Mercury 3 chega a 1.068 tokens por segundo — e sem um único número de benchmark

A Inception Labs lançou o Mercury 3 em 19 de outubro de 2026, e o anúncio começa com três números: 1.068 tokens por segundo em GPUs NVIDIA, uma janela de contexto de 1 milhão de tokens e US$ 0,10 por milhão de tokens de entrada enquanto durar o desconto de lançamento. O que ele não contém é uma única pontuação de benchmark. A alegação de qualidade é comparativa — o Mercury 3 "supera o GPT-6 Luna e o Claude Haiku 5.5" — e toda afirmação quantitativa no post é sobre velocidade, tamanho ou preço. Isso não é tanto uma crítica quanto o formato da evidência com a qual você tem de trabalhar se estiver decidindo se migra uma carga de trabalho para ele esta semana. Este artigo percorre o que a Inception de fato lançou, o que significam as alegações sem pontuação e onde um desenvolvedor deve traçar a linha entre experimentá-lo e depender dele. As falhas de IA e incidentes com agentes documentados por trás de lançamentos como este estão reunidos em the OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.

O que a Inception colocou na mesa em 19 de outubro

O Mercury 3 é um modelo de linguagem de difusão — o termo da Inception é dLLM — e a empresa o chama de modelo baseado em difusão mais capaz já lançado até o momento. A arquitetura gera tokens em paralelo, em vez de um por vez, e é daí que vem a alegação de vazão. A Inception diz que o modelo é mais de 40 vezes maior que o Mercury 1 em parâmetros totais, sem publicar uma contagem absoluta de parâmetros, e que a inteligência medida em seu conjunto de benchmarks aumentou cerca de três vezes do Mercury 1 (mini) para o Mercury 3.

Contexto — 1M de tokens, um aumento em relação a 260K no Mercury 2.5, com saída máxima de 131.072 tokens.

• Preço — US$ 0,20 por milhão de tokens de entrada e US$ 0,70 por milhão de saída na tabela; US$ 0,10 e US$ 0,35 durante o desconto de lançamento.

• Entrada em cache — $0.02 por milhão na tabela, reduzido pela metade para $0.01 durante a janela de lançamento, o que representa o desconto habitual de 90% sobre a tarifa de entrada.

• Esforço de raciocínio — quatro configurações: instantâneo, baixo, médio e alto. O Mercury 3 usa baixo por padrão quando o parâmetro é omitido, enquanto Mercury 2.5 e Mercury 2 usam médio por padrão.

• Modalidades — texto como entrada, texto como saída. A chamada de ferramentas e as saídas estruturadas são suportadas no endpoint de conclusões de chat.

• Formato da API — chat completions compatível com OpenAI, com temperatura ajustável entre 0,5 e 1,0.

• Disponibilidade — a plataforma de API própria da Inception, onde novas contas recebem 100 milhões de tokens gratuitos, e várias plataformas de inferência de terceiros. As implantações empresariais acrescentam capacidade dedicada, escalonamento automático e retenção de dados configurável.

A configuração de esforço padrão é o detalhe mais provável de ser ignorado e o mais provável de importar. Um modelo que responde com esforço "baixo" por padrão parecerá mais rápido e pontuará mais baixo do que o mesmo modelo em "alto", e as próprias alegações comparativas da Inception não indicam qual configuração as produziu. Se você fizer benchmark do Mercury 3 por conta própria, fixe explicitamente o nível de esforço, ou seus números não serão comparáveis aos de mais ninguém.

A alegação de qualidade é comparativa, não quantitativa.

Leia a frase novamente: Mercury 3 "supera o GPT-6 Luna e o Claude Haiku 5.5". Ambos são modelos otimizados para velocidade, não são flagships de fronteira, e a comparação é a correta para um modelo cujo argumento de venda inteiro é a latência. Mas o anúncio não dá margem, não informa nomes de benchmarks nem resultados por tarefa, então a alegação não pode ser verificada contra um harness público sem você mesmo executá-lo.

O único resultado de qualidade com alguma estrutura por trás é um teste de agente. A Inception executou o Mercury 3 dentro de seu próprio harness de agente web de produção contra modelos de fronteira em 50 tarefas de navegação ao vivo do Mind2Web, e relata que ele concluiu 50% delas, “significativamente mais do que o GPT-6.1-Sol”, usando o mesmo volume de tokens e o mesmo número de etapas de agente e, portanto, uma fração do custo por token. Cinquenta tarefas é uma amostra pequena, o harness é da própria Inception, e o modelo de comparação é nomeado sem uma pontuação. É um sinal real — a conclusão de tarefas em sites ao vivo é mais difícil de manipular do que uma suíte de múltipla escolha —, mas é um sinal, não uma medição que você possa colocar em um documento de aquisição.

A Inception também diz que o Mercury 3 está "em pé de igualdade ou é melhor que modelos de fronteira otimizados para velocidade", e não em pé de igualdade com modelos de raciocínio de fronteira. Essa distinção faz muita diferença no post, e vale a pena levá-la ao pé da letra: trata-se de um modelo posicionado contra a camada rápida, não contra o Claude Opus 5.5 ou o Gemini 4 Argon.

O número de velocidade, definido em relação ao último Mercury

1.068 tokens por segundo é a manchete, e é o número com maior probabilidade de ser citado fora de contexto. A Inception atribui isso a "GPUs NVIDIA" sem especificar o hardware, o tamanho do lote, a configuração de esforço ou se é uma medição de fluxo único ou agregada. Todos os quatro alteram o número em múltiplos.

A medição independente que existe é para a geração anterior. A Artificial Analysis mede o Mercury 2.5 em cerca de 706 tokens por segundo e o Mercury 2 na casa dos 680, ambos com seu próprio harness. Esses são números reais e reproduzíveis de terceiros, e são inferiores aos números do fornecedor que acompanharam aqueles lançamentos. Essa diferença é o desconto normal de fornecedor para independente nessa categoria, não evidência de má-fé — mas é o desconto que você deve aplicar mentalmente a 1.068 até que alguém o reproduza.

Em 20 de outubro de 2026, o Artificial Analysis não tem página do Mercury 3: seu índice de modelos ainda lista Mercury 2.5 e Mercury 2, e a URL do Mercury 3 não retorna nada. Portanto, a alegação de velocidade ainda não tem verificação independente, um dia após o lançamento. Isso vai mudar; o que vale acompanhar não é se o número fica perto de 1.068, mas se a diferença para o Mercury 2.5 permanece tão grande sob um harness neutro quanto o enquadramento da Inception sugere.

Quanto vale o desconto de lançamento — e o que ele não é

O corte de 50% é declarado como temporário — "no lançamento" — sem data de término. Isso o torna uma tarifa promocional em vez de uma tabela de preços, e qualquer modelo de custos baseado em $0,10/$0,35 tem uma data de validade que você não consegue enxergar. O preço de tabela é o número com o qual se planejar.

Uma comparação concreta deixa a escala clara. Considere uma carga de trabalho de suporte ou busca de 10 milhões de tokens de entrada e 40 milhões de tokens de saída por dia. A preço de tabela, o Mercury 3 custa US$ 2 pela entrada e US$ 28 pela saída, ou US$ 30 por dia. Com o preço de lançamento, o mesmo tráfego custa US$ 1 e US$ 14, ou US$ 15 por dia. Ao longo de um mês, isso é cerca de US$ 900 contra US$ 450 — a promoção vale aproximadamente tanto quanto toda a vantagem de preço de tabela do modelo sobre um modelo autorregressivo de médio porte. Útil, mas não é motivo para arquitetar em torno disso.

A linha de entrada em cache é a que muda a economia real para cargas de trabalho de agentes, porque os agentes reenviam o mesmo prompt de sistema e as definições de ferramentas a cada etapa. A US$ 0,02 por milhão de tokens em cache, um preâmbulo de 20.000 tokens custa US$ 0,0004 por chamada em vez de US$ 0,004. Em uma execução de agente de cinquenta etapas, isso é dois centavos de preâmbulo em vez de vinte, o que é a diferença entre um preço viável por tarefa e um preço marginal.

A Inception não está vendendo um chatbot.

O lançamento é estruturado em torno de um portfólio, e não de um único modelo, e essa estruturação indica para quem o produto é destinado. O Mercury Voice é ajustado para o tempo até o primeiro token de resposta em agentes de voz; o Mercury Decide é um modelo de classificação e pontuação em um endpoint separado, com preço de dois centavos por milhão de tokens de entrada e nada por token de saída. Os depoimentos de clientes da Inception são todos de sistemas de produção sensíveis à latência: um harness de agente web na TinyFish, feedback de tutoria na RevisionDojo, geração de busca na Octen, suporte na Lorikeet.

Esses são tipos de carga de trabalho em que uma resposta em dois segundos é o requisito do produto e uma em cinco segundos é um bug. Também são cargas de trabalho em que errar é recuperável — uma dica ruim, uma resposta de busca ruim, uma interação de suporte escalada —, que é exatamente o perfil de risco para o qual se pode testar com segurança um modelo sem pontuações de benchmark publicadas.

Onde isso deixa um construtor esta semana

O Mercury 3 não está no catálogo do OrcaRouter. Nossa API de modelos atualmente não retorna nada para nenhum modelo da Inception, e a página do modelo Mercury 3 não existe em nosso site, então qualquer pessoa que queira chamá-lo vai para a plataforma da própria Inception ou para um dos hosts terceiros listados pela Inception. Preferimos dizer isso claramente a sugerir uma rota que não temos.

O que nossa camada de roteamento oferece de útil nesta situação é a parte em torno do novo modelo, e não o modelo em si. O padrão que funciona com um lançamento não comprovado e excepcionalmente rápido é um caminho de dois modelos: enviar a camada crítica em latência para o Mercury 3 pela chave da Inception, e manter o fallback e os casos difíceis nos modelos que de fato oferecemos — mais de 200 deles atrás de um único endpoint compatível com OpenAI, a preço de tabela do provedor com 0% de markup, com failover automático se um provedor degradar. Você obtém a velocidade onde vale a pena e uma segunda opinião onde importa, sem uma segunda integração para o fallback.

Três coisas merecem atenção nas próximas semanas. Primeira, uma medição independente do Mercury 3, que esclarecerá de uma só vez tanto o número de throughput como a posição em qualidade. Segunda, se a Inception publica a configuração de esforço e o hardware por trás dos seus próprios números, já que um benchmark sem esses dados não é reproduzível. Terceira, se o desconto de lançamento terá uma data de fim — o preço de tabela está 33% abaixo da taxa de output do Mercury 2.5 e cerca de um quinto da do Claude Haiku 5.5, e uma empresa que acabou de escalar um modelo 40 vezes tem razões para querer que o número promocional seja aquele de que as pessoas se lembram.

Até então, o resumo honesto é este: o Mercury 3 é um lançamento real, com uma narrativa arquitetural defensável, um preço genuinamente agressivo e uma alegação de qualidade que ninguém fora da Inception testou ainda. Para uma carga de trabalho limitada por latência com um humano ou um caminho de escalonamento no fluxo, isso é suficiente para justificar uma semana de avaliação. Para qualquer coisa em que uma resposta errada seja cara e não monitorada, ainda não é suficiente para justificar uma migração.