Ένα συνηθισμένο chatbot γράφει την απάντησή του όπως ένας άνθρωπος που πληκτρολογεί: μία λέξη, μετά την επόμενη. Το Mercury 3 της Inception κάνει κάτι άλλο. Ξεκινά από ένα πρόχειρο ολόκληρης της απάντησης και το διορθώνει παντού ταυτόχρονα. Έτσι, σύμφωνα με την εταιρεία, βγάζει 1.068 tokens το δευτερόλεπτο σε κάρτες γραφικών της Nvidia. Token είναι το μικρό κομμάτι κειμένου, συχνά μέρος μιας λέξης, με το οποίο μετρούν την έξοδο τα γλωσσικά μοντέλα.
Το νέο μοντέλο έχει επίσης παράθυρο συμφραζομένων 1 εκατομμυρίου tokens. Αυτό είναι ο όγκος κειμένου που μπορεί να λάβει υπόψη σε μία συνομιλία. Ο Stefano Ermon της Inception έγραψε στο X ότι πρόκειται για «με διαφορά το πιο ισχυρό μας μοντέλο και το πιο έξυπνο diffusion LLM που έχει κυκλοφορήσει ποτέ».
Πρόχειρο αντί για λέξη προς λέξη
Τα περισσότερα γνωστά μοντέλα, από το ChatGPT ως το Claude, είναι αυτοπαλίνδρομα: κάθε νέο token περιμένει να γραφτεί το προηγούμενο. Η τεχνική diffusion, γνωστή κυρίως από τα εργαλεία παραγωγής εικόνας, δουλεύει με διαδοχικά περάσματα πάνω σε όλο το αποτέλεσμα. Λιγότερα βήματα το ένα μετά το άλλο σημαίνουν ταχύτερη απάντηση στο ίδιο υλικό.
Το ερώτημα ήταν αν η μέθοδος αντέχει όταν τα μοντέλα μεγαλώνουν. Η Inception απαντά ναι. Δεν αποκαλύπτει πόσες παραμέτρους έχει το Mercury 3, λέει όμως ότι είναι πάνω από 40 φορές μεγαλύτερο από το Mercury 1, που βγήκε το 2025. Η μέση επίδοση στα συνηθισμένα benchmarks περίπου τριπλασιάστηκε, ενώ η ταχύτητα έμεινε πάνω από τα 1.000 tokens το δευτερόλεπτο. Ενδιάμεσα είχαν προηγηθεί το Mercury 2 και το Mercury 2.5, το οποίο έφερε ρυθμιζόμενο βάθος συλλογισμού και παράθυρο 260.000 tokens.
Μεγάλες νίκες στον κώδικα, αδυναμίες στα μεγάλα κείμενα
Όλοι οι αριθμοί προέρχονται από πίνακα της ίδιας της Inception, με όλα τα μοντέλα σε μεσαίες ρυθμίσεις. Ανεξάρτητη αξιολόγηση δεν υπάρχει ακόμη. Απέναντι στα GPT-6 Luna της OpenAI και Claude Haiku 5.5 της Anthropic, το Mercury 3 προηγείται σε 8 από τα 12 τεστ.
Η μεγαλύτερη διαφορά εμφανίζεται στο SWE-Bench Atlas, ένα τεστ προγραμματισμού για agents, δηλαδή συστήματα που εκτελούν εργασίες μόνα τους. Εκεί το Mercury 3 πιάνει 51,08, ενώ το Luna 33,33 και το Haiku 5.5 32,26. Στο IFBench, που μετρά πόσο πιστά ακολουθεί ένα μοντέλο οδηγίες, φτάνει τα 76,84, 15 μονάδες πάνω από το Luna. Στο GPQA Diamond, με δύσκολες επιστημονικές ερωτήσεις, γράφει 89,23.
Τις ήττες τις δείχνει επίσης ο ίδιος πίνακας. Το Haiku 5.5 κερδίζει στο DeepSWE v1 (51,62 έναντι 46,31) και στο MRCR v2 (78,40 έναντι 75,50). Το Luna περνά μπροστά στο AA-Omniscience-Public και στο AA-LCR v1.1, με μικρές διαφορές. Όπως σημειώνει το MarkTechPost, οι αδύναμες πλευρές του μοντέλου είναι η ανάκτηση πληροφοριών από πολύ μεγάλα κείμενα και οι πιο εκτενείς εργασίες κώδικα.
Γυαλιά, φροντιστήρια και εξυπηρέτηση πελατών
Η Inception παραθέτει τέσσερις πελάτες που είχαν πρόωρη πρόσβαση. Είναι δηλώσεις πελατών, όχι μετρήσεις τρίτων. Η TinyFish έβαλε το μοντέλο σε 50 πραγματικές εργασίες πλοήγησης στο διαδίκτυο και αυτό ολοκλήρωσε τις μισές. Η Inception λέει ότι έτσι ξεπέρασε το GPT-6.1-Sol, χωρίς να δίνει το σκορ του. Η Octen AI αναφέρει 0,9 δευτερόλεπτα διάμεσο χρόνο παραγωγής για αναζήτηση σε έξυπνα γυαλιά. Η RevisionDojo λέει ότι οι υποδείξεις προς τους μαθητές επιστρέφουν σε περίπου ένα δευτερόλεπτο.
Το μοντέλο διατίθεται μόνο μέσω API, χωρίς ανοιχτά βάρη, στην πλατφόρμα της Inception, στο OpenRouter, στο Baseten και στο Vercel. Η τιμή καταλόγου είναι 0,20 δολάρια ανά εκατομμύριο tokens εισόδου και 0,70 δολάρια ανά εκατομμύριο tokens εξόδου. Στην αρχή ισχύει έκπτωση 50%, δηλαδή 0,10 και 0,35 δολάρια. Οι νέοι λογαριασμοί παίρνουν 100 εκατομμύρια tokens δωρεάν.
Μαζί κυκλοφόρησαν δύο εξειδικευμένα αδέλφια. Το Mercury Voice φτιάχτηκε για φωνητικούς βοηθούς, όπου μετρά πόσο γρήγορα ακούγεται η πρώτη λέξη της απάντησης. Το Mercury Decide είναι μοντέλο ταξινόμησης.
