Inception Mercury 3: LLM de difusión a 1.000 tok/s

Mercury 3: el LLM de difusión que iguala a los modelos frontier y corre 4-8x más rápido

Inception presentó Mercury 3, el modelo de lenguaje de difusión más capaz lanzado hasta hoy: supera a GPT-6 Luna y Claude Haiku 5.5 en un rango de benchmarks y corre a 1.068 tokens por segundo en GPUs de NVIDIA, entre 4 y 8 veces más rápido que esos modelos. Para un founder que construye agentes, voz o búsqueda en tiempo real, la velocidad deja de ser un costo de infraestructura y se convierte en una variable de producto.

El dato que importa no es solo la velocidad. Mercury 3 es más de 40 veces más grande que Mercury 1, el primer modelo de la compañía, y aun así mantiene el mismo ritmo de inferencia. Eso rompe una suposición que la industria daba por fija: que más inteligencia obliga a respuestas más lentas.

¿Qué cambia un LLM de difusión frente a los modelos autorregresivos?

Casi todos los modelos que usas hoy —GPT, Claude, Gemini— generan texto de forma autorregresiva: un token a la vez, en secuencia, donde cada palabra depende de la anterior. Ese diseño tiene un techo estructural, porque la velocidad queda atada a la naturaleza serial de la generación.

Los modelos de difusión funcionan distinto. En vez de predecir el siguiente token, parten de un borrador completo y lo refinan iterativamente, generando varios tokens en paralelo en cada pasada. Es el mismo principio que usan los generadores de imágenes, aplicado al texto.

La pregunta abierta de la comunidad era si esa ventaja de paralelismo sobreviviría al escalar el modelo. Según Inception, Mercury 3 responde que sí: la inteligencia medida en benchmarks estándar creció 3x desde Mercury 1 (mini) hasta Mercury 3, mientras la velocidad se mantuvo. La compañía sostiene que las leyes de escalado que impulsaron a los modelos autorregresivos también aplican a la difusión.

Los números de Mercury 3: contexto, precio y disponibilidad

• Velocidad: 1.068 tokens por segundo en GPUs de NVIDIA.
• Contexto: 1 millón de tokens, frente a los 260.000 de Mercury 2.5.
• Precio estándar: US$0,20 por millón de tokens de entrada y US$0,70 por millón de salida.
• Precio de lanzamiento: 50% de descuento, es decir US$0,10 por millón de entrada y US$0,35 por millón de salida. Los tokens en caché tienen un 90% de descuento sobre el precio de entrada.
• Dónde está disponible: en la API de Inception y a través de OpenRouter, Baseten y Vercel. Es compatible con la API de OpenAI, así que se integra en stacks existentes sin reescribir código.
• Prueba gratuita: 100 millones de tokens sin costo.

El salto de contexto es tan relevante como la velocidad. Pasar de 260.000 a 1 millón de tokens permite meter documentos completos, bases de código o historiales largos de conversación en un solo prompt, sin trocear la información en pedazos que rompen el razonamiento del modelo.

¿Dónde ya se está usando en producción?

Inception reporta que socios de acceso anticipado ya corren Mercury 3 en aplicaciones sensibles a la latencia. En su propio entorno de agente web, sobre 50 tareas de navegación en vivo de Mind2Web, Mercury 3 completó el 50%, por encima de GPT-6.1-Sol, usando el mismo volumen de tokens y la misma cantidad de pasos de agente, pero a una fracción del costo por token.

Octen AI, que construye búsqueda para gafas inteligentes, midió una generación mediana de 0,9 segundos y un tiempo de respuesta extremo a extremo de 2,2 segundos con Mercury 3, el mejor balance entre velocidad y calidad entre los modelos rápidos que probaron. En educación interactiva, RevisionDojo reporta que las pistas y respuestas marcadas vuelven en aproximadamente un segundo, con calidad igual o mejor que los modelos que usaban antes.

La compañía también amplió su portafolio: Mercury Voice, optimizado para minimizar el tiempo hasta el primer token de respuesta en aplicaciones de voz, y Mercury Decide, un modelo de decisión para clasificación de alto volumen.

El contexto del sector: la difusión dejó de ser una apuesta académica

Mercury 3 es el cuarto lanzamiento de Inception desde Mercury 1, que llegó en junio de 2025. Mercury 2, presentado en febrero de 2026, introdujo razonamiento en modelos de difusión; Mercury 2.5 sumó razonamiento ajustable y el contexto de 260.000 tokens, según el comunicado recogido por Yahoo Finance.

La compañía fue fundada por investigadores de Stanford, UCLA y Cornell detrás del trabajo fundacional en difusión, y según Crypto Briefing levantó US$50 millones en una ronda liderada por Menlo Ventures, con respaldo de Andrew Ng y Andrej Karpathy.

El interés ya no es exclusivo de Inception. Google DeepMind demostró con Gemini Diffusion una paridad de calidad comercial con modelos autorregresivos en mayo de 2025, y en julio de 2026 el equipo de investigación de NVIDIA publicó un preprint sobre Nemotron-Labs-Diffusion, un modelo que combina objetivos autorregresivos y de difusión y liberó pesos abiertos para uso comercial, según Tech Times. La difusión pasó de experimento de laboratorio a línea de producto.

¿Qué significa esto para tu startup?

1. Recalcula la economía unitaria de tus flujos sensibles a la latencia. Si tienes un agente que espera al modelo en cada paso, un tutor en vivo o un chatbot de soporte, la latencia se acumula y se convierte en abandono. Con 1.068 tokens por segundo y precios de US$0,10/US$0,35 por millón durante el lanzamiento, vale la pena correr un benchmark propio con tus prompts reales y comparar el costo total por tarea completada, no solo el precio por token.

2. Aprovecha la compatibilidad con la API de OpenAI para probar sin fricción. Como Mercury 3 es compatible con esa interfaz, puedes apuntar una parte de tu tráfico a Inception cambiando la URL base y la clave, sin reescribir tu integración. Empieza por el flujo donde la latencia duele más y mide antes y después.

3. No migres a ciegas por un benchmark de proveedor. Los números de Mind2Web y de los benchmarks de calidad los reporta Inception sobre su propio entorno. Antes de mover producción, evalúa en tus casos de uso: instrucciones complejas, generación de código y formatos estructurados suelen ser donde los modelos de difusión muestran diferencias frente a los autorregresivos. Define tus propias métricas de aceptación y prueba con el millón de tokens gratuitos.

4. Piensa qué desbloquea un contexto de 1 millón de tokens. Un agente que puede leer un repositorio entero, un contrato completo o el historial largo de un cliente abre productos que antes eran inviables por costo. Si tu roadmap tenía una función bloqueada por límites de contexto, este es el momento de revisarla.

La señal de fondo es que la velocidad de inferencia dejó de ser un problema de hardware y pasó a ser un problema de arquitectura. Para los equipos que construyen sobre modelos, eso significa más margen para experimentar, más iteraciones por minuto de cómputo y una ventaja real para quien se mueva primero en los casos de uso donde cada segundo cuenta.

Fuentes

• Inception — Introducing Mercury 3 (fuente original)
• Yahoo Finance — Inception Launches Mercury 3, Setting a New Pareto Frontier in Speed and Intelligence
• Crypto Briefing — Inception launches Mercury 2.5 diffusion model, boosts intelligence by 40%
• Yahoo Finance — Inception Launches Mercury 2, the Fastest Reasoning LLM
• Tech Times — Diffusion LLM Learns to Be Its Own Draft Model: NVIDIA Releases Tri-Mode Open Weights