Inception lancia Mercury 3, diffusion LLM che secondo l’azienda è più capace e 4-8x più veloce nei test interni

Nei test interni pubblicati dall’azienda, Mercury 3 supera GPT-6 Luna e Claude Haiku 5.5 e risponde da quattro a otto volte più veloce¹.

Il messaggio è netto e attribuito a Inception: Mercury 3 sarebbe “il più capace diffusion LLM mai rilasciato”, con un vantaggio di latenza tra 4x e 8x rispetto ai due modelli citati, “su una serie di benchmark” scelti dall’azienda¹. La formula “across a range of benchmarks” resta una dicitura aziendale. I risultati arrivano da prove condotte in casa, quindi di parte. Nel materiale non compaiono dettagli sui protocolli di test o sulla loro riproducibilità¹.

La cornice concettuale è la “frontiera di Pareto” tra velocità e intelligenza. Inception dice di voler alzare entrambe, senza sacrifici su uno dei due assi. La tesi è semplice: Mercury 3 alza il livello di qualità e taglia i tempi di risposta nelle misure comunicate¹.

C’è anche il tema della scala. L’azienda parla di un modello “più di 40 volte” la dimensione di Mercury 1. Il messaggio che accompagna il dato è lineare: più grande, più capace, più rapido nelle prove interne diffuse con l’annuncio¹.

Il confronto competitivo è esplicito. Inception nomina GPT-6 Luna e Claude Haiku 5.5 come riferimenti esterni e colloca Mercury 3 davanti “su una serie di benchmark”, con il margine di velocità indicato. Non compaiono altri rivali o classifiche terze. Non vengono elencati i benchmark, né le condizioni di esecuzione, oltre al fatto che si tratta di test interni¹.

In sintesi, i claim pubblici sono tre, tutti dell’azienda:

• “il più capace diffusion LLM mai rilasciato”;
• superiore a GPT-6 Luna e Claude Haiku 5.5 “across a range of benchmarks”;
• latenza inferiore da 4x a 8x nei test interni¹.

La promessa punta al nodo pratico dei diffusion LLM: migliorare insieme qualità e latenza. L’azienda sostiene di aver spostato la frontiera, con un salto di scala rispetto a Mercury 1 e un distacco sui concorrenti citati. La validazione resta aperta: senza metodologia pubblica e misure indipendenti, le affermazioni di capacità e velocità rimangono dichiarazioni aziendali¹.

Se verificata da terze parti, la combinazione di maggiore dimensione e risposta più rapida cambierebbe il compromesso operativo nei diffusion LLM. Spingerebbe i team a ritarare benchmark e metriche di latenza per applicazioni dove oggi si accetta un trade-off più rigido tra tempo di risposta e qualità¹.