厂商测试，它有 100 万 token 的上下文窗口，但没有独立评分。GPT-6.1 Sol 则是更贵、更慢、经过测量的模型，它还能读取图像，并公布了每个已完成任务的成本。对于不能出错的工作，买第二个；对于等待本身就是成本的工作，试用第一个。