Как сообщает The Decoder, стартап Inception представил Mercury 3 и называет его самой мощной из выпущенных диффузионных языковых моделей. Обычные модели вроде GPT и Claude пишут текст слово за словом, и каждая следующая единица ждёт предыдущую. Диффузионные модели, известные по генерации изображений, сначала набрасывают черновик всего ответа целиком, а затем уточняют его за несколько проходов, генерируя сразу много слов.
По собственным замерам Inception, Mercury 3 выигрывает восемь из 12 бенчмарков у GPT-6 Luna и Claude Haiku 5.5 — все модели работали на средних настройках. Наибольший отрыв — в следовании инструкциям (IFBench: 76,84 балла, на 15 больше, чем у GPT-6 Luna) и в автономном программировании (SWE-Bench Atlas: 51,08 балла против 33,33 и 32,26 у конкурентов). При этом Claude Haiku 5.5 выигрывает более длинный тест DeepSWE и лучше ищет информацию в длинных текстах, а GPT-6 Luna впереди в двух тестах Artificial Analysis — сам Inception в кратком описании осторожно называет качество Mercury 3 «на уровне или выше».
Главный аргумент Mercury 3 — скорость: по данным Inception, модель выдаёт 1 068 токенов (фрагментов текста) в секунду на GPU Nvidia против примерно 240 у Claude Haiku 5.5 и 130 у GPT-6 Luna, независимых тестов пока нет. Параметров у модели более чем в 40 раз больше, чем у Mercury 1, но работает она так же быстро, а качество выросло втрое по сравнению с компактной Mercury 1 mini; точное число параметров не раскрыто. В Inception видят в этом признак того, что диффузионные модели надёжно улучшаются при масштабировании — как и обычные языковые модели.
Целевые сценарии — те, где задержки накапливаются: ИИ-агенты, поиск, клиентская поддержка и обучение. «На умных очках ответ за пять секунд ощущается как поломка», — говорит основатель Octen AI Куань Цзоу, чья компания делает поиск для умных очков и раньше упиралась именно в языковую модель: с Mercury 3 медианный ответ приходит за 0,9 секунды, весь процесс занимает 2,2 секунды. Образовательная General Learning выдаёт ученикам подсказки и исправления примерно за секунду, сервис клиентской поддержки Lorikeet отчитался о более быстрых ответах и лучших результатах, а TinyFish AI решила с Mercury 3 25 из 50 навигационных задач на реальных сайтах, обойдя GPT-6.1-Sol.
Обычная цена — $0,20 за миллион входных и $0,70 за миллион выходных токенов, на старте цены снижены вдвое, но срок скидки не назван. После её окончания выходные токены обойдутся дороже, чем у конкурентов при коротких запросах (те берут $0,50), зато на очень длинных промптах GPT-6 Luna и Claude Haiku 5.5 стоят значительно больше, а Mercury 3 принимает до миллиона токенов за раз. Модель доступна на платформе Inception, а также через OpenRouter, Baseten и Vercel и использует тот же API, что и модели OpenAI, так что разработчикам несложно переключиться.
В феврале Inception уже выпускала Mercury 2 — по её словам, первую диффузионную модель, которая рассуждает через промежуточные шаги перед ответом. Ранее стартап привлёк $50 млн от NVentures, M12 и Snowflake Ventures — венчурных фондов Nvidia, Microsoft и Snowflake. Похожим направлением занимается и Google: вслед за демо Gemini Diffusion в июне компания представила открытую DiffusionGemma, которая работает до четырёх раз быстрее стандартной Gemma 4, но показывает чуть более слабые результаты.
