Mercury 3 对比 Grok 4.7：两个时钟，而非两个模型

问问Mercury 3和Grok 4.7有什么共同点，答案是一个时钟。两者都以完成一项工作需要多长时间作为卖点，但对此的含义截然相反。Mercury 3 由 Inception 于 2026 年 10 月 19 日发布，旨在不到一秒内给出答案：一个在 NVIDIA GPU 上每秒生成 1,068 个 token 的扩散模型、100 万 token 的窗口，以及四档推理设置，其中最快的一档名为“instant”。Grok 4.7 由 SpaceXAI 于 2026 年 9 月 21 日发布，旨在持续工作：50 万 token 的窗口、最高到 xhigh 的推理阶梯，以及一项独立测量显示，它消耗了约 2.4 亿个输出 token 才完成 Artificial Analysis Intelligence Index，每项任务成本为 3.74 美元。一个模型把延迟当作产品。另一个则把持续时间当作产品。在单一评分线上比较它们，会错过唯一真正重要的问题——你的工作负载实际上按哪种时钟运行。拆分策略的两端可以共用一个密钥，并由自动故障转移兜住慢速通道。像本次发布这样的发布背后，已有记录的 AI 故障和智能体事件，都收录在the 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。

这两座钟，定价

先从费率卡上写的内容说起，因为差距之大足以改变你能构建的东西：

• 输入 — Mercury 3 标价为每 100 万个 token $0.20（发布时为 $0.10），而 Grok 4.7 为每 100 万个 token $2.00

• 输出 — Mercury 3 每 1M 标价 $0.70（发布时 $0.35），对比 Grok 4.7 每 1M $6.00

• 缓存输入 — Mercury 3 每 100 万 $0.02（发布时 $0.01），对比 Grok 4.7 每 100 万 $0.50

• 上下文 — 1,000,000 个 token 对比 500,000 个

• 单次响应最大输出 — 131,072 个 token，而供应商未公布上限；我们自己的 grok-4.7 模型卡列出的则是 450,000

• 输入模态——仅文本 vs 文本和图像

• 推理设置 — 即时、低、中、高，对比 低、中、高、xhigh

• 吞吐量——每秒 1,068 个 token，厂商报告值 vs 厂商未公布值

• 长请求重新定价——未公布任何方案 vs 输入 token 超过 200,000 后所有费率翻倍，并适用于整个请求

• 配重 — 两侧均已闭合

单看输出这一项，Mercury 3 在 Grok 4.7 旁边就像个舍入误差：$0.70 对 $6.00，发布窗口期则是 $0.35。再看缓存这一项，差距非但没有缩小，反而拉大了，因为 $0.02 对 $0.50 就是二十五倍，无论折扣如何。正是这种组合——低廉的输出和近乎免费的缓存读取——让高频循环变得负担得起，而这显然就是该模型所瞄准的设计目标。

但价目表只构成成本的一半。Grok 4.7 自身的设计假设是：难题值得进行一次长时间的推理；而独立榜单显示，当问题足够难时，这会带来多少成本：每完成一个索引任务 3.74 美元，而 GPT-6.1 Sol 为 0.72 美元；在同一榜单上，Mercury 3 根本没有条目。Grok 4.7 消耗 token 来思考。Mercury 3 每个 token 的花费几乎为零，并承诺快速思考。这些并非相互竞争的主张，而是相互竞争的预算。

一次长时间的推理过程究竟能换来什么

Grok 4.7 并非一个“变慢了”的快模型。它是一次刻意的押注：长达数小时的工作——智能体编码循环、文档密集型分析、专业交付物——恰恰会让一个能持续运转下去的模型获得回报；而独立评测结果显示，这一押注在特定领域确实得到了回报，而非全面奏效。

• GDPval-AA，具有经济价值的知识工作——Grok 4.7 的 Elo 为 1711.07，在此比较的模型中排名第二，领先于 GPT-6.1 Sol 的 1593.85

• SciCode — 0.5741，领先于 GPT-6.1 Sol（0.5417）和 Qwen3.8 Max（0.5208）

• HLE — 0.4314

• AA-LCR 长上下文推理 — 0.7667

• Terminal-Bench 4.0 — 0.2576，是其所在列中最弱的数值

• AutomationBench — 0.6556，本系列四款模型中最强的一款

• 智能指数 — 在 xhigh 下为 46.4（据 Artificial Analysis）

• 每个索引任务的成本 — $3.74

那种表现画像——在知识工作和自动化方面强、在终端式编程方面弱——并不是通用旗舰模型应有的画像，而知道这一点比知道一个排名更有用。一个运行长时间自主编程会话并为此选择 Grok 4.7 的团队，是在违背自己的测量结果做选择。

Mercury 3 没有可比的列。Inception 公布的证据在性质上有所不同：在其自有测试框架中进行的一项包含 50 项任务的 Mind2Web 导航测试中，它完成了 50% 的任务，此外还有来自 TinyFish AI、RevisionDojo、Octen AI 和 Lorikeet 的合作伙伴证言。截至 2026 年 10 月 20 日，它没有 Artificial Analysis 条目，这意味着本文中关于 Mercury 3 除速度和价格之外的每一项能力声明都是厂商自述且未经复现的。这并不是否定它的理由——一个发布仅九天、尚无独立评分的模型属于正常状态，而早期报道正是本博客存在的意义所在。但这也是要将这两列以不同方式标注的理由。

三个工作负载，三个答案

客服工单队列或语音坐席。每一毫秒都意味着有客户在等待，而模型必须足够便宜，才能对每条消息都运行。Mercury 3 按公布的数据在这方面胜出：每秒 1,068 个 token，输出按标价 $0.70，缓存输入 $0.02，以及一个完全跳过推理的“即时”档位。Grok 4.7 能完成这项工作，但输出价格为 $6.00，且默认执行一轮推理，这等于为对话并不需要的深思付出成本。这正是 Inception 打造该模型所针对的场景，而合作伙伴的引述也都来自这一类产品。

一个持续数小时的编码或研究型智能体。 该任务无人值守运行，转录文本增长到几十万 token 以上，模型必须在许多步骤中保持一份计划。在这里，Grok 4.7 的 500K 窗口、xhigh 推理和经实测的知识工作优势是相关特性，而 Mercury 3 的 1M 窗口则是相关的反方论据：空间更大、每 token 成本低得多，但尚无证据表明它能在长跨度上保持计划。另请注意，只要输入超过 200,000 个 token，Grok 4.7 就会对整个请求的所有费率翻倍，而 Mercury 3 并未公布长请求附加费。在真正很长的转录文本上，名义上 8.6× 的输出成本差距可能缩小到不足 5×——而这正是 Mercury 3 缺乏基准测试开始造成不利影响的场景，因为成本优势恰恰出现在其能力最未经验证的地方。

任何需要读取图像的东西。Grok 4.7 可以接收图像。Mercury 3 的文档将文本列为其唯一支持的格式。这不是一个定价问题，再多的每秒 token 数也回答不了它。

同时运行两者而不是二选一的原因

这种分化异常清晰，因为这两个模型失败的方向不同：Mercury 3 便宜且未经评测，Grok 4.7 昂贵且经过评测，二者的模态与推理范围几乎没有重叠。这更像是一个路由问题的形态，而不是一项采购决策。

Grok 4.7 已上线 OrcaRouter 按 SpaceXAI 的标价、0% 加价，其中包括翻倍后的 200K 以上费率，因此尝试一项策略的成本与直接调用供应商相同。Mercury 3 不在该路由器上；它通过 Inception 自己的 API 和若干第三方平台提供服务，而且问世仅九天。路由 DSL 在这里体现出了它难得的价值：将即时通道请求——短提示词、严格的延迟预算、无图像——发送给 Mercury 3，把所有需要视觉或 xhigh 推理的内容留在 Grok 4.7 上，并让自动故障转移接住新模型队列积压的情况。这项策略是可以表达的；支持它的证据，将由接下来一个月的流量提供。

在调整预算之前要关注什么

有两个信号会改变这一比较结果，而两者都很具体。

• Artificial Analysis 上的 Mercury 3 条目。一个 Intelligence Index 分数和一个单任务成本数据，就能告诉你这款便宜快速的模型在知识工作上是否足够接近 Grok 4.7，从而值得将真实流量路由到它。没有这些，每秒 1,068 个 token 只是一个吞吐量事实，而不是能力声明。

• Grok 4.7 在你自己工作负载上的 token 消耗。那次 2.4 亿 token 的索引运行只是合成基准测试；客服队列和编程代理消耗的 token 量差异很大。在假定 $6.00 费率决定你的账单之前，先在一个有代表性的一周内测量每完成一项任务的输出 token 数。

与此同时，应该忽略的是那种把两个模型放在同一张排行榜的同一列里、却不指出其中一个从未上榜过的比较。Mercury 3 的有趣之处不在于它快——Inception 已经推出快速扩散模型一年了——而在于它在拥有 1M 窗口的情况下依然快，且价格让单次请求的经济账变得无足轻重。Grok 4.7 的有趣之处不在于它登顶某张榜单，因为它并没有；而在于它是这组模型里自动化能力最强的，并为此付出 token 代价。它们是不同的产品，而需要运行的数量很可能不是一个。