Mercury 3 של Inception: מודל שפה diffusion במהירות של יותר מ-1,000 טוקנים לשנייה. מה לבדוק לפני שמכניסים אותו
Inception Labs אומרת ש-Mercury 3 מנצח את GPT-6 Luna ו-Claude Haiku 5.5 ב-benchmarks במהירות של פי 4-8, עם הקשר של מיליון טוקנים ו-$0.20/$0.70 למיליון טוקנים. מה פוסט ההשקה טוען, מה לא מאומת, ואיך לבדוק את זה לחביון סוכנים.
Inception Labs אומרת שמודל השפה החדש מסוג diffusion שלה, Mercury 3, מתאים או מנצח את GPT-6 Luna ו-Claude Haiku 5.5 על מגוון benchmarks תוך ריצה מהירה פי 4 עד 8. אם זה מחזיק לעומס העבודה שלכם, זה משנה בעיקר לסוכנים וקול, שם כל קריאת מודל מוסיפה זמן המתנה. כל המספרים למטה באים מ-Inception, ולא הרצתי את המודל.
המאמר הזה מסכם את פוסט ההשקה מ-19 באוקטובר, Diffusion at Scale: Introducing Mercury 3. מצאתי אותו דרך ניוזלטר TLDR AI של 20 באוקטובר ואז קראתי את הפוסט הראשוני. לא בדקתי benchmarks עצמאיים, תיעוד API או עמוד התמחור.
מה Inception טוענת
מהפוסט:
- איכות. "בשוויון או טוב יותר מ" מודלים חזיתיים ממוטבי-מהירות כמו GPT-6 Luna ו-Claude Haiku 5.5.
- מהירות. 1,068 טוקנים לשנייה על GPUs של NVIDIA, מה שהפוסט מתאר כמהיר פי 4 עד 8 מהמודלים האלה.
- הקשר. מיליון טוקנים, עלייה מ-260K ב-Mercury 2.5.
- מחיר. $0.20 למיליון טוקני קלט ו-$0.70 למיליון טוקני פלט. בהשקה זה 50% הנחה, ב-$0.10 ו-$0.35. טוקנים מ-cached הם 90% הנחה ממחיר הקלט.
- סקייל. Inception אומרת ש-Mercury 3 גדול יותר מפי 40 מ-Mercury 1, ושחוקי סקייל שנראים במודלים אוטורגרסיביים גם מחזיקים ל-diffusion. זו טענת מחקר מהספק. הפוסט לא מפרסם את הנתונים מאחוריה בטקסט שקראתי.
הפוסט לא מכנה את ה-benchmarks הספציפיים בסיכום שקראתי, אז אני לא יכול להגיד לכם אילו משימות "מגוון benchmarks" מכסה.
למה diffusion משנה לחביון
LLM טיפוסי מייצר טוקן אחרי טוקן. מודל שפה מסוג diffusion, כפי ש-Inception ממסגרת את זה, מזקק פלט במעברים מקבילים, ומשם טענת המהירות באה. אני מתאר את המיסגור של הספק, לא מסביר את הפנימיות של המודל, שהפוסט לא מפרט.
לסוכנים האפקט הוא אריתמטיקה פשוטה. סוכן שמחכה למודל בכל צעד מצבר עיכובים קטנים. Inception טוענת את אותה נקודה לגבי סוכני שימוש-בדפדפן.
ראיות לקוחות בפוסט
הפוסט כולל ציטוטים משותפי גישה מוקדמת. הם המלצות, לא הערכות עצמאיות:
- TinyFish AI אומרת שעל 50 משימות ניווט Mind2Web חיות ב-harness של סוכן ה-web שלה בפרודקשן, Mercury 3 השלים 50% מהן, "משמעותית יותר" מ-GPT-6.1-Sol, עם אותו נפח טוקנים וצעדי סוכן.
- RevisionDojo אומרת שרמזים ותשובות מסומנות חוזרים בבערך שנייה, וש-Mercury 3 הייתה החלפה plug-and-play.
- Octen AI אומרת שבבדיקות שלה ל-Mercury 3 היה זמן יצירה חציוני של 0.9 שניות ותגובה חציונית מקצה לקצה של 2.2 שניות, האיזון הטוב ביותר מבין המודלים המהירים שהיא בדקה.
- Lorikeet אומרת שבבדיקה מוקדמת Mercury 3 ניצח מודלים אחרים בחביון תוך ציון גבוה יותר ב-evals ובפרודקשן.
אלה ארבע חברות שמתארות את הבדיקות שלהן, כל אחת מצוטטת בפוסט ההשקה של הספק. חמישים משימות זה מדגם קטן לשיעור הצלחה.
זמינות
לפי הפוסט, Mercury 3 זמין בפלטפורמת ה-API של Inception ודרך OpenRouter, Baseten ו-Vercel, והוא תואם OpenAI API. Inception מציעה 100 מיליון טוקנים חינם לנסות את ה-API, מה שלא אימתתי. היא גם מפרטת את Mercury Voice ו-Mercury Decide, מודל סיווג, כחלק מקו מוצרי זמן אמת.
מה הייתי בודק
אלה הצעות שלי שלא נבדקו.
1. ה-eval שלכם, לא שלהם. הריצו את סט המשימות שלכם מול המודל המהיר הנוכחי שלכם ו-Mercury 3. השוו דיוק קודם, ואז חביון.
2. מדדו מקצה לקצה, לא טוקנים לשנייה. זמן לטוקן ראשון וזמן תגובה כולל לגדלי הפרומפט שלכם משנים יותר מ-throughput שיא. הפער של Octen בין 0.9 שניות יצירה ל-2.2 שניות מקצה לקצה הוא תזכורת.
3. בדקו הקשר ארוך. חלון של מיליון טוקנים הוא טענה על קיבולת. בדקו איכות באורכים שאתם משתמשים בהם.
4. בדקו קריאת כלים ופלט מובנה. סוכנים תלויים באלה. סיכום הפוסט לא מכסה אותם.
5. תמחרו את התערובת האמיתית שלכם. תמחור ההשקה הוא חצי. חשבו עלות בתעריפים הרגילים של $0.20 ו-$0.70, עם ובלי caching.
6. בדקו שמירת נתונים ותאימות אם אתם בתחום מווסת. הפוסט אומר שלתוכניות ארגוניות יש שמירה ניתנת להגדרה. לא קראתי את התנאים.
מה לא הייתי מסיק
- שמודלי diffusion עכשיו מנצחים מודלים אוטורגרסיביים בכלל. הטענה מוגבלת למודלים ממוטבי-מהירות על ה-benchmarks ש-Inception בחרה.
- שבדיקת שותף של 50 משימות מנבאת את שיעור ההצלחה שלכם.
- שהמהירות מחזיקה על החומרה שלכם או דרך כל ספק. נתון ה-1,068 טוקנים לשנייה מוצהר ל-GPUs של NVIDIA.
שאלות נפוצות
מהו Mercury 3?
מודל שפה גדול מבוסס diffusion מ-Inception Labs, שהושק ב-19 באוקטובר 2026, לפי פוסט החברה.
כמה מהר הוא?
Inception מדווחת על 1,068 טוקנים לשנייה על GPUs של NVIDIA ופי 4 עד 8 מהמהירות של GPT-6 Luna ו-Claude Haiku 5.5.
כמה הוא עולה?
$0.20 למיליון קלט ו-$0.70 למיליון טוקני פלט, עם הנחת השקה של 50% ו-90% הנחה על קלט מ-cached, לפי הפוסט.
מה חלון ההקשר?
מיליון טוקנים, עלייה מ-260K ב-Mercury 2.5.
איפה אפשר להשתמש בו?
פלטפורמת ה-API של Inception, OpenRouter, Baseten ו-Vercel, לפי הפוסט. הוא מתואר כתואם OpenAI API.
האם תוצאות ה-benchmark עצמאיות?
לא בפוסט שקראתי. ההשוואות וציטוטי השותפים באים מ-Inception.
האם הוא טוב לסוכנים?
הוא עשוי להתאים לסוכנים רגישי-חביון, שהוא השימוש ש-Inception מדגישה. בדקו קריאת כלים ודיוק על המשימות שלכם לפני שאתם מסתמכים עליו.
מקורות
- Inception Labs, Diffusion at Scale: Introducing Mercury 3 (19 באוקטובר 2026): כל טענות המודל, המחיר והשותפים.
- ניוזלטר TLDR AI, 20 באוקטובר 2026: הפניית גילוי בלבד.
קריאה נוספת
- Muse Wonder של Meta בנוי לסוכנים. מה מספרי ההשקה אומרים, ומה לבדוק לפני שעוברים
Meta שחררה את Muse Wonder ו-Muse Wonder Full ב-12 באוקטובר כמודלים לסוכנים אישיים ומקצועיים. הנה מה Meta, Artificial Analysis ו-CNBC מדווחים על גישה, תמחור וציונים, ותוכנית בדיקה קצרה לבונים.
- TorchTPU בקוד פתוח: מה גוגל ומטא אומרות שהרצת PyTorch נייטיב על TPUs נראית ככה
גוגל ומטא שחררו את TorchTPU, backend נייטיב של PyTorch ל-TPUs, ב-20 באוקטובר. מה ההכרזות טוענות על eager mode, torch.compile, כיסוי מודלים ואינטגרציות vLLM, SGLang ו-Hugging Face, בתוספת המגבלות שפוסט PyTorch מודה בהן.
- Agent Skills עובר ל-Agentic AI Foundation: מה התרומה משנה לבונים
Anthropic תרמה את תקן הקוד הפתוח Agent Skills ל-Agentic AI Foundation של קרן Linux ב-22 באוקטובר, לצד Open Responses, OpenEnv ו-OpenSandbox. מה ההכרזות אומרות, מה עדיין roadmap, ומה לבדוק לפני שאתם מסתמכים על זה.
יומן הבנייה
לעקוב אחרי העבודה.
מאמרים ואבטיפוסים חדשים, ישר לקורא ה-RSS שלכם. מנויי המייל בהשהיה זמנית, עד שאחבר שירות משלוח עובד. לא נאסף כאן אימייל.
עקבו ב-RSS