Mercury 3 creció más de 40 veces y mantuvo 1.000 tokens por segundo: el escalado es la historia

Inception Labs lanzó Mercury 3 el 19 de octubre de 2026, y la cifra que debería hacerte frenar no es 1.068 tokens por segundo. Es cuarenta. Según la propia versión de Inception, Mercury 3 es más de 40 veces más grande que Mercury 1 en parámetros totales, y aun así funciona a más de 1.000 tokens por segundo —la misma clase de rendimiento que la empresa lleva vendiendo desde su primer modelo. Todos los que han cubierto el lanzamiento han abierto con la cifra de velocidad. La cifra de velocidad ya era el argumento de venta de Mercury hace dos generaciones. Lo nuevo es que Mercury 3 es un modelo de lenguaje de difusión al que se le aplicó un aumento de escala de dos órdenes de magnitud sin el habitual colapso en la velocidad de decodificación, y esa es la afirmación que vale la pena poner a prueba. Este artículo trata sobre el escalado, lo que Inception dice haber conseguido con él, y lo que un desarrollador puede y no puede concluir de ello un día después del lanzamiento. Los fallos documentados de IA y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter donde cada entrada incluye sus propias fuentes, grado de severidad, nivel de confianza y marca de disputa.

La comparación que hace Inception es con el nivel rápido y barato: Mercury 3 "supera a GPT-6 Luna y Claude Haiku 5.5", ambos modelos optimizados para la velocidad, y además funciona más rápido que cualquiera de los dos. No está posicionado frente a GPT-6 Astra ni Claude Sonnet 5.5, y leer el anuncio como una afirmación sobre un modelo de frontera sería un error que Inception no está cometiendo.

Por qué 40x es una afirmación más difícil para un modelo de difusión que para un transformer

Un modelo autorregresivo emite un token por cada pasada hacia adelante a través de la red. Un modelo de lenguaje de difusión emite un bloque completo por pasada, eliminando iterativamente el ruido de un lienzo de posiciones hasta que el bloque se resuelve. De ahí proviene el rendimiento, y también es la razón por la que escalar uno es un problema de ingeniería distinto de escalar el otro.

En un modelo de difusión pequeño, cada paso de eliminación de ruido puede fijar muchas posiciones a la vez porque las posiciones restantes son fáciles de completar. A medida que el modelo crece, el listón de calidad por posición sube, y el número de pasos necesarios para alcanzar ese listón tiende a subir con él: el paralelismo que producía la ventaja de velocidad es justo lo que se vuelve más difícil de mantener. Por lo tanto, un aumento de 40x en parámetros que conservó 1.000 tokens por segundo implica o bien un gran aumento en los pasos por bloque compensado por un aumento mucho mayor en la eficiencia de cómputo por paso, o bien un cambio arquitectónico o de muestreo que Inception no ha descrito. El anuncio no dice cuál de las dos cosas es, y esa es la pregunta sin responder más interesante del lanzamiento.

Lo que Inception sí publica es el resultado en lugar del mecanismo: más de 40 veces los parámetros de Mercury 1 y un aumento de aproximadamente tres veces en la inteligencia medida de Mercury 1 (mini) a Mercury 3 en su propia batería de pruebas. Ambas cifras están reportadas por el proveedor, ninguna viene acompañada de un recuento absoluto de parámetros y ningún sistema de evaluación independiente ha ejecutado aún el modelo. Trátalas como una afirmación direccional —más grande y mejor dentro de la misma familia— y no como mediciones.

Qué cambió y qué no el escalado en la ficha técnica

El salto generacional se aprecia con más claridad en las cifras aburridas que en las del marketing. Frente a Mercury 2.5, el modelo al que sustituye:

• Ventana de contexto — 1.000.000 de tokens en Mercury 3 frente a 260.000 en Mercury 2.5, con una salida máxima de 131.072 tokens.

• Parámetros — más de 40 veces los de Mercury 1; no se publicó ninguna cifra absoluta; el número de parámetros de Mercury 2.5 tampoco se publicó nunca.

• Rendimiento — 1.068 tokens por segundo, medido por el proveedor en GPU NVIDIA no especificadas, frente a los aproximadamente 706 tokens por segundo que Artificial Analysis midió para Mercury 2.5 con su propio entorno de pruebas.

• Precio — $0.20 por millón de tokens de entrada y $0.70 por millón de tokens de salida a precio de lista, reducido un 50 % a $0.10 y $0.35 durante el periodo de lanzamiento, que no tiene fecha de finalización indicada.

• Esfuerzo de razonamiento — cuatro ajustes (instantáneo, bajo, medio, alto), con valor predeterminado bajo; Mercury 2.5 y Mercury 2 usan medio por defecto.

• Modalidades — texto de entrada, texto de salida. Sin cambios. Sin entrada de imagen, audio ni video, mientras que Gemini 4 Argon y GPT-6 Astra ambos aceptan entrada multimodal.

La ventana de contexto es el cambio con la mayor consecuencia práctica y la menor repercusión mediática. Un aumento de cuatro veces saca a Mercury de la categoría de documentos cortos y lo lleva al rango en el que un repositorio entero, una transcripción larga de soporte o un contrato de varios cientos de páginas cabe en una sola llamada. La decodificación por difusión sobre un contexto largo no sale gratis —el lienzo es mayor y el coste de atención crece—, así que el hecho de que el contexto se multiplicara por 4 mientras el rendimiento se mantenía por encima de los 1.000 es, si acaso, una afirmación más contundente sobre la ingeniería que la cifra estrella.

El único resultado de calidad respaldado por un arnés de pruebas

Inception sí realizó una evaluación más útil que una tabla de benchmarks, y está enterrada por debajo de las afirmaciones sobre velocidad. La empresa colocó Mercury 3 dentro de su propio arnés de agente web de producción junto con modelos de frontera, en 50 tareas de navegación de Mind2Web en vivo —sitios reales, no una instantánea congelada— y reporta una tasa de finalización del 50 %, «significativamente más que GPT-6.1-Sol», con el mismo volumen de tokens y el mismo número de pasos del agente. El mismo trabajo, menos dólares por token, mejor finalización.

Cincuenta tareas son una muestra pequeña y el arnés pertenece al proveedor, así que el margen no es una cifra con la que puedas planificar. Pero la navegación web agéntica es la carga de trabajo menos susceptible a la contaminación de benchmarks y la más sensible a las dos cosas que vende Mercury: latencia y coste por paso. Un modelo que termina la mitad de cincuenta tareas en vivo está haciendo algo real. También, al 50 %, está fallando la mitad de ellas, que es el marco correcto para esta clase de modelo en producción: un agente que completa la mitad de sus tareas con una vía de escalado humano es desplegable; uno presentado como fiable, no.

Dónde se sitúa el descuento de lanzamiento en el presupuesto real

El precio de lista es de 0,20 USD de entrada y 0,70 USD de salida por millón de tokens. El precio de lanzamiento es la mitad. Ninguno de los dos es un error de redondeo frente al segmento al que apunta Mercury: Claude Haiku 5.5 tiene un precio de lista de 1,00 USD y 5,00 USD, y GPT-6 Luna de 0,10 USD y 0,50 USD. Así que Mercury 3, en su lanzamiento, tiene un precio en lo más bajo del mercado en el que compite y, a precio de lista, sigue siendo aproximadamente una séptima parte de la tarifa de salida de Haiku 5.5.

Haz los cálculos sobre una carga de trabajo de deflexión de soporte de 20 millones de tokens de entrada y 10 millones de tokens de salida al día, lo que corresponde a un despliegue de tamaño medio, no a un piloto. A precio de lista, eso son $4 de entrada y $7 de salida: $11 al día, unos $330 al mes. Con la tarifa de lanzamiento, son $5.50 al día. El descuento vale aproximadamente $165 al mes con ese volumen, y desaparece en una fecha que nadie ha publicado. Basa el caso en $330.

La entrada en caché es la partida que realmente mueve la economía de los agentes. Con un precio de lista de 0,02 $ por millón, un preámbulo de 20.000 tokens de prompt de sistema y definiciones de herramientas cuesta cuatro centésimas de centavo por llamada en lugar de cuatro décimas de centavo. A lo largo de una ejecución de agente de cuarenta pasos, eso supone un centavo y medio de preámbulo en lugar de dieciséis centavos; no es transformador por sí solo, pero es la diferencia entre un bucle de agente cuyo coste está dominado por el trabajo del modelo y uno cuyo coste está dominado por releer sus propias instrucciones.

Lo que la difusión a este tamaño todavía no ha resuelto

Merece la pena decir tres cosas con claridad, porque el planteamiento del lanzamiento no lo hace.

Primero, no existe una medición independiente. A fecha del 20 de octubre de 2026, Artificial Analysis —el arnés neutral que este blog utiliza para la comparación entre modelos— no tiene ninguna página de Mercury 3. Sus entradas más recientes de Mercury son 2.5 y 2, medidas a aproximadamente 706 y 684 tokens por segundo. Toda cifra de Mercury 3 en circulación, incluidas todas las cifras de este artículo, se remonta a Inception.

En segundo lugar, el hecho de que solo admita texto ahora es un límite real y no una cuestión de estilo. Los competidores contra los que Mercury 3 se posiciona en la gama económica son cada vez más multimodales, y la ventana de contexto largo que acaba de incorporar resulta más útil para documentos que llegan en PDF e capturas de pantalla. Una ventana de 1M de tokens que solo se puede llenar con texto extraído vale menos de lo que sugiere la hoja de especificaciones.

Tercero, el ajuste de esfuerzo predeterminado es bajo. Un modelo que responde con esfuerzo bajo de forma predeterminada parecerá más rápido y obtendrá una puntuación más baja que el mismo modelo con esfuerzo alto, y las afirmaciones comparativas de Inception no indican qué ajuste produjo esos resultados. Cualquiera que compare Mercury 3 con cualquier cosa mediante benchmarks debería fijar explícitamente el parámetro de esfuerzo, o la comparación no será reproducible, incluso frente a las propias cifras de Inception.

Cómo sostener este modelo sin apostar por él una ruta de producción

Mercury 3 no está en el catálogo de OrcaRouter. Nuestra API de modelos no devuelve nada para ningún modelo de Inception —los 209 modelos que enrutamos no lo incluyen—, así que llamar a Mercury 3 significa acudir a la propia plataforma de Inception, donde las cuentas nuevas obtienen 100 millones de tokens gratis, o a una de las plataformas de inferencia que Inception enumera. Decirlo con claridad es más útil que insinuar una ruta que no tenemos.

Lo que un router realmente aporta aquí es la forma del despliegue más que el modelo. El patrón que encaja con un lanzamiento no probado pero inusualmente rápido es el de dos vías: enviar el trabajo crítico en latencia a Mercury 3 con la clave de Inception, y dejar el respaldo y los casos difíciles en modelos que sí ofrecemos —más de 200 de ellos detrás de un único endpoint compatible con OpenAI, a precio de lista del proveedor con 0% de margen, con conmutación automática por error cuando un proveedor se degrada. El precio de traspaso importa por la misma razón que el descuento de lanzamiento: cuando Inception ponga fin al recorte del 50%, la tarifa de un modelo enrutado cambia el mismo día que el proveedor la cambie, sin renegociación.

El resumen honesto tras un día es que Mercury 3 es un resultado real de escalado vestido con un titular de velocidad. La afirmación de 40x es imposible de verificar, la de rendimiento no cuenta con una reproducción neutral y la de calidad es comparativa frente al nivel rápido en lugar de cuantitativa. Pero la dirección no es ambigua: los modelos de lenguaje de difusión eran una curiosidad de latencia con 260K de contexto y un modelo de generación 2.5, y con 1M de contexto y 40x los parámetros ahora están en la franja de precios en la que vive realmente el nivel rápido. La cifra que hay que vigilar no es si se reproduce 1.068. Es si el próximo índice independiente sitúa a Mercury 3 a pocos puntos de GPT-6 Luna y Claude Haiku 5.5, porque si lo hace, el nivel barato deja de ser un nivel y se convierte en una decisión.