Mercury 3 cresceu mais de 40x e manteve 1.000 tokens por segundo — a escalabilidade é a história

Em 19 de outubro de 2026, a Inception Labs lançou o Mercury 3, e o número que deveria fazer você parar não é 1.068 tokens por segundo. É quarenta. Segundo a própria Inception, o Mercury 3 é mais de 40 vezes maior que o Mercury 1 em parâmetros totais, e ainda roda a mais de 1.000 tokens por segundo — a mesma classe de vazão que a empresa vende desde seu primeiro modelo. Todos que cobriram o lançamento abriram com o número da velocidade. O número da velocidade já era o argumento de venda do Mercury duas gerações atrás. O que é novo é que o Mercury 3 é um modelo de linguagem de difusão que recebeu duas ordens de magnitude de escala sem o colapso usual na velocidade de decodificação, e essa é a afirmação que vale a pena testar. Este artigo é sobre a escala, o que a Inception diz ter ganhado com ela, e o que um desenvolvedor pode e não pode concluir disso um dia após o lançamento. As falhas de IA documentadas e os incidentes com agentes por trás de lançamentos como este estão reunidos no OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.

A comparação que a Inception faz é com a faixa rápida e barata: o Mercury 3 "supera o GPT-6 Luna e o Claude Haiku 5.5", ambos modelos otimizados para velocidade, ao mesmo tempo que é mais rápido que qualquer um deles. Ele não é posicionado contra o GPT-6 Astra ou o Claude Sonnet 5.5, e interpretar o anúncio como uma alegação de modelo de fronteira seria um erro que a Inception não está cometendo.

Por que 40x é uma alegação mais difícil para um modelo de difusão do que para um transformer

Um modelo autorregressivo emite um token por passagem direta pela rede. Um modelo de linguagem de difusão emite um bloco inteiro por passagem, removendo ruído iterativamente de uma tela de posições até que o bloco se resolva. É daí que vem a vazão, e também por isso escalar um é um problema de engenharia diferente de escalar o outro.

Em um modelo de difusão pequeno, cada etapa de remoção de ruído pode fixar muitas posições de uma vez porque as posições restantes são fáceis de preencher. À medida que o modelo cresce, o padrão de qualidade por posição sobe, e o número de etapas necessárias para atingir esse padrão tende a subir junto — o paralelismo que produziu a vantagem de velocidade é exatamente aquilo que se torna mais difícil de manter. Um aumento de 40x no número de parâmetros que preservou 1.000 tokens por segundo, portanto, implica ou um grande aumento no número de etapas por bloco compensado por um aumento muito maior na eficiência computacional por etapa, ou uma mudança arquitetural ou de amostragem que a Inception não descreveu. O anúncio não diz qual dos dois, e essa é a questão sem resposta mais interessante do lançamento.

O que a Inception publica é o resultado, e não o mecanismo: mais de 40 vezes os parâmetros do Mercury 1 e um aumento de aproximadamente três vezes na inteligência medida do Mercury 1 (mini) para o Mercury 3 em sua própria suíte. Ambos os números são reportados pelo fornecedor, nenhum deles vem acompanhado de uma contagem absoluta de parâmetros, e nenhum harness independente executou o modelo ainda. Trate-os como uma alegação direcional — maior e melhor na mesma família — e não como medições.

O que o scale-up mudou e não mudou na ficha técnica

O salto geracional aparece nos números sem graça com mais clareza do que nos de marketing. Em comparação com o Mercury 2.5, o modelo que ele substitui:

• Janela de contexto — 1.000.000 de tokens no Mercury 3 vs 260.000 no Mercury 2.5, com saída máxima de 131.072 tokens.

• Parâmetros — mais de 40 vezes o Mercury 1, nenhum número absoluto publicado; a contagem de parâmetros do Mercury 2.5 também nunca foi publicada.

• Taxa de transferência — 1.068 tokens por segundo, medidos pelo fornecedor em GPUs NVIDIA não especificadas, contra os cerca de 706 tokens por segundo que a Artificial Analysis mediu para o Mercury 2.5 em seu próprio ambiente de testes.

Preço — US$ 0,20 por milhão de tokens de entrada e US$ 0,70 por milhão de tokens de saída no preço de tabela, com redução de 50% para US$ 0,10 e US$ 0,35 durante o período de lançamento, que não tem data de término declarada.

• Esforço de raciocínio — quatro configurações (instantâneo, baixo, médio, alto), com padrão baixo; Mercury 2.5 e Mercury 2 têm padrão médio.

• Modalidades — texto como entrada, texto como saída. Inalterado. Sem entrada de imagem, áudio ou vídeo, enquanto Gemini 4 Argon e GPT-6 Astra aceitam entrada multimodal.

A janela de contexto é a mudança com a maior consequência prática e a menor cobertura da imprensa. Um aumento de quatro vezes tira o Mercury da categoria de documentos curtos e o coloca na faixa em que um repositório inteiro, uma longa transcrição de suporte ou um contrato de centenas de páginas cabe em uma única chamada. A decodificação por difusão em um contexto longo não é gratuita — o canvas é maior e o custo de atenção cresce —, então o fato de o contexto ter crescido 4x enquanto a taxa de transferência permaneceu acima de 1.000 é, se for o caso, uma declaração mais forte sobre a engenharia do que o número de destaque.

O único resultado de qualidade com um harness por trás

A Inception realizou uma avaliação mais útil do que uma tabela de benchmark, e ela está enterrada abaixo das alegações de velocidade. A empresa colocou o Mercury 3 dentro do seu próprio harness de agente web de produção, ao lado de modelos de fronteira, em 50 tarefas de navegação do Mind2Web ao vivo — sites reais, não um snapshot congelado — e relata uma taxa de conclusão de 50%, "significativamente maior que o GPT-6.1-Sol", com o mesmo volume de tokens e o mesmo número de etapas do agente. Mesmo trabalho, menos dólares por token, melhor conclusão.

Cinquenta tarefas é uma amostra pequena e o harness pertence ao fornecedor, então a margem não é um número com o qual se possa planejar. Mas a navegação web agêntica é a carga de trabalho menos suscetível à contaminação de benchmark e mais sensível às duas coisas que a Mercury vende: latência e custo por etapa. Um modelo que conclui metade de cinquenta tarefas ao vivo está fazendo algo real. Ele também, com 50%, está falhando em metade delas, o que é o enquadramento correto para essa classe de modelo em produção — um agente que conclui metade de suas tarefas com um caminho de escalonamento humano é implantável; um apresentado como confiável não é.

Onde o desconto de lançamento se situa no orçamento real

O preço de tabela é US$ 0,20 de entrada e US$ 0,70 de saída por milhão de tokens. O preço de lançamento é metade disso. Nenhum dos dois é insignificante diante da faixa à qual o Mercury se destina: o Claude Haiku 5.5 tem preço de tabela de US$ 1,00 e US$ 5,00, e o GPT-6 Luna, de US$ 0,10 e US$ 0,50. Portanto, o Mercury 3 no lançamento está precificado no nível mais baixo do mercado em que compete e, no preço de tabela, ainda é cerca de um sétimo da tarifa de saída do Haiku 5.5.

Faça as contas para uma carga de trabalho de deflexão de suporte de 20 milhões de tokens de entrada e 10 milhões de tokens de saída por dia, o que é uma implantação de porte médio, não um piloto. No preço de tabela, isso dá US$ 4 de entrada e US$ 7 de saída — US$ 11 por dia, cerca de US$ 330 por mês. Na tarifa de lançamento, é US$ 5,50 por dia. O desconto vale aproximadamente US$ 165 por mês nesse volume, e ele desaparece numa data que ninguém publicou. Baseie o caso em US$ 330.

A entrada em cache é o elemento que realmente muda a economia dos agentes. A US$ 0,02 por milhão na tabela, um preâmbulo de 20.000 tokens de prompt de sistema e definições de ferramentas custa quatro centésimos de centavo por chamada em vez de quatro décimos. Ao longo de uma execução de agente de quarenta etapas, isso representa um centavo e meio de preâmbulo em vez de dezesseis centavos — não é transformador por si só, mas é a diferença entre um ciclo de agente cujo custo é dominado pelo trabalho do modelo e um cujo custo é dominado por reler as próprias instruções.

O que a difusão deste tamanho ainda não resolveu

Três coisas merecem ser ditas com franqueza, porque o enquadramento do lançamento não as diz.

Primeiro, não há medição independente. Em 20 de outubro de 2026, o Artificial Analysis — a estrutura neutra de avaliação que este blog usa para comparação entre modelos — não tem nenhuma página do Mercury 3. As entradas mais recentes do Mercury são 2.5 e 2, medidas em cerca de 706 e 684 tokens por segundo. Todos os valores do Mercury 3 em circulação, incluindo todos os valores deste artigo, remontam à Inception.

Em segundo lugar, o fato de ser apenas texto agora é uma limitação real, e não uma questão de estilo. Os concorrentes com quem o Mercury 3 é comparado em preço na faixa econômica estão cada vez mais multimodais, e a janela de contexto longo que ele acaba de ganhar é mais útil para documentos que chegam como PDFs e capturas de tela. Uma janela de 1 milhão de tokens que você só consegue preencher com texto extraído vale menos do que a ficha técnica sugere.

Terceiro, a configuração de esforço padrão é baixa. Um modelo que responde com esforço baixo por padrão parecerá mais rápido e obterá pontuação menor do que o mesmo modelo em esforço alto, e as alegações comparativas da Inception não informam qual configuração as produziu. Qualquer pessoa que compare o Mercury 3 com qualquer outra coisa deve fixar explicitamente o parâmetro de esforço, caso contrário a comparação não é reproduzível — inclusive em relação aos próprios números da Inception.

Como manter este modelo sem apostar nele um caminho de produção

O Mercury 3 não está no catálogo do OrcaRouter. Nossa API de modelos não retorna nada para nenhum modelo da Inception — os 209 modelos que roteamos não o incluem —, então chamar o Mercury 3 significa ir à própria plataforma da Inception, onde novas contas recebem 100 milhões de tokens gratuitos, ou a uma das plataformas de inferência listadas pela Inception. Dizer isso com clareza é mais útil do que sugerir uma rota que não temos.

O que um roteador realmente tem de bom aqui é o formato da implantação, e não o modelo. O padrão que se encaixa em um lançamento não comprovado, mas excepcionalmente rápido, é o de dois caminhos: enviar o trabalho crítico em latência para o Mercury 3 usando a chave da Inception e manter o fallback e os casos difíceis nos modelos que de fato oferecemos — mais de 200 deles atrás de um endpoint compatível com OpenAI, pelo preço de tabela do provedor com 0% de markup, com failover automático quando um provedor apresenta degradação. O preço repassado importa pelo mesmo motivo que o desconto de lançamento: quando a Inception encerrar o desconto de 50%, a tarifa de um modelo roteado muda no dia em que o fornecedor a alterar, sem renegociação.

O resumo honesto depois de um dia é que o Mercury 3 é um resultado real de escala com uma manchete de velocidade. A alegação de 40x é impossível de verificar, a alegação de vazão não tem reprodução neutra, e a alegação de qualidade é comparativa em relação à camada rápida, e não quantitativa. Mas a direção é inequívoca: os modelos de linguagem de difusão eram uma curiosidade de latência com 260K de contexto e um modelo de 2,5 gerações, e com 1M de contexto e 40x os parâmetros agora estão na faixa de preço onde a camada rápida realmente vive. O número a observar não é se 1.068 se reproduz. É se o próximo índice independente coloca o Mercury 3 a poucos pontos do GPT-6 Luna e do Claude Haiku 5.5 — porque, se colocar, a camada barata deixa de ser uma camada e se torna uma decisão.