Mercury 3 växte mer än 40 gånger och behöll 1 000 tokens per sekund – skalningen är historien

Inception Labs släppte Mercury 3 den 19 oktober 2026, och siffran som borde få dig att stanna upp är inte 1 068 tokens per sekund. Den är fyrtio. Enligt Inception själva är Mercury 3 mer än 40 gånger större än Mercury 1 i totalt antal parametrar, och den körs fortfarande i över 1 000 tokens per sekund – samma genomströmningsklass som företaget har sålt sedan sin första modell. Alla som har bevakat lanseringen har inlett med hastighetssiffran. Hastighetssiffran var redan Mercurys säljargument två generationer tidigare. Det nya är att Mercury 3 är en diffusionsspråkmodell som har fått två storleksordningar mer skala tillförd utan den vanliga kollapsen i avkodningshastighet, och det är påståendet som är värt att testa. Den här artikeln handlar om skalningen, vad Inception säger sig ha fått ut av den, och vad en utvecklare kan och inte kan dra för slutsatser av den en dag efter lanseringen. De dokumenterade AI-misslyckandena och agentincidenterna bakom lanseringar som denna samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.

Jämförelsen som Inception gör gäller det snabba, billiga segmentet: Mercury 3 "överträffar GPT-6 Luna och Claude Haiku 5.5", två hastighetsoptimerade modeller, samtidigt som den körs snabbare än båda. Den positioneras inte mot GPT-6 Astra eller Claude Sonnet 5.5, och att läsa annonseringen som ett påstående om en frontier-modell vore ett misstag som Inception inte gör.

Varför 40x är ett svårare påstående för en diffusionsmodell än för en transformer

En autoregressiv modell avger en token per framåtpassering genom nätverket. En diffusionsspråkmodell avger ett helt block per passering och avbrusar iterativt en duk av positioner tills blocket är färdigställt. Det är där genomströmningen kommer ifrån, och det är också därför skalning av den ena är ett annat ingenjörsproblem än skalning av den andra.

I en liten diffusionsmodell kan varje avbrusningssteg låsa många positioner samtidigt eftersom de återstående positionerna är lätta att fylla i. När modellen växer höjs kvalitetsribban per position, och antalet steg som behövs för att nå den ribban tenderar att öka med den – den parallellism som gav hastighetsfördelen är just det som blir svårare att behålla. En 40-faldig parameterökning som bibehöll 1 000 token per sekund innebär därför antingen en stor ökning av antalet steg per block, uppvägd av en ännu större ökning av beräkningseffektiviteten per steg, eller en arkitektur- eller samplingändring som Inception inte har beskrivit. Tillkännagivandet säger inte vilket, och det är den enskilt mest intressanta obesvarade frågan i meddelandet.

Det Inception faktiskt publicerar är resultatet snarare än mekanismen: mer än 40 gånger parametrarna i Mercury 1 och ungefär en tredubbling av den uppmätta intelligensen från Mercury 1 (mini) till Mercury 3 i företagets egen testsvit. Båda siffrorna kommer från leverantören, ingen av dem åtföljs av ett absolut parameterantal, och ingen oberoende testrigg har ännu kört modellen. Se dem som ett riktningsanspråk – större och bättre i samma familj – snarare än som mätvärden.

Vad uppskalningen ändrade och inte ändrade på specifikationsbladet

Det generationsmässiga språnget syns tydligare i de tråkiga siffrorna än i marknadsföringssiffrorna. Jämfört med Mercury 2.5, modellen den ersätter:

• Kontextfönster — 1 000 000 tokens i Mercury 3 jämfört med 260 000 i Mercury 2.5, med en maximal utdata på 131 072 tokens.

• Parametrar – mer än 40 gånger Mercury 1, ingen absolut siffra publicerad; Mercury 2.5:s parameterantal publicerades aldrig heller.

• Genomströmning — 1 068 tokens per sekund, mätt av leverantören på ospecificerade NVIDIA-GPU:er, jämfört med ungefär 706 tokens per sekund som Artificial Analysis uppmätte för Mercury 2.5 i sin egen testbänk.

• Pris — $0,20 per miljon indata och $0,70 per miljon utdata enligt listpris, sänkt med 50 % till $0,10 och $0,35 under lanseringsperioden, som saknar angivet slutdatum.

• Resonemangsansträngning – fyra inställningar (omedelbar, låg, medium, hög), standard är låg; Mercury 2.5 och Mercury 2 har medium som standard.

• Modaliteter – text in, text ut. Oförändrat. Ingen bild-, ljud- eller videoinmatning, medan Gemini 4 Argon och GPT-6 Astra båda tar emot multimodala indata.

Kontextfönstret är den förändring som har störst praktisk betydelse och får minst uppmärksamhet i pressen. En fyrfaldig ökning flyttar Mercury ut ur kortdokumentkategorin och in i intervallet där ett helt kodförråd, en lång supporttranskription eller ett kontrakt på flera hundra sidor får plats i ett enda anrop. Diffusionsavkodning över en lång kontext är inte gratis – arbetsytan är större och kostnaden för attention ökar – så det faktum att kontexten växte 4x medan genomströmningen låg kvar på över 1 000 är om något ett starkare uttalande om ingenjörsarbetet än rubriksiffran.

Det enda kvalitetsresultatet med ett testramverk bakom sig

Inception körde en utvärdering som är mer användbar än en benchmarktabell, och den är begravd under hastighetspåståendena. Företaget satte Mercury 3 i sitt eget produktionsramverk för webbagenter tillsammans med ledande modeller, på 50 skarpa navigeringsuppgifter i Mind2Web – riktiga webbplatser, inte en fryst ögonblicksbild – och rapporterar en slutförandegrad på 50 %, "betydligt mer än GPT-6.1-Sol", vid samma tokenvolym och samma antal agentsteg. Samma arbete, färre dollar per token, bättre slutförande.

Femtio uppgifter är ett litet urval och testramverket tillhör leverantören, så marginalen är inte en siffra att planera utifrån. Men agentisk webbnavigering är den arbetsbelastning som är minst mottaglig för benchmarkkontaminering och mest känslig för de två saker Mercury säljer: latens och kostnad per steg. En modell som slutför hälften av femtio live-uppgifter gör något verkligt. Den misslyckas också, med 50 %, med hälften av dem, vilket är rätt ram för den här klassen av modell i produktion – en agent som slutför hälften av sina uppgifter med en eskaleringsväg till människa är driftsättningsbar; en som presenteras som tillförlitlig är det inte.

Var lanseringsrabatten ligger i den faktiska budgeten

Listpriset är 0,20 dollar in och 0,70 dollar ut per miljon token. Lanspriset är hälften av det. Inget av dem är en avrundningsdetalj i förhållande till det segment som Mercury riktar sig mot: Claude Haiku 5.5 har ett listpris på 1,00 och 5,00 dollar, och GPT-6 Luna på 0,10 och 0,50 dollar. Så Mercury 3 är vid lansering prissatt i den absoluta botten av marknaden där den konkurrerar, och enligt listpris ligger den fortfarande på ungefär en sjundedel av Haiku 5.5:s pris för utdata.

Räkna på en arbetsbelastning för supportavlastning på 20 miljoner indata- och 10 miljoner utdatatoken per dag, vilket är en medelstor driftsättning snarare än en pilot. Till listpris är det $4 för indata och $7 för utdata — $11 per dag, cirka $330 i månaden. Till lanseringspriset är det $5,50 per dag. Rabatten är värd ungefär $165 i månaden vid den volymen, och den försvinner på ett datum som ingen har publicerat. Bygg kalkylen på $330.

Cachad indata är den rad som faktiskt förändrar agentekonomin. Vid ett listpris på 0,02 USD per miljon kostar en 20 000 token lång inledning med systemprompt och verktygsdefinitioner fyra hundradels cent per anrop i stället för fyra tiondels cent. Under en agentkörning på fyrtio steg blir det en och en halv cent i inledning i stället för sexton cent — inte omvälvande i sig, men det är skillnaden mellan en agentloop vars kostnad domineras av modellens arbete och en vars kostnad domineras av att den läser om sina egna instruktioner.

Vad diffusion i den här storleken fortfarande inte har löst

Tre saker förtjänar att sägas rakt ut, eftersom lanseringens inramning inte gör det.

För det första finns det ingen oberoende mätning. Per den 20 oktober 2026 har Artificial Analysis – det neutrala testramverk som den här bloggen använder för jämförelser mellan modeller – ingen Mercury 3-sida alls. Dess nyaste Mercury-poster är 2.5 och 2, uppmätta till cirka 706 respektive 684 tokens per sekund. Varje Mercury 3-värde i omlopp, inklusive varje värde i den här artikeln, kan spåras tillbaka till Inception.

För det andra är endast text nu en verklig begränsning snarare än en stilistisk sådan. De konkurrenter som Mercury 3 konkurrerar med på pris i det billiga segmentet blir alltmer multimodala, och det långa kontextfönster som den nyligen har fått är mest användbart för dokument som kommer in som PDF:er och skärmbilder. Ett fönster på 1 miljon tokens som man bara kan fylla med extraherad text är mindre värt än databladet antyder.

För det tredje är standardinställningen för effort låg. En modell som svarar med låg effort som standard kommer att verka snabbare och få lägre poäng än samma modell med hög effort, och Inceptions jämförande påståenden anger inte vilken inställning som gav dem. Den som benchmarkar Mercury 3 mot vad som helst bör explicit låsa effort-parametern, annars är jämförelsen inte reproducerbar — även mot Inceptions egna siffror.

Hur man behåller den här modellen utan att satsa en produktionsväg på den

Mercury 3 finns inte i OrcaRouters katalog. Vårt modell-API returnerar ingenting för någon Inception-modell – de 209 modeller vi dirigerar inkluderar den inte – så att anropa Mercury 3 innebär att gå till Inceptions egen plattform, där nya konton får 100 miljoner gratis tokens, eller till en av de inferensplattformar som Inception listar. Att säga det rakt ut är mer användbart än att antyda en väg som vi inte har.

Det som en router verkligen är bra för här är utformningen av utrullningen snarare än modellen. Mönstret som passar en obeprövad men ovanligt snabb lansering är ett med två vägar: skicka det latenskritiska arbetet till Mercury 3 med Inceptions nyckel och behåll reservvägen och de svåra fallen på modeller som vi faktiskt tillhandahåller — fler än 200 av dem bakom en enda OpenAI-kompatibel slutpunkt, till leverantörens listpris med 0 % påslag, med automatisk failover när en leverantörs prestanda försämras. Prissättningen utan påslag spelar roll av samma anledning som lanseringsrabatten: när Inception avslutar rabatten på 50 % ändras priset för en routad modell samma dag som leverantören ändrar det, utan omförhandling.

Den ärliga sammanfattningen efter en dag är att Mercury 3 är ett verkligt skalningsresultat med en hastighetsrubrik. Påståendet om 40x går inte att verifiera, påståendet om genomströmning saknar neutral reproduktion, och kvalitetspåståendet är jämförande mot den snabba nivån snarare än kvantitativt. Men riktningen är entydig: diffusionsspråkmodeller var en latensnyfikenhet vid 260K kontext och som 2,5-generationsmodell, och vid 1M kontext och 40x parametrarna ligger de nu i det prisintervall där den snabba nivån faktiskt befinner sig. Siffran att hålla ögonen på är inte huruvida 1,068 reproduceras. Det är huruvida nästa oberoende index placerar Mercury 3 inom några poäng från GPT-6 Luna och Claude Haiku 5.5 — för om det gör det slutar den billiga nivån att vara en nivå och blir ett beslut.