Mercury 3 對決 Grok 4.7：是兩個時鐘，而非兩個模型

問問Mercury 3和Grok 4.7有什麼共同點，答案是一個時鐘。兩者都以完成一項工作需要多久作為賣點，但對這件事的意思卻相反。Mercury 3 由 Inception 於 2026 年 10 月 19 日發布，設計目標是在不到一秒內給出答案：一款在 NVIDIA GPU 上每秒生成 1,068 個 token 的擴散模型、100 萬 token 的上下文視窗，以及四種推理設定，其中最快的一檔稱為「instant」。Grok 4.7 由 SpaceXAI 於 2026 年 9 月 21 日發布，設計目標是持續工作：50 萬 token 的上下文視窗、最高到 xhigh 的推理階梯，以及一項獨立測量顯示，它為了完成 Artificial Analysis Intelligence Index 消耗了約 2.4 億個輸出 token，每項任務成本為 3.74 美元。一款模型把延遲當作產品。另一款把持續時間當作產品。用單一分數線比較兩者，會錯過唯一真正重要的問題——你的工作負載實際上跑在哪一個時鐘上。分流策略的兩端可以共用同一把金鑰，並由自動容錯移轉接住慢速路徑。像這類發布背後的已記錄 AI 故障與代理事件，都收錄在OrcaRouter AI Incident Archive中，每一條紀錄都附有自己的來源、嚴重程度、可信度等級與爭議標記。

這兩個時鐘，定價

先從費率卡上寫的內容開始，因為差異大到足以改變你能打造的東西：

• 輸入 — Mercury 3 每 1M 定價 $0.20（推出時為 $0.10），對比 Grok 4.7 每 1M $2.00

• 輸出 — Mercury 3 每 100 萬 $0.70（定價，上市時 $0.35）對比 Grok 4.7 每 100 萬 $6.00

• 快取輸入 — Mercury 3 每百萬 $0.02（上線時 $0.01），對比 Grok 4.7 每百萬 $0.50

上下文 — 1,000,000 個 token 對比 500,000

• 單次回應的最大輸出 — 131,072 個 token，對比供應商未公布上限；我們自己的 grok-4.7 規格卡列出 450,000

• 輸入模態——僅文字 vs 文字與圖片

• 推理設定 — 即時、低、中、高 對比 低、中、高、xhigh

• 輸送量 — 每秒 1,068 個 token，廠商回報值 vs 廠商未公布

• 長請求重新定價 — 未公布任何方案，對比超過 200,000 個輸入 token 後所有費率加倍，並套用於整個請求

• 權重 — 兩側皆已關閉

光看輸出費用那一行，Mercury 3 在 Grok 4.7 旁邊看起來就像個四捨五入的誤差：$0.70 對上 $6.00，或是在首發期間的 $0.35。再看快取那一行，差距不但沒有縮小，反而更大，因為 $0.02 對上 $0.50 就是二十五倍，不管折扣多少都一樣。這種組合——便宜的輸出加上幾乎免費的快取讀取——正是讓高頻迴圈變得可負擔的關鍵，而這顯然就是這款模型被打造時所瞄準的設計目標。

但價目表只是成本的一半。Grok 4.7 本身的設計假設是，難題值得進行漫長的推理過程，而獨立排行榜顯示，當問題夠難時，這要付出什麼代價：每完成一項索引任務要 3.74 美元，相較之下 GPT-6.1 Sol 為 0.72 美元，而且在同一排行榜上，完全沒有 Mercury 3 的項目。Grok 4.7 花費 token 來思考。Mercury 3 每個 token 幾乎不花錢，並承諾快速思考。這些不是互相競爭的主張；它們是互相競爭的預算。

一次漫長的推理究竟能換來什麼

Grok 4.7 並不是一款「變慢了」的快速模型。它是一項刻意的押注：數小時計的長時間工作——代理式編碼迴圈、文件密集的分析、專業交付成果——會青睞能夠持續推進的模型；而獨立評測結果顯示，這項押注是在特定領域獲得回報，而非全面奏效。

• GDPval-AA，具經濟價值的知識工作 — Grok 4.7 Elo 1711.07，在此比較的模型中排名第二高，並領先 GPT-6.1 Sol 的 1593.85

• SciCode — 0.5741，領先 GPT-6.1 Sol（0.5417）與 Qwen3.8 Max（0.5208）

• HLE — 0.4314

• AA-LCR 長上下文推理 — 0.7667

• Terminal-Bench 4.0 — 0.2576，其所在欄中最弱的數字

• AutomationBench — 0.6556，是本系列四款模型中最強的一款

• 智慧指數 — 46.4（xhigh 設定），根據 Artificial Analysis

• 每項索引任務的成本 — $3.74

那個特性概況——擅長知識工作與自動化，但在終端機風格的程式編寫上偏弱——並不是通用型旗艦模型的概況，而且知道這件事比知道排名更有用。一個會執行長時間自主程式編寫工作階段、並為此選擇 Grok 4.7 的團隊，是在違背自己的測量結果來做選擇。

Mercury 3 沒有可相比的欄位。Inception 公開的證據性質不同：在其自家測試框架中進行的 50 項 Mind2Web 導航測試，完成了 50% 的任務，另有來自 TinyFish AI、RevisionDojo、Octen AI 和 Lorikeet 的合作夥伴推薦語。截至 2026 年 10 月 20 日，它尚未收錄於 Artificial Analysis，這意味著本文中關於 Mercury 3 在速度與價格之外的所有能力聲明，都是廠商自述且未經重現。這不是否定它的理由——一個問世九天、尚無獨立評分的模型是正常狀態，而早期報導正是本部落格旨在發布的內容。這是把兩個欄位維持不同標示的理由。

三種工作負載，三種答案

支援佇列或語音代理。每一毫秒都代表一位正在等待的客戶，而模型必須便宜到能在每則訊息上運行。就公布的數字來看，Mercury 3 在這方面勝出：每秒 1,068 個 token、輸出牌價 $0.70、快取輸入 $0.02，還有完全略過推理的「instant」層級。Grok 4.7 能做這項工作，但在輸出 $6.00、預設跑一輪推理的情況下，等於為對話根本不需要的審慎思考付費。這正是 Inception 打造此模型所針對的情境，而合作夥伴的引述全都來自這類產品形態。

一個可連續運作數小時的程式編寫或研究代理。這項工作會在無人值守的情況下執行，對話記錄會增長到超過數十萬個 token，而模型必須在許多步驟中維持一項計畫。在此，Grok 4.7 的 500K 視窗、xhigh 推理以及經實測的知識工作能力是相關特點，而 Mercury 3 的 1M 視窗則是相關的反方論點：空間更大、每個 token 便宜得多，但尚無證據顯示它能在長遠跨度中維持計畫。另請注意，只要輸入 token 超過 200,000，Grok 4.7 就會將整個請求的所有費率加倍，而 Mercury 3 並未公布長請求附加費。在真正冗長的對話記錄上，名目上 8.6× 的輸出差距可能縮小到 5× 以下——而這正是 Mercury 3 缺乏基準測試結果開始造成不利的區間，因為成本優勢恰好出現在其能力最未經證實之處。

任何必須讀取影像的工作。 Grok 4.7 接受影像。Mercury 3 的文件將文字列為其唯一支援的格式。這不是價格問題，再多的每秒 token 數也無法回答。

同時執行兩者、而非從中擇一的原因

這種分界異常乾淨，因為這兩個模型失誤的方向不同：Mercury 3 便宜且未經測量，Grok 4.7 昂貴且經過測量，而它們的模態與推理範圍幾乎不重疊。這是路由問題的輪廓，而不是採購決策。

Grok 4.7 已在 OrcaRouter 上以 SpaceXAI 的定價、0% 加價提供，包括超過 200K 的雙倍費率，因此嘗試一項策略的成本，與直接呼叫供應商相同。Mercury 3 不在路由器上；它是透過 Inception 自家的 API 與數個第三方平台提供，且推出才九天。路由 DSL 在此證明其價值，而這種情況並不常見：將即時通道請求——短提示、嚴格延遲預算、不含圖片——送往 Mercury 3，把一切需要視覺或 xhigh 推理的內容留在 Grok 4.7，並讓自動容錯移轉接住新模型佇列回堵的情況。這套策略可以表達；支持它的證據，將由下個月的流量提供。

在調動預算前該留意什麼

有兩個訊號會改變這項比較，而兩者都很具體。

• Artificial Analysis 上的 Mercury 3 條目。只要有一個 Intelligence Index 分數和一個每項任務成本數字，就能告訴你這個便宜快速的模型在知識工作上是否已足夠接近 Grok 4.7，值得將實際流量導向它。少了這項資訊，每秒 1,068 個 token 就只是輸送量的事實，而非能力上的宣稱。

• Grok 4.7 在你自身工作負載上的 token 消耗。那筆 2.4 億 token 的索引執行是合成基準測試；支援佇列和編碼代理所消耗的 token 量差異很大。在假設 $6.00 費率決定你的帳單之前，先在一週具代表性資料上衡量每項已完成任務的輸出 token 數。

同時，該忽略的是任何把這兩個模型放在同一排行榜欄位、卻未註明其中一款從未上榜的比較。Mercury 3 的有趣之處不在於它快——Inception 推出快速擴散模型已有一年——而在於它擁有 1M 視窗仍很快，且價格讓每次請求的經濟成本變得微不足道。Grok 4.7 的有趣之處不在於它登上排行榜榜首，因為它並沒有；而在於它是這組模型中最擅長自動化的一款，並以 token 用量作為代價。這些是不同的產品，而它們該跑幾個才對，答案大概不是一個。