Inception a lancé Mercury 3, son nouveau modèle de langage à diffusion, avec un débit revendiqué de 1 068 tokens par seconde sur des GPU NVIDIA. Le modèle accepte jusqu’à un million de tokens de contexte et est disponible par API depuis le 19 octobre.
Contrairement aux modèles autorégressifs qui produisent généralement le texte token après token, Mercury révise plusieurs positions au cours d’un processus de diffusion. Inception présente cette architecture comme un moyen de réduire la latence sans renoncer aux tâches de raisonnement.
Un million de tokens et une API compatible OpenAI
Mercury 3 porte sa fenêtre de contexte à un million de tokens, contre 260 000 pour Mercury 2.5. L’entreprise indique aussi que le nouveau modèle compte plus de quarante fois plus de paramètres que Mercury 1, tout en conservant une vitesse comparable. Le nombre total de paramètres n’est toutefois pas publié.
Le modèle est accessible sur la plateforme d’Inception ainsi que par OpenRouter, Baseten et Vercel. Son interface est annoncée compatible avec l’API d’OpenAI, ce qui doit faciliter le remplacement d’un modèle existant dans une application. Le tarif normal est fixé à 0,20 dollar par million de tokens en entrée et 0,70 dollar en sortie. Une réduction de moitié est appliquée au lancement.
Des performances surtout mesurées par Inception
Inception affirme que Mercury 3 dépasse GPT-6 Luna et Claude Haiku 5.5 sur plusieurs tests, tout en fonctionnant quatre à huit fois plus vite. Le chiffre précis de 1 068 tokens par seconde est présenté comme une mesure sur GPU NVIDIA, sans configuration matérielle détaillée dans l’annonce publique.
L’entreprise rapporte aussi un taux de réussite de 50 % sur 50 tâches de navigation web issues de Mind2Web. Mercury 3 aurait utilisé le même volume de tokens et le même nombre d’étapes qu’un modèle concurrent. Ces résultats proviennent du propre banc d’essai d’Inception et n’ont pas encore fait l’objet d’une vérification indépendante comparable.
Les premiers partenaires cités couvrent la navigation web, l’enseignement interactif, la recherche en temps réel et le support client. Octen AI annonce par exemple un temps médian de génération de 0,9 seconde et une réponse complète en 2,2 secondes dans ses essais sur lunettes connectées.
La diffusion vise les applications sensibles à la latence
Le gain attendu apparaît surtout dans les boucles où un modèle est sollicité plusieurs fois : agent qui ouvre des pages, tuteur vocal ou assistance en direct. Quelques centaines de millisecondes économisées à chaque étape peuvent réduire nettement le temps total d’une tâche.
Mercury 3 rejoint Mercury Voice, optimisé pour la voix, et Mercury Decide, destiné à la classification. Inception arrête parallèlement l’accès aux versions 2 et 2.5 pour les nouveaux utilisateurs ; les clients existants peuvent les conserver jusqu’au 15 novembre 2026.
Notre analyse
Le lancement est significatif parce qu’il montre qu’un modèle à diffusion peut être proposé comme service généraliste avec une grande fenêtre de contexte. La vitesse brute reste néanmoins difficile à comparer : elle dépend du matériel, de la taille des lots, de la longueur de sortie et du niveau de raisonnement demandé.
Le point à surveiller sera donc moins le record de tokens par seconde que la qualité obtenue sur des charges réelles et répétables. Des mesures tierces de coût, de latence au premier token et de précision seront nécessaires pour confirmer que Mercury 3 conserve son avantage hors des essais sélectionnés par son éditeur.
Sources : annonce officielle d’Inception, Unite.AI et MarkTechPost.
