Mercury 3 è cresciuto di oltre 40 volte e ha mantenuto 1.000 token al secondo — lo scaling è la storia

Inception Labs ha rilasciato Mercury 3 il 19 ottobre 2026, e il numero che dovrebbe fermarvi non è 1.068 token al secondo. È quaranta. Secondo la stessa Inception, Mercury 3 è oltre 40 volte più grande di Mercury 1 in termini di parametri totali, e funziona ancora a oltre 1.000 token al secondo — la stessa classe di throughput che l'azienda propone dal suo primo modello. Tutti i resoconti del lancio hanno aperto con il dato sulla velocità. Il dato sulla velocità era già il cavallo di battaglia di Mercury due generazioni fa. La novità è che Mercury 3 è un modello linguistico a diffusione a cui sono stati applicati due ordini di grandezza di scala senza il consueto collasso della velocità di decodifica, e questa è l'affermazione che vale la pena verificare. Questo articolo riguarda lo scaling, ciò che Inception afferma di aver ottenuto e ciò che uno sviluppatore può e non può concluderne il giorno dopo il lancio. I fallimenti documentati dell'IA e gli incidenti degli agenti dietro release come questa sono raccolti presso l'OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.

Il paragone che Inception fa è con il livello veloce ed economico: Mercury 3 "supera GPT-6 Luna e Claude Haiku 5.5", entrambi modelli ottimizzati per la velocità, pur essendo più veloce di entrambi. Non è posizionato contro GPT-6 Astra o Claude Sonnet 5.5, e leggere l'annuncio come una dichiarazione sui modelli di frontiera sarebbe un errore che Inception non commette.

Perché 40x è una tesi più difficile da sostenere per un modello diffusion rispetto a un transformer

Un modello autoregressivo emette un token a ogni passaggio in avanti attraverso la rete. Un modello linguistico a diffusione emette un intero blocco per passaggio, riducendo iterativamente il rumore su una tela di posizioni finché il blocco non si risolve. È da qui che deriva il throughput, ed è anche il motivo per cui scalare l'uno è un problema di ingegneria diverso dallo scalare l'altro.

In un piccolo modello di diffusione, ogni passo di denoising può fissare molte posizioni contemporaneamente perché le posizioni rimanenti sono facili da riempire. Man mano che il modello cresce, l’asticella della qualità per posizione si alza, e il numero di passi necessari per raggiungerla tende ad aumentare di conseguenza — il parallelismo che produceva il vantaggio di velocità è esattamente ciò che diventa più difficile mantenere. Un aumento dei parametri di 40x che ha preservato 1.000 token al secondo implica quindi o un forte aumento dei passi per blocco compensato da un aumento molto maggiore dell’efficienza di calcolo per passo, oppure una modifica architetturale o di campionamento che Inception non ha descritto. L’annuncio non dice quale delle due, e questa è la domanda irrisolta più interessante del rilascio.

Ciò che Inception pubblica è il risultato anziché il meccanismo: più di 40 volte i parametri di Mercury 1, e un aumento di circa tre volte dell’intelligenza misurata da Mercury 1 (mini) a Mercury 3 nella sua suite. Entrambe le cifre sono dichiarate dal fornitore, nessuna delle due è accompagnata da un conteggio assoluto dei parametri, e nessun harness indipendente ha ancora eseguito il modello. Considerarle un’affermazione direzionale — più grande e migliore nella stessa famiglia — anziché misurazioni.

Che cosa ha modificato e che cosa no lo scale-up nella scheda tecnica

Il salto generazionale emerge più chiaramente nei numeri noiosi che in quelli di marketing. Rispetto a Mercury 2.5, il modello che sostituisce:

• Finestra di contesto — 1.000.000 di token su Mercury 3 rispetto a 260.000 su Mercury 2.5, con un output massimo di 131.072 token.

• Parametri — più di 40 volte Mercury 1, nessuna cifra assoluta pubblicata; anche il numero di parametri di Mercury 2.5 non è mai stato pubblicato.

• Throughput: 1.068 token al secondo, misurati dal fornitore su GPU NVIDIA non specificate, rispetto ai circa 706 token al secondo misurati da Artificial Analysis per Mercury 2.5 con il proprio harness.

• Prezzo — 0,20 $ per milione di input e 0,70 $ per milione di output a listino, ridotti del 50% a 0,10 $ e 0,35 $ per il periodo di lancio, che non ha una data di fine dichiarata.

• Sforzo di ragionamento — quattro impostazioni (istantaneo, basso, medio, alto), con valore predefinito basso; Mercury 2.5 e Mercury 2 hanno come predefinito medio.

• Modalità — testo in input, testo in output. Invariato. Nessun input di immagini, audio o video, mentre Gemini 4 Argon e GPT-6 Astra accettano entrambi input multimodale.

La finestra di contesto è il cambiamento con le ricadute pratiche più rilevanti e la minore attenzione mediatica. Un aumento di quattro volte sposta Mercury dalla fascia dei documenti brevi a quella in cui un intero repository, una lunga trascrizione di supporto o un contratto di centinaia di pagine entra in una singola chiamata. La decodifica a diffusione su un contesto lungo non è gratuita — la tela è più ampia e il costo dell’attenzione cresce — quindi il fatto che il contesto sia cresciuto di 4 volte mentre il throughput è rimasto a oltre 1.000 è, semmai, un’affermazione più forte sull’ingegneria rispetto al numero di punta.

L'unico risultato di qualità con un harness alle spalle

Inception ha davvero condotto una valutazione più utile di una tabella di benchmark, ed è nascosta sotto le dichiarazioni sulla velocità. L'azienda ha inserito Mercury 3 nel proprio harness di produzione per web-agent insieme a modelli di frontiera, su 50 attività di navigazione Mind2Web dal vivo — siti reali, non uno snapshot congelato — e riporta un tasso di completamento del 50%, «significativamente superiore a GPT-6.1-Sol», con lo stesso volume di token e lo stesso numero di passaggi dell'agente. Stesso lavoro, meno dollari per token, completamento migliore.

Cinquanta attività sono un campione piccolo e l'harness appartiene al fornitore, quindi il margine non è un numero su cui puoi basare la pianificazione. Ma la navigazione web agentica è il carico di lavoro meno soggetto alla contaminazione dei benchmark e il più sensibile alle due cose che Mercury vende: latenza e costo per step. Un modello che completa metà di cinquanta attività dal vivo sta facendo qualcosa di reale. È anche, al 50%, un modello che ne fallisce metà, il che è il quadro corretto per questa classe di modelli in produzione — un agente che completa metà delle proprie attività con un percorso di escalation umana può essere messo in produzione; uno presentato come affidabile non lo è.

Dove si colloca lo sconto di lancio nel budget effettivo

Il prezzo di listino è di $0,20 in input e $0,70 in output per milione di token. Il prezzo di lancio è la metà. Nessuno dei due è un errore di arrotondamento rispetto alla fascia a cui punta Mercury: Claude Haiku 5.5 è a listino a $1,00 e $5,00, e GPT-6 Luna a $0,10 e $0,50. Quindi Mercury 3 al lancio ha un prezzo al livello più basso del mercato in cui compete e, a listino, resta comunque circa un settimo della tariffa di output di Haiku 5.5.

Fai il calcolo su un carico di lavoro di deflessione del supporto di 20 milioni di token in input e 10 milioni in output al giorno, che è un deployment di medie dimensioni, non un pilot. A listino, sono $4 di input e $7 di output — $11 al giorno, circa $330 al mese. Al prezzo di lancio sono $5,50 al giorno. Lo sconto vale circa $165 al mese a quel volume, e sparisce in una data che nessuno ha pubblicato. Costruisci il business case su $330.

L'input in cache è la voce che sposta davvero l'economia degli agenti. A $0,02 per milione di listino, un preambolo di 20.000 token tra prompt di sistema e definizioni degli strumenti costa quattro centesimi di centesimo per chiamata invece di quattro decimi. Lungo un'esecuzione di un agente in quaranta passaggi, sono un centesimo e mezzo di preambolo invece di sedici centesimi: non è rivoluzionario di per sé, ma è la differenza tra un ciclo di agente il cui costo è dominato dal lavoro del modello e uno il cui costo è dominato dalla rilettura delle proprie istruzioni.

Cosa la diffusione a questa dimensione non ha ancora risolto

Tre cose vanno dette chiaramente, perché la presentazione del lancio non lo fa.

In primo luogo, non esiste alcuna misurazione indipendente. Al 20 ottobre 2026, Artificial Analysis — lo strumento neutrale che questo blog utilizza per il confronto tra modelli — non ha alcuna pagina dedicata a Mercury 3. Le sue voci più recenti relative a Mercury sono 2.5 e 2, misurate a circa 706 e 684 token al secondo. Ogni cifra di Mercury 3 in circolazione, comprese tutte le cifre presenti in questo articolo, risale a Inception.

In secondo luogo, il fatto che supporti solo testo è ormai un limite reale, non più stilistico. I concorrenti contro cui Mercury 3 si confronta sul prezzo nella fascia economica sono sempre più multimodali, e la finestra di contesto estesa che ha appena ottenuto è più utile per documenti che arrivano come PDF e screenshot. Una finestra da 1M di token che puoi riempire solo con testo estratto vale meno di quanto suggerisca la scheda tecnica.

Terzo, l'impostazione predefinita dello sforzo è bassa. Un modello che risponde con sforzo basso per impostazione predefinita sembrerà più veloce e otterrà punteggi inferiori rispetto allo stesso modello con sforzo alto, e le affermazioni comparative di Inception non indicano quale impostazione le abbia prodotte. Chiunque confronti Mercury 3 con qualsiasi altra cosa dovrebbe fissare esplicitamente il parametro dello sforzo, altrimenti il confronto non è riproducibile — anche rispetto ai numeri della stessa Inception.

Come mantenere questo modello senza far dipendere da esso un percorso di produzione

Mercury 3 non è nel catalogo OrcaRouter. La nostra API dei modelli non restituisce nulla per nessun modello Inception — i 209 modelli che instradiamo non lo includono — quindi chiamare Mercury 3 significa andare sulla piattaforma proprietaria di Inception, dove i nuovi account ricevono 100 milioni di token gratuiti, oppure su una delle piattaforme di inferenza elencate da Inception. Dirlo chiaramente è più utile che lasciar intendere un instradamento che non offriamo.

Ciò per cui un router è davvero utile, qui, è la forma del deployment più che il modello. Il pattern adatto a una release non collaudata ma insolitamente veloce è a due percorsi: inviare il lavoro critico per la latenza a Mercury 3 con la chiave di Inception, e mantenere il fallback e i casi difficili sui modelli che offriamo davvero — oltre 200, dietro un unico endpoint compatibile con OpenAI, al prezzo di listino del provider con 0% di ricarico, con failover automatico quando un provider peggiora. Il prezzo pass-through conta per lo stesso motivo dello sconto di lancio: quando Inception termina il taglio del 50%, la tariffa di un modello instradato cambia il giorno in cui il fornitore la cambia, senza rinegoziazione.

Il riassunto onesto dopo un giorno è che Mercury 3 è un vero risultato di scaling che indossa un titolo sulla velocità. L'affermazione del 40x non è verificabile, quella sul throughput non ha una riproduzione neutrale, e quella sulla qualità è comparativa rispetto al tier veloce anziché quantitativa. Ma la direzione è inequivocabile: i modelli linguistici a diffusione erano una curiosità di latenza con contesto da 260K e un modello indietro di 2,5 generazioni, e con contesto da 1M e 40 volte i parametri ora sono nella fascia di prezzo in cui vive davvero il tier veloce. Il numero da tenere d'occhio non è se 1.068 si riproduce. È se il prossimo indice indipendente colloca Mercury 3 a pochi punti da GPT-6 Luna e Claude Haiku 5.5 — perché, se lo farà, il tier economico smette di essere un tier e diventa una decisione.