Am 19. Oktober 2026 stellte Inception per Business-Wire-Meldung Mercury 3 vor, die vierte Veröffentlichung seiner Familie diffusionsbasierter großer Sprachmodelle. Mercury 3 hält auf gängigen NVIDIA-GPUs eine Generierungsgeschwindigkeit von über 1.000 Token pro Sekunde, erweitert das Kontextfenster von 260.000 Token bei Mercury 2.5 auf 1 Million Token und ist mehr als 40-mal so groß wie Mercury 1. Nach Angaben von Inception erreicht oder übertrifft Mercury 3 in einer Reihe von Standard-Benchmarks GPT-6 Luna und Claude Haiku 5.5 und läuft dabei 4- bis 8-mal schneller; diese Werte stammen aus dem eigenen Startmaterial des Anbieters und wurden noch nicht unabhängig überprüft.
Warum Diffusionsgenerierung so schnell ist
Herkömmliche große Modelle erzeugen Token nacheinander in fester Reihenfolge. Die Mercury-Familie erzeugt stattdessen mehrere Token parallel in einem Diffusionsprozess und verfeinert sie iterativ. Die historische Schwäche dieser Route war die Skalierung: Mercury 1, gestartet im Juni 2025, bewältigte einfache Aufgaben wie Code-Vervollständigung, Mercury 2 ergänzte Schlussfolgern, Mercury 2.5 einstellbare Schlussfolgertiefe. Mercury 3 vereint erstmals Größe, langes Kontextfenster und Geschwindigkeit in einem Produkt. Mitgründer Stefano Ermon erklärte zur Vorstellung, die Grenzen der Diffusionsskalierung lägen vor allem bei Rechenleistung und Daten, nicht bei grundsätzlichen algorithmischen Hürden; das Training des nächsten Modells habe bereits begonnen.
Preise und Zugang
Mercury 3 kostet 0,20 US-Dollar pro Million Eingabe-Token und 0,70 US-Dollar pro Million Ausgabe-Token; zum Start gibt es 50 Prozent Rabatt, also 0,10 und 0,35 US-Dollar, und zwischengespeicherte Token werden mit 90 Prozent Nachlass auf den Eingabepreis abgerechnet. Verfügbar ist das Modell ab sofort über die Inception API, Baseten, OpenRouter und Vercel, mit OpenAI-kompatibler Schnittstelle, sodass bestehende Projekte per Modellnamen umstellen können. Frühe Kunden setzen es bereits in Browser-Agenten, interaktivem Lernen, Echtzeit-Suchagenten und Kundensupport ein; die Bildungsplattform RevisionDojo berichtet, Hinweise und korrigierte Antworten kämen in etwa einer Sekunde zurück, bei mindestens gleicher Qualität wie bei den zuvor genutzten Modellen. Teams, die Ausgabegeschwindigkeit suchen, können den Vergleich mit dem hier bereits vorgestellten MiniMax M3.1 Flash ziehen: der eine setzt auf parallele Architektur, der andere auf technische Optimierung, bei ähnlichem Preisniveau.
Am stärksten wirkt Geschwindigkeit in Agentenschleifen: Das Modell wartet bei jedem Schritt auf sich selbst, sodass sich eingesparte Latenz pro Schritt vervielfacht. Wer einen Test erwägt, sollte vorher drei Punkte prüfen: ob die eigene Anwendung überhaupt latenzempfindlich ist; wie sich die Anbieter-Benchmarks zu den eigenen Aufgaben verhalten, idealerweise per Messung mit echten Geschäftsdaten vor einer Umstellung; und dass der halbe Preis ein Startangebot ist, langfristige Kosten also zum Standardpreis zu kalkulieren sind.
