Mercury 3 Tumbuh Lebih dari 40x dan Tetap di 1.000 Token per Detik — Penskalaannya Adalah Ceritanya

Inception Labs merilis Mercury 3 pada 19 Oktober 2026, dan angka yang seharusnya membuat Anda berhenti bukanlah 1.068 token per detik. Angka itu empat puluh. Menurut pengakuan Inception sendiri, Mercury 3 lebih dari 40 kali lebih besar daripada Mercury 1 dalam total parameter, dan tetap berjalan pada 1.000-an token per detik — kelas throughput yang sama yang telah dijual perusahaan sejak model pertamanya. Semua orang yang meliput peluncuran ini membuka dengan angka kecepatan. Angka kecepatan itu sudah menjadi pitch Mercury dua generasi lalu. Yang baru adalah Mercury 3 merupakan model bahasa difusi yang diberi skala dua orde besaran tanpa runtuhnya kecepatan dekode seperti biasanya, dan itulah klaim yang layak diuji. Artikel ini membahas penskalaan, apa yang menurut Inception telah dibeli, dan apa yang bisa dan tidak bisa disimpulkan seorang pengembang darinya sehari setelah peluncuran.Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam OrcaRouter AI Incident Archivetempat setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda sengketa.

Perbandingan yang dibuat Inception adalah dengan tier yang cepat dan murah: Mercury 3 "mengungguli GPT-6 Luna dan Claude Haiku 5.5", keduanya model yang dioptimalkan untuk kecepatan, sekaligus berjalan lebih cepat daripada keduanya. Model ini tidak diposisikan melawan GPT-6 Astra atau Claude Sonnet 5.5, dan membaca pengumuman itu sebagai klaim model frontier adalah kesalahan yang tidak dibuat Inception.

Mengapa 40x merupakan klaim yang lebih sulit bagi model difusi dibandingkan transformer

Model autoregresif mengeluarkan satu token per lintasan maju melalui jaringan. Model bahasa difusi mengeluarkan satu blok utuh per lintasan, secara iteratif melakukan denoising pada kanvas posisi hingga blok tersebut selesai terbentuk. Dari situlah throughput berasal, dan itulah sebabnya penskalaan salah satunya merupakan masalah rekayasa yang berbeda dari penskalaan yang lainnya.

Dalam model difusi kecil, setiap langkah denoising dapat menetapkan banyak posisi sekaligus karena posisi yang tersisa mudah diisi. Seiring model bertambah besar, standar kualitas per posisi meningkat, dan jumlah langkah yang diperlukan untuk mencapai standar itu cenderung ikut meningkat — paralelisme yang menghasilkan keunggulan kecepatan justru menjadi hal yang semakin sulit dipertahankan. Peningkatan parameter 40x yang mempertahankan 1.000 token per detik karena itu menyiratkan entah peningkatan besar dalam langkah per blok yang diimbangi oleh peningkatan efisiensi komputasi per langkah yang jauh lebih besar, atau perubahan arsitektur atau pengambilan sampel yang tidak dijelaskan Inception. Pengumuman tersebut tidak menyebutkan yang mana, dan itulah pertanyaan paling menarik yang belum terjawab dalam rilis ini.

Yang diterbitkan Inception adalah hasilnya, bukan mekanismenya: lebih dari 40x parameter Mercury 1, dan kira-kira peningkatan tiga kali lipat dalam kecerdasan terukur dari Mercury 1 (mini) ke Mercury 3 di suite miliknya sendiri. Kedua angka tersebut dilaporkan vendor, keduanya tidak disertai jumlah parameter absolut, dan belum ada harness independen yang menjalankan model tersebut. Anggap keduanya sebagai klaim arah — lebih besar dan lebih baik dalam keluarga yang sama — bukan sebagai pengukuran.

Apa yang diubah dan tidak diubah oleh peningkatan skala pada lembar spesifikasi

Lompatan antargenerasi terlihat lebih jelas pada angka-angka yang membosankan daripada pada angka-angka pemasaran. Dibandingkan Mercury 2.5, model yang digantikannya:

• Jendela konteks — 1,000,000 token pada Mercury 3 vs 260,000 pada Mercury 2.5, dengan keluaran maksimum 131,072 token.

• Parameter — lebih dari 40x Mercury 1, tidak ada angka absolut yang dipublikasikan; jumlah parameter Mercury 2.5 juga tidak pernah dipublikasikan.

• Throughput — 1.068 token per detik, diukur oleh vendor pada GPU NVIDIA yang tidak disebutkan, dibandingkan dengan sekitar 706 token per detik yang diukur Artificial Analysis untuk Mercury 2.5 menggunakan harness miliknya sendiri.

• Harga — $0,20 per juta input dan $0,70 per juta output sesuai harga daftar, dipotong 50% menjadi $0,10 dan $0,35 selama periode peluncuran, yang tidak mencantumkan tanggal berakhir.

• Upaya penalaran — empat setelan (instan, rendah, sedang, tinggi), default ke rendah; Mercury 2.5 dan Mercury 2 default ke sedang.

• Modalitas — teks masuk, teks keluar. Tidak berubah. Tidak ada input gambar, audio, atau video, sedangkan Gemini 4 Argon dan GPT-6 Astra keduanya menerima input multimodal.

Jendela konteks adalah perubahan dengan konsekuensi praktis terbesar dan paling sedikit mendapat sorotan pers. Peningkatan empat kali lipat memindahkan Mercury dari kategori dokumen pendek ke rentang di mana seluruh repositori, transkrip dukungan yang panjang, atau kontrak beratus-ratus halaman muat dalam satu panggilan. Dekode difusi pada konteks panjang tidak gratis — kanvasnya lebih besar dan biaya atensi meningkat — jadi fakta bahwa konteks bertambah 4x sementara throughput tetap di atas 1.000, jika ada, justru merupakan pernyataan yang lebih kuat tentang rekayasa daripada angka utamanya.

Satu-satunya hasil berkualitas dengan harness di baliknya

Inception memang menjalankan evaluasi yang lebih berguna daripada tabel benchmark, dan evaluasi itu terkubur di bawah klaim kecepatan. Perusahaan menempatkan Mercury 3 di dalam harness agen web produksinya sendiri bersama model-model frontier, pada 50 tugas navigasi Mind2Web live — situs sungguhan, bukan snapshot beku — dan melaporkan tingkat penyelesaian 50%, "jauh lebih banyak daripada GPT-6.1-Sol", pada volume token yang sama dan jumlah langkah agen yang sama. Pekerjaan sama, dolar per token lebih sedikit, penyelesaian lebih baik.

Lima puluh tugas adalah sampel kecil dan harness itu milik vendor, jadi marginnya bukan angka yang bisa dijadikan dasar perencanaan. Namun navigasi web agentik adalah beban kerja yang paling tidak rentan terhadap kontaminasi benchmark dan paling sensitif terhadap dua hal yang dijual Mercury: latensi dan biaya per langkah. Model yang menyelesaikan separuh dari lima puluh tugas langsung melakukan sesuatu yang nyata. Pada 50%, model itu juga gagal pada separuhnya, dan itulah kerangka yang tepat untuk kelas model ini di produksi — agen yang menyelesaikan separuh tugasnya dengan jalur eskalasi manusia layak diterapkan; model yang disajikan sebagai andal tidak demikian.

Di mana diskon peluncuran berada dalam anggaran aktual

Harga daftarnya adalah $0,20 untuk input dan $0,70 untuk output per juta token. Harga peluncurannya setengah dari itu. Keduanya bukan sekadar selisih pembulatan dibandingkan dengan kelas yang dibidik Mercury: Claude Haiku 5.5 mencantumkan harga $1,00 dan $5,00, sedangkan GPT-6 Luna $0,10 dan $0,50. Jadi, Mercury 3 saat peluncuran dibanderol di posisi paling bawah pasar yang digarapnya, dan pada harga daftar pun tarif outputnya masih sekitar sepertujuh dari tarif output Haiku 5.5.

Jalankan perhitungan aritmetika pada beban kerja pengalihan dukungan sebesar 20 juta token masukan dan 10 juta token keluaran per hari, yang merupakan deployment skala menengah, bukan pilot. Pada tarif daftar, itu $4 untuk masukan dan $7 untuk keluaran — $11 per hari, sekitar $330 per bulan. Pada tarif peluncuran, itu $5,50 per hari. Diskon tersebut bernilai sekitar $165 per bulan pada volume itu, dan hilang pada tanggal yang belum diumumkan siapa pun. Bangun kasusnya berdasarkan $330.

Input yang di-cache adalah baris yang benar-benar menggerakkan ekonomi agen. Pada harga daftar $0.02 per juta token, preamble 20.000 token berisi system prompt dan definisi alat hanya memakan biaya empat perseratus sen per panggilan, bukan empat persepuluh sen. Sepanjang proses agen empat puluh langkah, itu berarti satu setengah sen untuk preamble, bukan enam belas sen — tidak transformatif dengan sendirinya, tetapi itulah perbedaan antara loop agen yang biayanya didominasi oleh kerja model dan loop yang biayanya didominasi oleh membaca ulang instruksinya sendiri.

Apa yang masih belum dipecahkan oleh difusi pada ukuran ini

Ada tiga hal yang perlu dinyatakan secara gamblang, karena framing peluncuran tidak melakukannya.

Pertama, tidak ada pengukuran independen. Per 20 Oktober 2026, Artificial Analysis — harness netral yang digunakan blog ini untuk perbandingan antarmodel — sama sekali tidak memiliki halaman Mercury 3. Entri Mercury terbarunya adalah 2.5 dan 2, yang diukur pada sekitar 706 dan 684 token per detik. Setiap angka Mercury 3 yang beredar, termasuk setiap angka dalam artikel ini, berasal dari Inception.

Kedua, hanya-teks kini menjadi batasan nyata, bukan lagi sekadar pilihan gaya. Para pesaing yang menjadi pembanding harga Mercury 3 di tier murah semakin multimodal, dan jendela konteks panjang yang baru saja diperolehnya paling berguna untuk dokumen yang datang sebagai PDF dan tangkapan layar. Jendela 1M token yang hanya bisa diisi dengan teks hasil ekstraksi bernilai lebih rendah daripada yang disiratkan lembar spesifikasi.

Ketiga, pengaturan effort bawaan rendah. Model yang menjawab pada effort rendah secara bawaan akan terlihat lebih cepat dan skornya lebih rendah daripada model yang sama pada effort tinggi, dan klaim perbandingan Inception tidak menyatakan pengaturan mana yang menghasilkan angka-angka tersebut. Siapa pun yang melakukan benchmark Mercury 3 terhadap apa pun harus menetapkan parameter effort secara eksplisit, atau perbandingannya tidak dapat direproduksi — termasuk terhadap angka Inception sendiri.

Bagaimana menyikapi model ini tanpa mempertaruhkan jalur produksi padanya

Mercury 3 tidak ada di katalog OrcaRouter. API model kami tidak mengembalikan apa pun untuk model Inception mana pun — 209 model yang kami rutekan tidak mencakupnya — jadi untuk memanggil Mercury 3, Anda harus pergi ke platform milik Inception sendiri, tempat akun baru mendapatkan 100 juta token gratis, atau ke salah satu platform inferensi yang tercantum di Inception. Mengatakan hal itu secara terus terang lebih berguna daripada menyiratkan adanya rute yang tidak kami miliki.

Yang benar-benar berguna dari sebuah router di sini adalah bentuk deployment-nya, bukan modelnya. Pola yang cocok untuk rilis yang belum teruji tetapi luar biasa cepat adalah pola dua jalur: kirim pekerjaan yang kritis terhadap latensi ke Mercury 3 dengan kunci Inception, dan pertahankan fallback serta kasus-kasus sulit pada model yang memang kami sediakan — lebih dari 200 di antaranya di balik satu endpoint yang kompatibel dengan OpenAI, dengan harga daftar penyedia dengan markup 0%, dengan failover otomatis saat penyedia mengalami degradasi. Harga pass-through penting karena alasan yang sama seperti diskon peluncuran: ketika Inception mengakhiri potongan 50%, tarif model yang dirutekan berubah pada hari vendor mengubahnya, tanpa negosiasi ulang.

Ringkasan jujur setelah satu hari adalah bahwa Mercury 3 adalah hasil penskalaan yang nyata yang dibalut dengan headline kecepatan. Klaim 40x tidak dapat diverifikasi, klaim throughput tidak memiliki reproduksi netral, dan klaim kualitas bersifat komparatif terhadap tier cepat alih-alih kuantitatif. Namun arahnya tidak ambigu: model bahasa difusi dulunya adalah keingintahuan latensi pada konteks 260K dan model generasi 2,5, dan pada konteks 1M serta 40x parameter, model-model itu sekarang berada di kisaran harga tempat tier cepat sebenarnya berada. Angka yang perlu diperhatikan bukanlah apakah 1,068 dapat direproduksi. Melainkan apakah indeks independen berikutnya menempatkan Mercury 3 dalam beberapa poin dari GPT-6 Luna dan Claude Haiku 5.5 — karena jika demikian, tier murah berhenti menjadi sebuah tier dan menjadi sebuah keputusan.