Революция диффузии: скорость против последовательности
Inception выпустила Mercury 3, четвертую версию своей диффузионной языковой модели. В отличие от традиционных авторегрессионных моделей (как GPT или Claude), которые генерируют текст токен за токеном, Mercury 3 начинает с «чернового» варианта ответа и уточняет все позиции параллельно за несколько проходов. Это позволяет достичь скорости 1 068 токенов в секунду на GPU NVIDIA при сохранении высокого качества.
Модель поддерживает контекстное окно в 1 миллион токенов и имеет более чем в 40 раз больше параметров, чем Mercury 1. Однако веса модели не открыты — доступен только API.
Бенчмарки: где Mercury 3 сильнее, а где уступает
По данным Inception, Mercury 3 лидирует в задачах, требующих быстрого следования инструкциям и агентного программирования. Однако в сложных логических задачах (DeepSWE) и некоторых метриках понимания контекста (MRCR) она уступает Claude Haiku 5.5.
| Бенчмарк | Mercury 3 | GPT-6 Luna | Claude Haiku 5.5 |
|---|---|---|---|
| SWE-Bench Atlas (Код) | 51.08 | 33.33 | 32.26 |
| IFBench (Инструкции) | 76.84 | 61.82 | 54.65 |
| GPQA Diamond (Наука) | 89.23 | 86.36 | 84.51 |
| DeepSWE v1 (Сложный код) | 46.31 | 37.76 | 51.62 |
| MRCR v2 (Контекст) | 75.50 | 62.72 | 78.40 |
Экономика и доступность
Mercury 3 доступна через API на платформах Inception, OpenRouter, Baseten и Vercel. Интерфейс совместим с OpenAI. Стартовая цена для новых пользователей составляет $0.10 за 1M входных и $0.35 за 1M выходных токенов (скидка 50% от базовых цен $0.20/$0.70). Кэширование входных данных дает скидку 90%.
Практическое применение
Ранние тесты показывают эффективность в агентах и голосовых ботах:
- TinyFish: 50% успешных задач навигации по веб-страницам (Mind2Web).
- Octen AI: медианное время генерации 0.9 секунды для умных очков.
- RevisionDojo: возврат подсказок и ответов за ~1 секунду.
Параллельно выпущены специализированные модели Mercury Voice (для голосовых агентов) и Mercury Decide (классификация).
Бенчмарки
| Бенчмарк | Mercury 3 | Claude Haiku 5.5 | GPT-6 Luna |
|---|---|---|---|
| SWE-Bench Atlas | 51.08% | 32.26% | 33.33% |
| GPQA Diamond | 89.23% | 84.51% | 86.36% |
| IFBench | 76.84% | 54.65% | 61.82% |
| DeepSWE v1 | 46.31% | 51.62% | 37.76% |
| MRCR v2 | 75.5% | 78.4% | 62.72% |
Жирным — лучший результат в строке. Источник цифр — официальная публикация.
Источник: MarkTechPost ↗