Inception lança o Mercury 3: LLM de difusão 8 vezes mais rápida que o GPT-6 Luna

Os modelos de linguagem de difusão sempre tiveram fama de rápidos, porém fracos: bons para autocompletar, mas duvidosos para tarefas sérias. O Mercury 3, lançado em 19 de outubro, tenta se livrar desse rótulo. Segundo o Jiqizhixin, o modelo ficou mais de 40 vezes maior que a geração anterior, gera texto cerca de 8 vezes mais rápido que o GPT-6 Luna e supera o rival em vários benchmarks. O preço na saída é de US$ 0,35 por milhão de tokens.

Por trás do projeto está uma equipe liderada por Stefano Ermon, professor da Universidade Stanford e um dos autores de pesquisas sobre modelos de difusão. A Inception Labs já havia apresentado o Mercury Coder em 2025, com a promessa de mais de mil tokens por segundo em uma H100. Na época, aquilo parecia uma bela demonstração de velocidade para uma tarefa restrita. Agora, a empresa tenta entrar no território dos modelos de uso geral.

Por que o crescimento de 40 vezes importa

A principal dúvida sobre as LLMs de difusão sempre foi a mesma: a vantagem de velocidade se mantém quando o modelo fica grande? Os modelos autorregressivos geram a resposta token por token, e cada passo precisa esperar o anterior. O esquema de difusão parte de uma sequência com ruído ou mascarada e a refina inteira em algumas passagens, processando muitas posições em paralelo. Quanto menos passagens forem necessárias para um resultado decente, maior a taxa de processamento.

Aumentar o modelo em mais de 40 vezes costuma prejudicar a latência, já que mais parâmetros significam mais cálculo em cada passagem. Se, mesmo com esse crescimento, o Mercury 3 continua 8 vezes mais rápido que o GPT-6 Luna, a geração paralela de fato compensa o custo da escala. Para o setor, é um sinal importante: a vantagem arquitetural não se dissipou à medida que o modelo amadureceu.

Economia: US$ 0,35 como argumento

O preço de US$ 0,35 por milhão de tokens de saída atinge justamente o ponto que mais dói nos desenvolvedores. Quase todos os provedores cobram mais pelos tokens de saída do que pelos de entrada, e cenários com agentes, geração de código e raciocínios longos consomem milhares deles a cada requisição. Um modelo rápido libera a GPU mais cedo, e o provedor pode repassar esse ganho na forma de preço baixo.

Principais parâmetros divulgados:

• Lançamento: 19 de outubro de 2026
• Tipo: modelo de linguagem de difusão (Mercury 3)
• Aumento de escala: mais de 40 vezes em relação à geração anterior
• Velocidade: cerca de 8 vezes maior que a do GPT-6 Luna
• Preço: US$ 0,35 por milhão de tokens de saída
• Qualidade: nos benchmarks, o modelo supera o GPT-6 Luna

Vale olhar com atenção em quais testes exatamente o Mercury 3 saiu na frente. Velocidade em tarefas de programação e saída estruturada e qualidade em longas cadeias de raciocínio são avaliadas de maneiras diferentes, e a manchete genérica de que o modelo "superou nos benchmarks" ainda não significa vitória em todas as frentes.

Quem deve testar primeiro

Os primeiros candidatos a experimentar são óbvios: equipes em que a latência da resposta afeta diretamente o produto, como assistentes de IDE com autocompletar, agentes de voz, em que uma pausa de um segundo estraga a conversa, e pipelines de geração em massa, em que a conta chega a bilhões de tokens por mês.

O plano prático é simples. Pegue seu tráfego real, rode-o no Mercury 3 e no modelo que você usa hoje e compare três métricas: tempo até a resposta completa, custo por mil requisições e a parcela de respostas que passam nas suas verificações automáticas. Se a qualidade se mantiver na sua tarefa, a economia nos tokens de saída paga a integração muito rápido. Se não, você ao menos terá um retrato claro de onde os modelos de difusão já servem e onde ainda não.

Para o mercado como um todo, o Mercury 3 levanta uma pergunta incômoda aos líderes: se a geração paralela escala, a otimização dos modelos autorregressivos por decodificação especulativa e cache esbarra em um teto, enquanto o concorrente não tem esse teto.