Mercury 3 wuchs um mehr als das 40-Fache und hielt 1.000 Tokens pro Sekunde – die Skalierung ist die Geschichte

Inception Labs veröffentlichte Mercury 3 am 19. Oktober 2026, und die Zahl, bei der Sie innehalten sollten, ist nicht 1.068 Token pro Sekunde. Es sind vierzig. Mercury 3 ist nach Inceptions eigener Darstellung mehr als 40-mal so groß wie Mercury 1 bei den Gesamtparametern und läuft immer noch mit über 1.000 Token pro Sekunde – dieselbe Durchsatzklasse, die das Unternehmen seit seinem ersten Modell verkauft. Alle, die über den Launch berichten, haben mit der Geschwindigkeitszahl begonnen. Die Geschwindigkeitszahl war bereits vor zwei Generationen Mercurys Verkaufsargument. Neu ist, dass Mercury 3 ein Diffusions-Sprachmodell ist, dem zwei Größenordnungen Skalierung verpasst wurden, ohne dass die Dekodiergeschwindigkeit wie üblich einbrach – und das ist die Behauptung, die es zu prüfen gilt. In diesem Beitrag geht es um die Skalierung, darum, was Inception nach eigener Aussage damit erkauft hat, und darum, was ein Entwickler einen Tag nach dem Launch daraus schließen kann und was nicht. Die dokumentierten KI-Ausfälle und Agenten-Vorfälle hinter Releases wie diesem sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag eigene Quellen, Schweregrad, Konfidenzstufe und eine Kennzeichnung als umstritten enthält.

Der Vergleich, den Inception zieht, bezieht sich auf die schnelle, günstige Stufe: Mercury 3 „übertrifft GPT-6 Luna und Claude Haiku 5.5“, beides geschwindigkeitsoptimierte Modelle, und läuft dabei schneller als jedes von beiden. Es ist nicht gegen GPT-6 Astra oder Claude Sonnet 5.5 positioniert, und die Ankündigung als Aussage über Frontier-Modelle zu lesen, wäre ein Fehler, den Inception nicht macht.

Warum 40x für ein Diffusionsmodell eine schwierigere Behauptung ist als für einen Transformer

Ein autoregressives Modell gibt pro Vorwärtspass durch das Netzwerk ein Token aus. Ein Diffusions-Sprachmodell gibt pro Durchlauf einen ganzen Block aus und entrauscht dabei iterativ eine Leinwand aus Positionen, bis sich der Block auflöst. Daher kommt der Durchsatz, und deshalb ist es auch ein anderes Engineering-Problem, das eine zu skalieren als das andere.

In einem kleinen Diffusionsmodell kann jeder Denoising-Schritt viele Positionen auf einmal festlegen, weil die verbleibenden Positionen leicht zu füllen sind. Je größer das Modell wird, desto höher steigt die Qualitätslatte pro Position, und die Zahl der Schritte, die nötig sind, um diese Latte zu erreichen, tendiert dazu, mit anzusteigen – die Parallelität, die den Geschwindigkeitsvorteil erzeugte, ist genau das, was zunehmend schwerer festzuhalten ist. Eine 40-fache Parametererhöhung, die 1.000 Tokens pro Sekunde beibehielt, impliziert daher entweder eine starke Erhöhung der Schritte pro Block, ausgeglichen durch eine viel größere Erhöhung der Recheneffizienz pro Schritt, oder eine architektonische oder Sampling-Änderung, die Inception nicht beschrieben hat. Die Ankündigung sagt nicht, welche von beiden, und das ist die mit Abstand interessanteste unbeantwortete Frage in der Veröffentlichung.

Was Inception veröffentlicht, ist das Ergebnis und nicht der Mechanismus: mehr als 40-mal so viele Parameter wie Mercury 1 und eine etwa dreifache Steigerung der gemessenen Intelligenz von Mercury 1 (mini) zu Mercury 3 in der eigenen Testsuite. Beide Zahlen sind vom Anbieter angegeben, keine davon geht mit einer absoluten Parameterzahl einher, und noch kein unabhängiger Testrahmen hat das Modell laufen lassen. Behandeln Sie sie als eine richtungsweisende Behauptung – größer und besser innerhalb derselben Familie – und nicht als Messungen.

Was die Hochskalierung am Datenblatt verändert hat und was nicht

Der Generationssprung zeigt sich in den langweiligen Zahlen deutlicher als in den Marketingzahlen. Gegenüber Mercury 2.5, dem Modell, das es ersetzt:

• Kontextfenster — 1.000.000 Tokens bei Mercury 3 gegenüber 260.000 bei Mercury 2.5, mit einer maximalen Ausgabe von 131.072 Tokens.

• Parameter — mehr als 40x Mercury 1, keine absolute Zahl veröffentlicht; auch die Parameteranzahl von Mercury 2.5 wurde nie veröffentlicht.

• Durchsatz — 1.068 Token pro Sekunde, vom Anbieter gemessen auf nicht näher bezeichneten NVIDIA-GPUs, gegenüber den rund 706 Token pro Sekunde, die Artificial Analysis für Mercury 2.5 mit seiner eigenen Messumgebung gemessen hat.

• Preis — 0,20 $ pro Million Eingabe- und 0,70 $ pro Million Ausgabe zum Listenpreis, für den Einführungszeitraum um 50 % auf 0,10 $ bzw. 0,35 $ reduziert, wobei kein Enddatum angegeben ist.

• Reasoning-Aufwand — vier Einstellungen (instant, low, medium, high), standardmäßig auf low; Mercury 2.5 und Mercury 2 standardmäßig auf medium.

• Modalitäten – Text rein, Text raus. Unverändert. Keine Bild-, Audio- oder Videoeingabe, wo doch Gemini 4 Argon und GPT-6 Astra beide multimodale Eingaben verarbeiten.

Das Kontextfenster ist die Änderung mit den größten praktischen Konsequenzen und dem geringsten Medienecho. Eine Vervierfachung verschiebt Mercury aus der Kategorie der kurzen Dokumente in den Bereich, in dem ein ganzes Repository, ein langes Support-Transkript oder ein mehrere hundert Seiten umfassender Vertrag in einen einzigen Aufruf passt. Diffusion-Decoding über einen langen Kontext ist nicht kostenlos – die Arbeitsfläche ist größer und die Attention-Kosten steigen –, daher ist die Tatsache, dass der Kontext um das 4-Fache gewachsen ist, während der Durchsatz bei über 1.000 blieb, wenn überhaupt, eine stärkere Aussage über die Ingenieursleistung als die Zahl in der Schlagzeile.

Das eine Qualitätsergebnis mit einem Harness dahinter

Inception hat tatsächlich eine Evaluation durchgeführt, die nützlicher ist als eine Benchmark-Tabelle, und sie ist unter den Geschwindigkeitsversprechen begraben. Das Unternehmen hat Mercury 3 in sein eigenes Produktions-Web-Agent-Harness neben Frontier-Modellen gesetzt, bei 50 Live-Mind2Web-Navigationsaufgaben – echte Websites, kein eingefrorener Snapshot – und meldet eine Abschlussrate von 50 %, „deutlich mehr als GPT-6.1-Sol", bei gleichem Token-Volumen und gleicher Anzahl von Agent-Schritten. Gleiche Arbeit, weniger Dollar pro Token, besserer Abschluss.

Fünfzig Aufgaben sind eine kleine Stichprobe, und der Harness gehört dem Anbieter, daher ist der Vorsprung keine Größe, mit der man planen kann. Aber agentische Webnavigation ist die Arbeitslast, die am wenigsten für Benchmark-Kontamination anfällig und am empfindlichsten für die zwei Dinge ist, die Mercury verkauft: Latenz und Kosten pro Schritt. Ein Modell, das die Hälfte von fünfzig Live-Aufgaben abschließt, leistet etwas Reales. Mit 50 % scheitert es zugleich an der Hälfte von ihnen, was der richtige Rahmen für diese Modellklasse im Produktivbetrieb ist – ein Agent, der die Hälfte seiner Aufgaben mit einem menschlichen Eskalationspfad erledigt, ist ausrollbar; einer, der als zuverlässig dargestellt wird, nicht.

Wo der Einführungsrabatt im tatsächlichen Budget liegt

Der Listenpreis beträgt 0,20 $ für Eingaben und 0,70 $ für Ausgaben pro Million Tokens. Der Einführungspreis liegt bei der Hälfte davon. Keiner der beiden Werte ist ein Rundungsfehler gegenüber der Preisklasse, auf die Mercury abzielt: Claude Haiku 5.5 ist mit 1,00 $ und 5,00 $ gelistet, GPT-6 Luna mit 0,10 $ und 0,50 $. Mercury 3 liegt zum Marktstart damit preislich am unteren Ende des Marktes, in dem er konkurriert, und zum Listenpreis entspricht er noch immer etwa einem Siebtel des Ausgabetarifs von Haiku 5.5.

Rechnen Sie eine Support-Deflection-Workload von 20 Millionen Eingabe- und 10 Millionen Ausgabe-Tokens pro Tag durch – eine mittelgroße Bereitstellung, kein Pilotprojekt. Zum Listenpreis sind das 4 $ für Eingabe und 7 $ für Ausgabe – 11 $ pro Tag, etwa 330 $ pro Monat. Zum Einführungspreis sind es 5,50 $ pro Tag. Der Rabatt ist bei diesem Volumen etwa 165 $ pro Monat wert, und er entfällt an einem Datum, das niemand veröffentlicht hat. Legen Sie die Kalkulation mit 330 $ zugrunde.

Gecachte Eingabe ist die Position, die die Wirtschaftlichkeit von Agenten tatsächlich verändert. Bei 0,02 US-Dollar pro Million Listeneingabe kostet eine 20.000-Token-Präambel aus System-Prompt und Tool-Definitionen pro Aufruf vier Hundertstel Cent statt vier Zehntel Cent. Über einen 40-Schritt-Agentenlauf hinweg sind das anderthalb Cent Präambel statt sechzehn Cent – für sich genommen nicht transformativ, aber es ist der Unterschied zwischen einer Agentenschleife, deren Kosten von der Arbeit des Modells dominiert werden, und einer, deren Kosten vom erneuten Lesen seiner eigenen Anweisungen dominiert werden.

Was Diffusion in dieser Größe noch immer nicht gelöst hat

Drei Dinge sollten klar benannt werden, weil die Darstellung zum Start es nicht tut.

Erstens gibt es keine unabhängige Messung. Stand 20. Oktober 2026 hat Artificial Analysis – die neutrale Testumgebung, die dieser Blog für den modellübergreifenden Vergleich nutzt – überhaupt keine Mercury-3-Seite. Die neuesten Mercury-Einträge sind 2.5 und 2, gemessen mit etwa 706 bzw. 684 Token pro Sekunde. Jede Mercury-3-Zahl im Umlauf, einschließlich jeder Zahl in diesem Artikel, geht auf Inception zurück.

Zweitens ist Nur-Text inzwischen eine echte Einschränkung und nicht mehr nur eine stilistische. Die Wettbewerber, gegen die Mercury 3 in der günstigen Preisklasse antritt, werden zunehmend multimodal, und das Langkontextfenster, das es gerade hinzugewonnen hat, ist am nützlichsten für Dokumente, die als PDFs und Screenshots eintreffen. Ein 1M-Token-Fenster, das man nur mit extrahiertem Text füllen kann, ist weniger wert, als das Datenblatt vermuten lässt.

Drittens ist die standardmäßige Effort-Einstellung niedrig. Ein Modell, das standardmäßig mit niedrigem Effort antwortet, wirkt schneller und erzielt niedrigere Werte als dasselbe Modell bei hohem Effort, und Inceptions vergleichende Aussagen geben nicht an, welche Einstellung ihnen zugrunde lag. Wer Mercury 3 gegen irgendetwas benchmarkt, sollte den Effort-Parameter explizit festlegen, sonst ist der Vergleich nicht reproduzierbar – auch nicht gegen Inceptions eigene Zahlen.

Wie man dieses Modell handhabt, ohne einen Produktionspfad darauf zu setzen

Mercury 3 ist nicht im Katalog von OrcaRouter. Unsere Modell-API liefert für kein Inception-Modell etwas zurück – die 209 Modelle, die wir routen, umfassen es nicht –, daher bedeutet ein Aufruf von Mercury 3, zur eigenen Plattform von Inception zu gehen, wo neue Konten 100 Millionen kostenlose Tokens erhalten, oder zu einer der Inferenzplattformen, die Inception aufführt. Das klar zu sagen ist nützlicher, als eine Route anzudeuten, die wir nicht haben.

Wofür ein Router hier wirklich gut ist, ist die Form der Bereitstellung und nicht das Modell. Das Muster, das zu einem noch nicht erprobten, aber ungewöhnlich schnellen Release passt, ist ein zweigleisiges: Schicke die latenzkritische Arbeit mit dem Schlüssel von Inception an Mercury 3 und behalte den Fallback und die schwierigen Fälle bei Modellen, die wir tatsächlich führen — mehr als 200 davon hinter einem OpenAI-kompatiblen Endpoint, zum Listenpreis der Anbieter mit 0% Aufschlag, mit automatischem Failover, wenn die Leistung eines Anbieters nachlässt. Die durchgereichte Preisgestaltung ist aus demselben Grund wichtig wie der Einführungsrabatt: Wenn Inception die 50%-Preissenkung beendet, ändert sich der Tarif eines gerouteten Modells am Tag, an dem der Anbieter ihn ändert, ohne Neuverhandlung.

Die ehrliche Zusammenfassung nach einem Tag lautet: Mercury 3 ist ein echtes Skalierungsergebnis, das mit einer Geschwindigkeits-Schlagzeile auftritt. Die 40x-Behauptung ist nicht überprüfbar, für die Durchsatzbehauptung gibt es keine neutrale Reproduktion, und die Qualitätsbehauptung ist vergleichend gegenüber dem Fast-Tier statt quantitativ. Aber die Richtung ist eindeutig: Diffusions-Sprachmodelle waren bei 260K Kontext und einem Modell der 2,5-Generation ein Latenz-Kuriosum, und bei 1M Kontext und 40-mal so vielen Parametern sind sie jetzt in der Preisklasse, in der das Fast-Tier tatsächlich lebt. Die Zahl, auf die es zu achten gilt, ist nicht, ob 1.068 reproduziert wird. Sondern ob der nächste unabhängige Index Mercury 3 auf wenige Punkte an GPT-6 Luna und Claude Haiku 5.5 heranbringt — denn wenn ja, hört das günstige Tier auf, ein Tier zu sein, und wird zu einer Entscheidung.