Le 19 octobre 2026, Inception a annoncé Mercury 3 dans un communiqué Business Wire, quatrième version de sa famille de grands modèles de langage à diffusion. Mercury 3 maintient une vitesse de génération supérieure à 1 000 jetons par seconde sur des GPU NVIDIA courants, porte la fenêtre de contexte de 260 000 jetons pour Mercury 2.5 à 1 million de jetons et dépasse 40 fois la taille de Mercury 1. Selon Inception, Mercury 3 égale ou dépasse GPT-6 Luna et Claude Haiku 5.5 sur une série de benchmarks standard, tout en fonctionnant 4 à 8 fois plus vite ; ces chiffres proviennent des documents de lancement du fournisseur et n'ont pas encore été vérifiés de manière indépendante.
Pourquoi la génération par diffusion est si rapide
Les grands modèles classiques génèrent les jetons un par un, dans l'ordre. La famille Mercury en génère plusieurs en parallèle selon un processus de diffusion, puis les affine de façon itérative. La faiblesse historique de cette voie était l'échelle : Mercury 1, lancé en juin 2025, traitait des tâches simples comme la complétion de code, Mercury 2 a ajouté le raisonnement et Mercury 2.5 une profondeur de raisonnement réglable. Mercury 3 est la première version à réunir taille, long contexte et vitesse dans un même produit. Le cofondateur Stefano Ermon a déclaré lors de l'annonce que les limites de la mise à l'échelle des modèles à diffusion tiennent surtout à la puissance de calcul et aux données, et non à des barrières algorithmiques fondamentales, et que l'entraînement du modèle suivant a déjà commencé.
Tarifs et accès
Mercury 3 est tarifé 0,20 dollar par million de jetons en entrée et 0,70 dollar en sortie, avec une remise de lancement de 50 %, soit 0,10 et 0,35 dollar, et les jetons mis en cache sont facturés avec 90 % de remise sur le prix d'entrée. Le modèle est disponible dès maintenant via l'API d'Inception, Baseten, OpenRouter et Vercel, avec une API compatible OpenAI : les projets existants peuvent basculer en changeant simplement le nom du modèle. Des clients précoces l'utilisent déjà dans des agents de navigation, l'éducation interactive, des agents de recherche en temps réel et le support client ; la plateforme éducative RevisionDojo indique que les indices et les réponses corrigées reviennent en environ une seconde, avec une qualité au moins égale aux modèles utilisés auparavant. Les équipes qui cherchent la vitesse de sortie peuvent le comparer au MiniMax M3.1 Flash déjà présenté sur ce site : l'un mise sur une architecture parallèle, l'autre sur l'optimisation technique, dans une gamme de prix proche.
C'est dans les boucles d'agents que la vitesse compte le plus : le modèle s'attend lui-même à chaque étape, donc la latence gagnée par étape se multiplie. Avant un essai, trois points sont à vérifier : si l'usage est réellement sensible à la latence ; le rapport entre les benchmarks du fournisseur et ses propres tâches, idéalement en mesurant sur des données métier réelles avant de migrer ; et le fait que le demi-tarif est une offre de lancement, les coûts de long terme devant être calculés au tarif standard.
