Mercury 3 对比 Grok 4.6：一个已被取代，另一个尚未被测量，而两者都以速度作为卖点

比较 Mercury 3 与 Grok 4.6 时，第一个有用的事实是：Grok 4.6 并不是当前版本的 Grok。SpaceXAI 于 2026 年 8 月 12 日发布它，价格为每百万输入 token 2.00 美元、每百万输出 token 6.00 美元，此后又发布了 Grok 4.7；Artificial Analysis 现在将 4.6 标记为已弃用，并引导读者去看更新的模型。相比之下，Mercury 3 才诞生两天：Inception Labs 于 2026 年 10 月 19 日发布它，价格为每百万 0.20 美元和 0.70 美元，并在一个未公布结束日期的发布窗口期内减半，而且还没有任何中立方测量过它。因此，对这对组合的诚实表述并不是“我该用这两个中的哪一个”。而是：两者都主要靠一个速度数字来销售，而这两个速度数字并不是同一种数字；并且，这两个产品中有一个正在退出产品目录，而另一个尚未被任何不在其开发公司工作的人测试过。 这类发布背后有据可查的 AI 故障和智能体事件，都收录在OrcaRouter AI 事件档案中，每条记录都附有自己的来源、严重程度、置信度等级和争议标记。

这使得它成了一场关于衡量标准的比较，而这恰好是在给两者定价之前最该了解的事情。Mercury 3 是一种扩散语言模型——它会对一个位置块进行去噪并将它们一起提交，而不是每次只输出一个 token——Inception 报告称，它在 NVIDIA 硬件上达到每秒 1,068 个 token，总参数量是 Mercury 1 的 40 多倍，上下文窗口从 260,000 个 token 扩展到 1,000,000 个 token，输出上限为 131,072 个 token。Grok 4.6 是一个传统的前沿模型，专为长时间的智能体运行而构建，具有 500,000 个 token 的上下文，支持文本、图像和文件输入，并提供 75% 的缓存折扣，每百万次读取收费 0.50 美元。

这两个速度数字实际测量的是什么

Inception 的每秒 1,068 个 token 是一个输出吞吐量指标：即模型开始生成 token 后，token 离开模型的速度。Artificial Analysis 对 Grok 4.6 测量同一指标，得到每秒 65.4 个 token。把这两个数字并排一看，Mercury 3 似乎快了十六倍。这是真实存在的差异，但并不是全部差异，因为吞吐量只是构成延迟预算的三个数字之一。

第二个是首 token 时间，而在这里，情况对这套叙事就不那么有利，也更有意思。Artificial Analysis 在其测试的工作负载上记录到 Grok 4.6 的首 token 时间中位数为 37.19 秒，而其榜单上各模型的中位数为 3.75 秒。我们自己的为期七天的 playground 遥测显示，在它有样本的那一天，Grok 4.6 的 p50 为 8.00 秒。这两个数字既不是 Mercury 3 的问题，也不是 Mercury 3 的优势——Inception 完全没有公布首 token 数据，其公告中唯一的第三方延迟数字是客户证言：Octen 报告生成时间中位数为 0.9 秒，端到端响应中位数为 2.2 秒；RevisionDojo 报告答案“大约一秒内”返回；Lorikeet 表示 Mercury 3 在延迟上胜过其他模型，同时在其评测中得分更高。这些是有用的信号，但它们是营销引语，而且所对应的工作负载，这三家公司之外无人能够检查。

第三个数字决定了一个快速模型是否可用，那就是错误率。过去七天里，在我们自己的基础设施上，GPT-5.6 Sol 的服务路径录得 0.05% 的错误率。Grok 4.6 在有遥测数据的唯一一天——2026年10月17日——录得 86.7%。那是一个自八月起就已上线的模型的一天样本，因此这是对服务路径的警示，而不是对模型的定论，而且这正是那种永远不会出现在供应商页面上的数字。对于 Mercury 3，根本没有任何错误率，因为没有任何可测量的路由。

规格表，每一行都附有来源出处。

• 价格 — Mercury 3：每百万 $0.20 / $0.70，发布时为 $0.10 / $0.35，未公布结束日期，缓存输入减免 90%。Grok 4.6：不超过 200,000 个 token 时每百万 $2.00 / $6.00，超过该数量时整个请求为 $4.00 / $12.00，缓存读取 $0.50。

• 上下文与输出 — Mercury 3：输入 1,000,000，输出 131,072。Grok 4.6：输入 500,000，我们的模型页面未公布其输出上限。

• 模态 — Mercury 3：仅支持文本。Grok 4.6：输入文本、图像和文件，输出文本。

• 吞吐量 — Mercury 3：每秒 1,068 个 token，由 Inception 实测。Grok 4.6：根据 Artificial Analysis，每秒 65.4 个 token；在其提供样本的当天，我们的自有测试环境中为每秒 256 个 token。

• 独立评分——Mercury 3：无，不存在 Artificial Analysis 页面。Grok 4.6：在 Artificial Analysis 智能指数上得 44 分，在 217 个模型中排名第 37；在其编码指数上得 76.8 分，在 138 个模型中排名第 5。

• 状态 —— Mercury 3：已发布两天，尚未进行评测。Grok 4.6：已在 Artificial Analysis 的榜单上被标记为弃用，由 Grok 4.7 取代。

上下文对比正是颠覆通常排序的那一项。Mercury 3 提供的窗口是 Grok 4.6 的两倍——一百万 token 对五十万 token——而输入价格仅为其十分之一。纸面上，对于长文档工作而言，这并非一场势均力敌的较量。实践中，50 万 token 的窗口已经大于几乎任何人会处理的单份文档，而对于一个未经测量的模型来说，百万 token 窗口真正有趣的问题不在于它是否存在，而在于质量能否在整个窗口范围内保持。Artificial Analysis 明确测量长上下文召回率，Grok 4.6 在该项得分为 80.3。Mercury 3 没有对应的数字，这意味着一个召回曲线未知的百万 token 窗口只是容量上的宣称，而非能力上的宣称。

Grok 4.6 的价格实际上买到了什么

在标价下，Grok 4.6 的输入成本是 Mercury 3 的十倍，输出成本约为九倍；而诚实地说，这换来的是：在中立测试框架上的实测排名、多模态输入，以及公布的单次回答成本。最后一项最有用。Artificial Analysis 将 Grok 4.6 的成本定为每项 Intelligence Index 任务 1.48 美元——这个数字已经包含了模型完成整套测试所需的全部 token 数量（无论多少），而这是整场对比中唯一一个对任一模型而言都存在的单次回答数字。

相比之下，Mercury 3 的 0.70 美元输出费率是按 token 计算的数字，没有按每次回答计算的对应指标。如果一项 Mercury 3 任务消耗的输出量与一项 Grok 4.6 任务相同，其成本约为后者的十分之一。如果它消耗的输出量是后者的三倍——对于一款在 Grok 以更高推理投入完成的工作上默认采用低推理投入的模型来说，这是有可能的——其成本约为后者的三分之一，而战略理由也会从“一个数量级”弱化为“对一个未经证实的模型有可观折扣”。目前还没有人能告诉你这三种情况中哪一种属实。这不是修辞上的含糊其辞；这正是目前缺失的那项具体测量。

Grok 4.6 自己的数据，不管有多大参考价值，在长时间智能体运行需要它们的地方都很强：GPQA Diamond 上 94.9，Humanity's Last Exam 上 42.9，长上下文召回上 80.3，编程指数 76.8，在 138 个模型中排第五。这些是 Artificial Analysis 的评测，不是 SpaceXAI 的，这正是它们居然能和 Mercury 3 比较的原因——而 Mercury 3 没有此类评测，无法比较。

被取代机型的问题，这才是真正的决策

今天选择 Grok 4.6，就意味着选择了一个其供应商已经替换掉的模型。Grok 4.7 已在我们目录中，而 Artificial Analysis 上的 4.6 页面会明确将读者重定向到它。对于你即将基于其构建的工作负载而言，从已弃用的模型起步，就是决定日后迁移；唯一的问题是何时迁移，而答案通常是“在事故期间”。

这并不能让 Mercury 3 成为安全的选择。一个未经实测、发布仅两天的模型，和一个已被弃用、发布九周的模型，代表的是不同种类的风险，而在这组对比中，两者都不是低风险选项。这项对比实际确立的结论更窄，也更有用：如果你想要一个有实测数据、有文档记录的每次回答成本，并且支持多模态输入的模型，那么 Grok 4.7 就是这类模型的当前版本，而 4.6 是它同价位的前代。如果你想要任何地方能获得的最便宜的纯文本 token，并且带有百万 token 窗口，那么 Mercury 3 就是这样的选择，但需要注意：其价格卡上最便宜的数字是一项没有结束日期的促销。

Grok 4.7 已按 SpaceXAI 自己的费率上架 OrcaRouter 目录，与我们路由的其他所有服务一样，通过同一个 OpenAI 兼容端点提供，且不额外加价；当某条路径触发速率限制时，还能在各提供商之间自动故障转移——考虑到我们的遥测在 10 月 17 日记录的 4.6 服务路径错误率，这并非理论上的好处。Mercury 3 不在该目录中：我们的模型 API 对任何 Inception 模型都不返回任何结果，因此任何调用它的人都会转到 Inception 的平台（新账户可获得 1 亿个免费 token），或转到托管它的几个第三方平台之一。

适合这一对的路由模式并不是按价格切分，而是按你愿意让什么失败来切分。把已弃用模型的流量放到当前模型上，把一小部分有边界的纯文本工作放到 Mercury 3 上，保留一个经过实测的模型作为回退，并让故障转移处理新路径偶尔表现不佳的情况。这个切片是一个配置值；回退是一条路由规则；是否扩大或缩小它，由你自己一周内的错误率决定。

周一做什么

如果任务是长文本、数量大且答案可核验，那么 Mercury 3 的价目表值得本周做一次范围有限的实验——Inception 平台上的 1 亿免费 token 足以覆盖这次测试，而百万 token 的上下文窗口意味着你可以直接发送整份文档，而不是对它做分块猜测。关注两点：每个任务的输出 token 数是否会大幅偏离你基于 Sol 或 G​rok 的基线，以及质量是否会在长上下文接近末尾时下降。这两点都能在一天内测量出来，且都不需要依赖任何人的基准测试。

如果工作涉及图像、要在工具循环中运行数小时，或者必须一次就做对，那么这一组合中的答案就不是 Grok 4.6。而是 Grok 4.7，或者某个经过实测的前沿模型；老实说，原因是 4.6 已弃用，而 Mercury 3 未经实测——这相当于在两个模型之间做选择，而若身后没有后备方案，你不会把其中任何一个放到客户面前。

能改变这一切的数字，是 Mercury 3 每个已完成任务的中立成本。只要在产出 G​rok 那 1.48 美元的同一测试装置上给出一个数字，就能把本文的核心不确定性转化成一个比率。在它出现之前，站得住脚的立场是那个乏味的立场：便宜的 token 是真的，速度方面的说法看似合理且只有单一来源，而你自己唯一能验证的，是你在自己流量上的错误率。