Inception تطلق Mercury 3: نموذج لغوي انتشاري أسرع 8 مرات من GPT-6 Luna

ظلت النماذج اللغوية الانتشارية زمنًا طويلًا توصف بأنها سريعة لكنها ضعيفة نسبيًا: جيدة للإكمال التلقائي، ومشكوك في قدرتها على المهام الجادة. ويحاول Mercury 3، الذي صدر في 19 أكتوبر، التخلص من هذه الصورة. وبحسب ما نقلته Jiqizhixin، أصبح النموذج أكبر بأكثر من 40 ضعفًا من الجيل السابق، ويولّد النص أسرع بنحو 8 مرات من GPT-6 Luna، ويتفوق عليه في عدد من المعايير. أما سعر المخرجات فهو $0,35 للمليون رمز.

يقف خلف المشروع فريق يقوده بروفيسور جامعة ستانفورد ستيفانو إرمون، أحد مؤلفي الأبحاث حول النماذج الانتشارية. وكانت شركة Inception Labs قد عرضت في عام 2025 نموذج Mercury Coder، وأعلنت عن أكثر من ألف رمز في الثانية على H100. بدا ذلك حينها استعراضًا جميلًا للسرعة في مهمة ضيقة. أما الآن فهي محاولة لدخول ميدان النماذج العامة.

لماذا يهم النمو بمقدار 40 ضعفًا

ظل السؤال الأساسي حول النماذج اللغوية الانتشارية واحدًا: هل تبقى ميزة السرعة حين يصبح النموذج كبيرًا؟ النماذج ذاتية الانحدار تولّد الإجابة رمزًا بعد رمز، وكل خطوة تنتظر سابقتها. أما المخطط الانتشاري فيبدأ بتسلسل مشوَّش أو مقنَّع، ثم يصقله كاملًا عبر عدة تمريرات، معالجًا مواضع كثيرة بالتوازي. وكلما قلّ عدد التمريرات اللازمة لنتيجة مقبولة، ارتفعت الإنتاجية.

عادةً ما يؤثر تضخيم النموذج بأكثر من 40 ضعفًا سلبًا في زمن الاستجابة، فزيادة المعاملات تعني حسابات أكثر في كل تمريرة. وإذا ظل Mercury 3 رغم هذا النمو أسرع 8 مرات من GPT-6 Luna، فهذا يعني أن التوليد المتوازي يعوّض فعلًا كلفة التوسع. وهذه إشارة مهمة للقطاع: الأفضلية المعمارية لم تتلاشَ مع نضج النموذج.

الاقتصاد: $0,35 كحجة

يصيب سعر $0,35 للمليون رمز مخرجات موضع الألم عند المطورين. فرموز المخرجات أغلى من رموز المدخلات لدى جميع المزوّدين تقريبًا، وسيناريوهات الوكلاء (agents) وتوليد الشيفرة والاستدلال الطويل تستهلك منها آلاف الرموز في الطلب الواحد. والنموذج السريع يحرّر GPU أبكر، ويستطيع المزوّد أن يعيد ذلك للمستخدم في صورة سعر منخفض.

أبرز المعطيات المعلنة:

• الإصدار: 19 أكتوبر 2026
• النوع: نموذج لغوي انتشاري (Mercury 3)
• نمو الحجم: أكثر من 40 ضعفًا مقارنة بالجيل السابق
• السرعة: أعلى بنحو 8 مرات من GPT-6 Luna
• السعر: $0,35 للمليون رمز مخرجات
• الجودة: يتفوق النموذج على GPT-6 Luna في المعايير

ومن المهم أن نتحقق على وجه التحديد من الاختبارات التي تقدّم فيها Mercury 3. فالسرعة في مهام البرمجة والمخرجات المنظَّمة تُقاس بطريقة مختلفة عن الجودة في سلاسل الاستدلال الطويلة، وعنوان «تفوق في المعايير» العام لا يعني بعد الفوز في كل مكان.

من ينبغي أن يختبر أولًا

المرشحون الأوائل للتجربة واضحون: الفرق التي يؤثر زمن الاستجابة في منتجاتها مباشرة، مثل مساعدات IDE ذات الإكمال التلقائي، والوكلاء الصوتيين الذين يفسد فيهم توقف لثانية واحدة المحادثة، وخطوط المعالجة ذات التوليد الضخم التي تُحسب فيها المخرجات بالمليارات من الرموز شهريًا.

والخطة العملية بسيطة. خذ حركة بياناتك الفعلية ومرّرها عبر Mercury 3 وعبر النموذج المستخدم حاليًا، ثم قارن ثلاثة مقاييس: الزمن حتى اكتمال الإجابة، والتكلفة لكل ألف طلب، ونسبة الإجابات التي اجتازت فحوصاتك الآلية. فإذا صمدت الجودة في مهمتك، فإن التوفير في رموز المخرجات سيعوّض كلفة الدمج بسرعة كبيرة. وإن لم تصمد، فستكون لديك صورة واضحة عن المواضع التي أصبحت فيها النماذج الانتشارية صالحة وتلك التي لم تصبح بعد.

أما بالنسبة إلى السوق عمومًا، فيطرح Mercury 3 سؤالًا محرجًا على الشركات الرائدة: إذا كان التوليد المتوازي قابلًا للتوسع، فإن تحسين النماذج ذاتية الانحدار عبر فك الترميز التخميني (speculative decoding) والتخزين المؤقت يصطدم بسقف، بينما لا يوجد هذا السقف لدى المنافس.