Inception lance Mercury 3 : une LLM de diffusion 8 fois plus rapide que GPT-6 Luna

Les modèles de langage à diffusion ont longtemps passé pour rapides mais un peu faibles : efficaces pour l'autocomplétion, douteux pour les tâches sérieuses. Mercury 3, sortie le 19 octobre, tente de se débarrasser de cette étiquette. Selon Jiqizhixin, le modèle est plus de 40 fois plus grand que la génération précédente, génère du texte environ 8 fois plus vite que GPT-6 Luna et la devance sur plusieurs benchmarks. Son tarif en sortie : $0,35 le million de tokens.

Le projet est porté par une équipe que dirige Stefano Ermon, professeur à l'université Stanford et l'un des auteurs de travaux sur les modèles de diffusion. Dès 2025, Inception Labs avait présenté Mercury Coder et annoncé plus de mille tokens par seconde sur H100. À l'époque, cela ressemblait à une belle démonstration de vitesse sur une tâche étroite. Aujourd'hui, l'entreprise tente de s'aventurer sur le terrain des modèles généralistes.

Pourquoi un facteur 40 compte

La question posée aux LLM de diffusion a toujours été la même : l'avantage de vitesse tient-il quand le modèle devient gros ? Les modèles autorégressifs génèrent leur réponse token après token, chaque étape attendant la précédente. Le schéma de diffusion part d'une séquence bruitée ou masquée et l'affine en bloc en plusieurs passes, en traitant de nombreuses positions en parallèle. Moins il faut de passes pour obtenir un résultat correct, plus le débit augmente.

Agrandir un modèle de plus de 40 fois pèse en général sur la latence : plus de paramètres, c'est plus de calcul à chaque passe. Si Mercury 3 reste malgré tout 8 fois plus rapide que GPT-6 Luna, c'est que la génération parallèle compense bel et bien le coût du passage à l'échelle. Pour l'industrie, le signal est important : l'avantage architectural ne s'est pas dissous à mesure que le modèle gagnait en maturité.

Économie : $0,35 comme argument

Un prix de $0,35 le million de tokens de sortie touche exactement le point sensible des développeurs. Chez presque tous les fournisseurs, les tokens de sortie coûtent plus cher que ceux d'entrée, et les scénarios agentiques, la génération de code et les longs raisonnements en consomment des milliers par requête. Un modèle rapide libère le GPU plus tôt, et le fournisseur peut répercuter ce gain sous forme de prix bas.

Paramètres clés rapportés :

• Sortie : 19 octobre 2026
• Type : modèle de langage à diffusion (Mercury 3)
• Changement d'échelle : plus de 40 fois par rapport à la génération précédente
• Vitesse : environ 8 fois supérieure à celle de GPT-6 Luna
• Prix : $0,35 le million de tokens de sortie
• Qualité : selon les benchmarks, le modèle devance GPT-6 Luna

Il faudra aussi regarder de près sur quels tests précis Mercury 3 prend l'avantage. La vitesse sur le code et les sorties structurées, d'une part, et la qualité sur de longues chaînes de raisonnement, d'autre part, ne se mesurent pas de la même façon. Un titre général du type « devance sur les benchmarks » ne signifie pas encore une victoire partout.

Qui doit tester en premier ?

Les premiers candidats à l'essai sont évidents : les équipes pour lesquelles la latence de réponse pèse directement sur le produit. Il s'agit des assistants d'IDE avec autocomplétion, des agents vocaux où une pause d'une seconde casse la conversation, et des pipelines de génération en masse qui se comptent en milliards de tokens par mois.

Le plan d'action est simple. Prenez votre trafic réel, passez-le dans Mercury 3 et dans le modèle que vous utilisez actuellement, puis comparez trois métriques : le temps jusqu'à la réponse complète, le coût pour mille requêtes et la part de réponses qui passent vos contrôles automatiques. Si la qualité tient sur votre tâche, l'économie sur les tokens de sortie amortira très vite l'intégration. Sinon, vous saurez clairement où les modèles de diffusion sont déjà utilisables et où ils ne le sont pas encore.

Pour le marché dans son ensemble, Mercury 3 pose une question gênante aux leaders : si la génération parallèle passe à l'échelle, l'optimisation des modèles autorégressifs par décodage spéculatif et mise en cache se heurte à un plafond, alors que leur rival n'en a pas.