Mercury 3 對決 GPT-6.1 Sol：Inception 親自跑了這項測試，而這就是故事所在

Mercury 3 於 2026 年 10 月 19 日推出，而 Inception 為它公布的唯一一項正面對決數據，直接指名 GPT-6.1 Sol。五十個實際運行的 Mind2Web 導航任務，在 Inception 自家正式產品用的網頁代理測試框架中執行：Mercury 3 完成了其中 50%，發布文章稱這「顯著多於 GPT-6.1-Sol」，且使用相同 token 用量與相同數量的代理步驟，並稱僅需每 token 成本的一小部分。這是比多數發布文章更具體的說法，但也是一個沒有分母的宣稱。五十個任務是小樣本，測試框架是供應商自家的，GPT-6.1 Sol 的完成率從未公布，而 Mercury 3 也尚未出現在獨立的 Artificial Analysis 排行榜上——該榜給 GPT-6.1 Sol 打了 51.8 分。因此，誠實的比較不是「哪個模型更聰明」，而是供應商自家測試能支撐什麼、價目表怎麼說，以及 GPT-6.1 Sol 的實測紀錄仍在哪些地方預設勝出。整個型錄的轉嫁率都相同：0% 加價以供應商牌價進、以供應商牌價出。這類發布背後有紀錄的 AI 故障與代理事件，都收錄於OrcaRouter AI Incident Archive，其中每筆條目都附有各自的來源、嚴重程度、信心評級與爭議標記。

首先，是這項主張中格外可查證的部分

發布基準測試通常是一張分數表，分數來自廠商挑選的基準測試，並與廠商挑選的模型相比，卻未說明雙方各投入多少算力。Inception 做了更罕見的事：它固定了 token 量與步數。「相同的 token 量與相同的代理步數」是一項關於實驗控制的陳述，而這很重要，因為快速模型在代理基準測試中取巧的最常見方式，就是進行更多次嘗試。若 Mercury 3 確實與 GPT-6.1 Sol 的步數和 token 量相同，卻仍完成更多任務，那麼差異就在於模型用每一步做了什麼，而不在於它獲得了多少步。

這項主張仍欠缺的是：

• GPT-6.1 Sol 的絕對完成率。「顯著更多」相對於一個未明說的數字，並不是你能據以定價的結果。

• 通過標準。Mind2Web 的各項任務在「導航要多嚴格才算完成」上有所不同，而且這套測試框架是 Inception 的，並非公開版本。

• 第二次執行。五十個任務的規模夠小，只要少數幾個結果翻轉，百分比就會變動好幾個百分點。

• 任何在具有已公開基準線的基準測試上的分數，這就是為什麼 Artificial Analysis 排行榜至今仍完全無法將 Mercury 3 排入名次

TinyFish AI 的 Shuhao Zhang 針對這項結果受訪引述，而這段引述是客戶見證，而非獨立重現。這在新品發布時很常見，也值得如實點明，因為這個 50% 的數字將會流傳數月，而附帶的限定說明卻不會跟著它一起流通。

價目表，這才是案件真正有力之處

價格差距並非微不足道，也不取決於任何人的測試框架。Mercury 3 的牌價為每百萬輸入 token 0.20 美元、每百萬輸出 token 0.70 美元，快取輸入為 0.02 美元。在上市推廣期間，Inception 只收取一半費用：輸入 0.10 美元、快取 0.01 美元、輸出 0.35 美元。GPT-6.1 Sol 的牌價為輸入 2.00 美元、快取 0.10 美元、快取寫入 2.50 美元、輸出 10.00 美元。按牌價計算，Mercury 3 的輸出費率是 GPT-6.1 Sol 的十四分之一；在上市折扣期間則是二十八分之一。

假設有一個瀏覽器代理程式執行四十個步驟，每一步送出 12,000 個輸入 token，並產生 400 個輸出 token。那麼整趟執行下來就是 480,000 個輸入 token 和 16,000 個輸出 token，全部皆未快取，這是較便宜模型的悲觀情況：

• GPT-6.1 Sol — 輸入費用 $0.96（每百萬 $2.00），加上輸出費用 $0.16（每百萬 $10.00）：每次執行約 $1.12

• Mercury 3 按定價計 — 輸入 $0.096 加上輸出 $0.011，以每百萬 $0.70 計算：每次執行約 $0.107，或便宜 10.4 倍

• Mercury 3 以啟動費率計算——$0.048 加 $0.006：每次執行約 $0.054，或便宜約 21 倍

現在把完成率也加上去。如果 Mercury 3 完成 100 個任務中的 50 個，而 GPT-6.1 Sol 完成某個較小的數量，那麼每次運行節省的成本只有在完成的運行上才會實現。一個每步便宜十倍的模型，即使完成頻率只有三分之二，每個已完成任務的成本仍然更低，而這才是應該放在儀表板上的數字。但在 50 個任務時，還沒有人知道第二個比率。

有兩項成本細節比表面數字更重要，而且很容易被忽略。GPT-6.1 Sol 的快取輸入價格為 $0.10，是 Mercury 3 的 定價 輸入價格的一半，卻也是其快取價格的二十倍，因此面對長時間且穩定的系統提示，GPT-6.1 Sol 的快取機制能縮小部分差距——但僅限於輸入端，而代理迴圈的花費主要落在輸出端。此外，當輸入 token 超過 272,000 時，GPT-6.1 Sol 會對整個請求重新計價：輸入與快取為 2 倍，輸出為 1.5 倍。這個斷崖正好是冗長代理對話紀錄會落入的區間，而 Mercury 3 的 1M token 視窗未公布長提示附加費，在同一情境下是一項結構性優勢。

GPT-6.1 Sol 擁有而 Mercury 3 沒有的：一份實測紀錄

上述全部內容都是與價目表及一家供應商測試所做的比較。獨立排行榜則是另一回事，而且上面只有這些模型的其中一個。

• 智慧指數 — Mercury 3 未列入；根據 Artificial Analysis 於 2026 年 10 月 20 日的資料，GPT-6.1 Sol 在最大推理努力下為 51.8

• 每項索引任務成本 — Mercury 3 未測量；GPT-6.1 Sol 為 $0.72，而排行榜中位數遠高於此

• Terminal-Bench 4.0 — Mercury 3 未測量；GPT-6.1 Sol 0.5606

• SciCode — Mercury 3 未測量；GPT-6.1 Sol 0.5417

• Humanity's Last Exam — Mercury 3 未測量；GPT-6.1 Sol 0.5292

• AA-LCR 長上下文推理 — Mercury 3 未測量；GPT-6.1 Sol 0.83

• GDPval-AA，具經濟價值的知識工作 — Mercury 3 未測量；GPT-6.1 Sol Elo 1593.85

• AA-Omniscience — Mercury 3 未測量；GPT-6.1 Sol 41.5

• 上下文與輸出 — Mercury 3 輸入 1,000,000 / 輸出 131,072；GPT-6.1 Sol 輸入 1,050,000 / 輸出 128,000

• 權重 — 兩者皆為封閉；兩者都不提供檢查點

• 模態 — 兩者皆支援文字；GPT-6.1 Sol 亦接受圖片與檔案

最後那一行對某些團隊而言，是最不吸睛卻最具決定性的差異。GPT-6.1 Sol 接受影像與檔案輸入。Mercury 3 自家文件將支援格式列為文字。如果你的代理必須讀取螢幕截圖、PDF 或掃描發票，那麼無論價格如何，比較到此為止，再多的每秒 token 數也改變不了這一點。

推理階梯的形狀也不相同。Mercury 3 提供 instant、low、medium 和 high，溫度可調範圍為 0.5 到 1.0。GPT-6.1 Sol 提供 low、medium、high、xhigh 和 max，且完全不再接受 no-reasoning 設定。帶有「instant」這一階的模型，做出的是不同的產品承諾：它在告訴你，有些請求不該思考，並且會據此向你收費。這是真正的設計差異，而它在單一的智能分數中看不出來。

每個模型分別適合什麼情況

當工作負載受延遲限制、僅處理文字，且每一步的成本主導預算時，Mercury 3 就是正確的選擇：瀏覽器導航、聊天客服、即時家教、大量且類近分類的工作，以及任何人類或另一個系統在每一輪都得等待回應的迴圈。100 萬上下文與 131,072 個 token 的輸出上限，適合冗長的代理對話逐字稿；而「即時」層級則適用於那些不該進行思考的請求。風險在於，尚無獨立評測機構對它評分，因此它目前的品質範圍仍只是廠商的一面之詞。

當工作需要視覺或檔案輸入、當你需要在投入流量前先有可衡量的能力下限、當你想要超越「high」層級的推理階梯，或者當 272,000 個 token 的要求屬於例外而非常態時，GPT-6.1 Sol 就是正確選擇。它的每項索引任務成本是榜上最佳之一，而這正是論點的另一半：每個 token 便宜和每項完成工作便宜是兩種不同的說法，而 GPT-6.1 Sol 正是有公布第二個數字的那一個。

實務上的錯誤，是把這件事當成贏家全拿的選擇。Mercury 3 並不在 OrcaRouter 上——它是透過 Inception 自家的 API 與幾個第三方平台提供——而 GPT-6.1 Sol 則在 OrcaRouter 上，以 OpenAI 的定價、0% 加價，所以你支付的是供應商自家的價目表，而不是加價後的同類價格。這讓分流測試的成本很低：讓 GPT-6.1 Sol 留在正式環境路徑上，把 Mercury 3 放在供應商 API 後面、承接一部分流量，並比較每美元完成的任務數，而不是每秒 token 數。如果這部分流量撐得住，就把對延遲敏感的步驟移過去；如果撐不住，你只損失一週和一小筆帳單。自動容錯移轉最重要的時刻，正是在這個窗口：當一個剛推出一天的模型還在試用，而一個經過實測的模型正在承擔負載。

「什麼能解決這件事？」

三件事，依它們對答案的影響程度由大到小排列：

• Mercury 3 的 Artificial Analysis 條目。一個指數數值，加上每項任務的一項成本，就能取代本文中的每一項估算。在它存在之前，「沒有獨立評分」才是正確的狀態，而不是「未經證實」，也不是「前沿級」。

• GPT-6.1 Sol 在同樣 50 項任務上的完成率，或由非 Inception 的人公開重跑該測試框架。受控 token 的主張是良好的方法論；但它還不是其他人可以檢視的結果

• 關於擴散輸出如何計費的公開說明。Mercury 3 會平行生成 token，並分多個階段加以精煉，而 Inception 的文件並未說明去噪的各個階段是否計入計費的輸出 token。若不計入，實際的成本優勢就會比價目表所顯示的更大；若計入，則每秒 1,068 個 token 屬於吞吐量數據，而非計費數據。

在那之前，站得住腳的立場既狹窄又實用：在這場對比中，Mercury 3 是便宜一個數量級的最快文字模型，依據的是至少旨在控制投入程度的廠商測試，具備 100 萬 token 視窗，且沒有獨立評分。GPT-6.1 Sol 則是更昂貴、更慢、經過實測的模型，還能讀取圖像，並公布了每完成一項任務的成本。對於承擔不起出錯的工作，就買後者；對於等待本身就是實際成本的工作，就試用前者。