Mercury 3 di Inception: il modello a diffusione supera 1.000 token al secondo

Inception ha presentato Mercury 3, il suo nuovo modello linguistico basato sulla diffusione, e lo ha fatto con un messaggio molto netto: la diffusione applicata al testo scala davvero, proprio come è successo per i modelli autoregressivi. L’annuncio, datato 19 ottobre 2026, mette sul tavolo numeri che fanno rumore, a partire da oltre 1.000 token al secondo su GPU NVIDIA e da una finestra di contesto da un milione di token.

Se ti occupi di agenti, ricerca in tempo reale o assistenza clienti, la velocità di generazione è spesso il vero collo di bottiglia. Vediamo cosa è stato annunciato, cosa va preso con cautela e perché la notizia conta anche per chi non usa mai direttamente questi modelli.

Che cos’è Mercury 3 e cosa è stato annunciato

Mercury 3 è, secondo il post ufficiale di Inception, il modello linguistico a diffusione più capace rilasciato finora. L’azienda, con sede a Redwood City in California, si presenta come la creatrice dei primi modelli commerciali di questo tipo, i cosiddetti dLLM.

Rispetto a Mercury 1, il primo modello uscito nel giugno 2025, la versione 3 ha un numero di parametri superiore di oltre 40 volte, mentre l’intelligenza misurata sui benchmark interni sarebbe cresciuta di circa tre volte. Inception non indica però il numero assoluto di parametri.

La storia del prodotto, in breve, passa da Mercury 2, che ha aggiunto il ragionamento, e da Mercury 2.5, che ha introdotto il ragionamento regolabile e una finestra di contesto da 260.000 token. Mercury 3 è la quarta tappa di questo percorso.

La frase che riassume l’annuncio è quella dell’azienda stessa: Mercury 3 dimostra che la diffusione sul testo scala.

Come funziona un modello a diffusione

I modelli linguistici più diffusi, come quelli dietro ChatGPT, generano il testo un token alla volta, da sinistra verso destra. I modelli a diffusione partono invece da una bozza grezza dell’intera risposta e la raffinano in più passaggi, aggiornando molti token in parallelo. Lo stesso principio è noto da tempo nella generazione di immagini, ma applicarlo al testo è molto più recente.

Il vantaggio teorico è la velocità, perché il parallelismo sfrutta meglio l’hardware. Il rischio, storicamente, era la qualità. Mercury 3 prova a dimostrare che, aumentando la scala, il divario si chiude.

I numeri: velocità, contesto e prezzi

Il dato principale è la velocità: 1.068 token al secondo su GPU NVIDIA, un valore che l’azienda presenta come da 4 a 8 volte superiore a quello dei modelli frontier ottimizzati per la rapidità con cui si confronta. Il contesto sale a un milione di token.

Il listino standard è di 0,20 dollari per milione di token in ingresso e 0,70 dollari per milione di token in uscita. Per il lancio c’è uno sconto del 50%, che porta i prezzi a 0,10 e 0,35 dollari. I token in ingresso riutilizzati dalla cache costano il 90% in meno rispetto al prezzo di input.

Sono cifre aggressive, soprattutto se le leggi insieme alla velocità. Per chi costruisce prodotti con molte chiamate al modello, il costo per token e la latenza pesano più di qualsiasi classifica.

Dove si può usare

Il modello è disponibile sulla piattaforma API di Inception, su OpenRouter, su Baseten e su Vercel, ed è compatibile con le API di OpenAI, quindi in molti casi basta cambiare endpoint e nome del modello. Esiste anche un’interfaccia chat dedicata e una piattaforma che offre 100 milioni di token gratuiti per iniziare. Per le aziende sono previste capacità dedicate, scalabilità automatica, controlli di conformità e conservazione dei dati configurabile.

Benchmark e casi d’uso: cosa dicono davvero

Inception sostiene che Mercury 3 eguagli o superi GPT-6 Luna e Claude Haiku 5.5 su diversi benchmark. Qui serve prudenza: nel comunicato non sono riportati punteggi dettagliati né la metodologia completa, e i confronti sono dichiarati dall’azienda. In più, la distribuzione dell’annuncio è passata anche da un comunicato a pagamento, quindi vanno trattati come affermazioni del produttore, non come verifiche indipendenti.

Più interessanti, perché concreti, sono i test dei partner. TinyFish ha messo il modello alla prova su 50 attività reali del benchmark Mind2Web con agenti che usano il browser: Mercury 3 ne ha completate il 50%, un risultato che Inception definisce nettamente superiore a quello di GPT-6.1-Sol, con un numero simile di token e passaggi e un costo per token molto inferiore.

Nella ricerca, Octen AI riporta un tempo mediano di generazione di 0,9 secondi e un tempo mediano complessivo di 2,2 secondi, con la fase di ricerca che richiede circa 80 millisecondi. Nel settore educativo, RevisionDojo segnala che suggerimenti, risposte corrette e definizioni tornano in circa un secondo, con qualità pari o migliore dei modelli usati prima. Lorikeet, nell’assistenza clienti, parla di latenza e valutazioni migliori rispetto ad altri modelli.

Sono segnali utili, ma restano testimonianze di early access. Il banco di prova vero sarà l’uso in produzione, con carichi eterogenei e prompt lunghi.

Perché la notizia conta nel mercato dei modelli veloci

Nel 2026 la corsa non riguarda più soltanto il modello più intelligente in assoluto. Pesa sempre di più il rapporto tra qualità, velocità e costo, soprattutto per gli agenti che concatenano decine di chiamate. Un modello che risponde in un secondo cambia l’esperienza d’uso, e rende possibili interfacce vocali, ricerca conversazionale e automazioni che oggi sembrano lente.

Inception aveva già mostrato questa direzione con Mercury Voice, pensato per gli agenti vocali. Mercury 3 estende la stessa idea al modello generalista. Dall’altra parte del mercato si muovono i modelli autoregressivi leggeri, come DeepSeek V4.1 Flash, che puntano sulla stessa combinazione di rapidità e prezzo contenuto.

C’è poi il tema dell’infrastruttura. La velocità di Mercury 3 è misurata su GPU NVIDIA comuni, senza chip dedicati. È un punto rilevante in un periodo in cui i grandi attori investono in cluster enormi, come quello descritto nell’articolo su Prometheus di Meta in Ohio. Se gli algoritmi diventano più efficienti, a parità di hardware si genera più testo.

Tra i sostenitori di Inception ci sono Menlo Ventures, Mayfield, Innovation Endeavors, M12, Snowflake Ventures e Databricks Ventures, oltre a Andrew Ng, Andrej Karpathy ed Eric Schmidt. Gli importi non sono stati resi noti. Il cofondatore Stefano Ermon ha anche dichiarato che l’azienda ha già iniziato ad addestrare il modello successivo.

Limiti e punti da verificare

Prima di migrare un flusso di lavoro vale la pena controllare tre cose. La prima è la qualità sui tuoi compiti reali, perché i benchmark pubblici non sempre rappresentano i casi d’uso aziendali. La seconda è il comportamento sui contesti molto lunghi, dove un milione di token è una promessa da testare. La terza è la stabilità della velocità sotto carico, che nei servizi condivisi può variare.

Conviene anche confrontare il costo totale per attività e non solo per token, dato che un modello meno preciso può richiedere più tentativi.

Conclusioni: come muoverti

Mercury 3 è la prova più forte, finora, che i modelli a diffusione per il testo non sono solo una curiosità di ricerca. Se lavori con agenti, assistenti vocali, ricerca o supporto clienti, merita un test: con i token gratuiti della piattaforma puoi misurare latenza e qualità sui tuoi dati in poche ore, senza impegno.

Segui il sito per gli aggiornamenti sui modelli veloci e confronta sempre i dati dichiarati con le tue prove. Nei prossimi mesi capiremo se la diffusione sul testo diventerà un’alternativa stabile all’approccio autoregressivo.