Das KI-Unternehmen Inception Labs hat am 19. Oktober 2026 das Modell Mercury 3 vorgestellt. Nach Angaben des Entwicklers handelt es sich um das bislang größte und leistungsfähigste diffusionsbasierte Sprachmodell (Diffusion LLM). Die Modellarchitektur bricht mit dem rein autoregressiven Paradigma klassischer Sprachmodelle und zeigt, dass auch Diffusionsansätze für Textverarbeitung in großem Maßstab konkurrenzfähig sind. Gegenüber der ersten Modellgeneration Mercury 1 wurde die Modellgröße um mehr als das Vierzigfache skaliert.
Ein wesentlicher Schwerpunkt der Neuentwicklung liegt auf der Verarbeitungsgeschwindigkeit bei langen Textsequenzen. Auf Nvidia-Grafikprozessoren erreicht Mercury 3 laut Entwicklerangaben einen Durchsatz von bis zu 1.068 Tokens pro Sekunde. Gleichzeitig wurde das Kontextfenster deutlich erweitert: Während Version 2.5 noch auf 260.000 Tokens limitiert war, kann Mercury 3 nun bis zu eine Million Tokens in einem Durchlauf verarbeiten. In internen Geschwindigkeits- und Latenzmessungen soll das System vier- bis achtmal schneller arbeiten als autoregressive Modelle wie Claude Haiku 5.5 oder GPT-6 Luna.
Inception Labs stellt Mercury 3 direkt über eine Programmierschnittstelle zur Verfügung. Die Preisstruktur wurde auf 0,10 US-Dollar pro Million Input-Tokens und 0,35 US-Dollar pro Million Output-Tokens festgelegt. Neben dem Basismodell umfasst die Veröffentlichung zwei spezialisierte Varianten für konkrete Anwendungsszenarien: Mercury Decide, ein auf automatisierte Entscheidungsfindung ausgerichtetes Modell mit einer Latenz von 160 Millisekunden, sowie Mercury Voice für sprachbasierte Interaktionen.
Die Veröffentlichung fällt in eine Phase, in der auch andere Anbieter auf drastische Effizienzsteigerungen bei langen Kontexten setzen. So veröffentlichte MiniMax am selben Tag mit MiniMax M3.1 Flash ein Modell mit Mixture-of-Experts-Architektur, das bei 428 Milliarden Gesamtparametern rund 23 Milliarden aktive Parameter nutzt und durch Sparse Attention ebenfalls ein Kontextfenster von einer Million Tokens bedient. Der Trend im Markt verlagert sich damit zusehends von reiner Parametervergrößerung hin zu optimierten Inferenzdurchsätzen und reduzierten Betriebskosten.
Für Entwickler von Agentensystemen und datenintensiven Anwendungen bedeuten die hohen Token-Raten vor allem geringere Wartezeiten bei mehrstufigen Arbeitsabläufen. Da autonome Agenten und nachgelagerte Verarbeitungsstufen kontinuierlich große Mengen an Dokumenten und Kontexten analysieren müssen, wird der Inferenzdurchsatz zum zentralen Kosten- und Leistungsfaktor in produktiven Architekturen.