Inception lança Mercury 2.5, maior modelo de difusão já treinado

A Inception lançou o Mercury 2.5, apresentado como seu modelo de produção mais capaz até agora e um avanço de qualidade sobre o Mercury 2, com o mesmo perfil de baixa latência e baixo custo de serviço. A empresa afirma que é o LLM de difusão mais capaz do mercado e, ao que sabe, o maior modelo de linguagem de difusão já treinado.

Números e características

O Mercury 2.5 tem aumento de 40% em inteligência em relação ao Mercury 2 e, segundo a Inception, desempenho comparável a modelos de fronteira otimizados para custo, como GPT-5.6 Luna (Low), Gemini 3.5 Flash-Lite e Claude Haiku 4.5. Roda a 1.107 tokens por segundo em GPUs NVIDIA amplamente disponíveis e tem contexto de 260 mil tokens. O preço é de US$ 0,20 por milhão de tokens de entrada e US$ 0,75 por milhão de saída, com 80% de desconto no lançamento: US$ 0,04 e US$ 0,15 por milhão. Entre os recursos estão raciocínio ajustável, chamadas paralelas de ferramentas e JSON alinhado a esquemas.

Treino guiado por produção

Desde o lançamento do Mercury 2, milhares de desenvolvedores construíram com ele, dezenas de empresas o colocaram em produção e o uso cresceu mais de uma ordem de magnitude, segundo a Inception, que hoje o vê atender cargas sensíveis a latência em busca, voz e código. Essas cargas deram um sinal mais claro do que benchmarks isolados: feedback de clientes e falhas de produção foram usados para afinar as avaliações e orientar o treino, e o Mercury 2.5 é o primeiro resultado desse ciclo.

Usos em produção

Em busca e pipelines de RAG, uma requisição pode disparar dezenas de chamadas - planejar a busca, reescrever consultas, reordenar resultados, estruturar fatos, resumir fontes e checar a resposta - e, segundo a empresa, o modelo é rápido o bastante para mantê-las dentro de uma única interação do usuário; várias empresas de infraestrutura de busca já o usam em produção. Em voz, a latência é descrita como a pausa que o interlocutor ouve: a OpenCall, que constrói agentes telefônicos de IA, relata latência mediana próxima de 170 milissegundos, com P99 caindo de vários minutos para um segundo e P50 de 0,4 segundo para menos de 0,2. Em código, a Augment Code usa o Mercury para compactação de contexto, roteamento de modelos e busca de ferramentas MCP e relata queda de 82% na latência de compactação - de cerca de 150 para 27 segundos - e redução de 90% no custo, com sumários de busca de ferramentas retornando em menos de um segundo.

Mercury Voice, Mercury Router e o próximo modelo

Junto com o Mercury 2.5, a Inception anunciou a prévia do Mercury Voice, que entrega tempo até o primeiro token abaixo de 170 milissegundos e é um dLLM otimizado para agentes de voz com os orçamentos de latência mais apertados, e do Mercury Router, que interpreta os prompts recebidos com um dLLM e os encaminha aos melhores modelos, abertos e fechados, pela melhor combinação de qualidade, velocidade e custo.

Shruti Koparkar, gerente sênior de produto do grupo de computação acelerada da NVIDIA, afirma que a empresa acompanhou a Inception avançar modelos de difusão sobre a infraestrutura de IA da NVIDIA e avalia que o ganho de inteligência combinado a velocidade e custos baixos reflete a rapidez com que novas arquiteturas amadurecem em sistemas prontos para produção.

Os modelos Mercury estão disponíveis pela API da Inception, pela Baseten e pela OpenRouter; implantações empresariais incluem capacidade dedicada, escalonamento automático, controles de conformidade e retenção de dados configurável. A empresa oferece 100 milhões de tokens gratuitos para teste e US$ 500 mil em benefícios de implantação para empresas da Y Combinator. A Inception diz já ter começado a treinar seu maior modelo até hoje, com lançamento previsto para os próximos meses e a promessa de um salto de capacidade sem abrir mão da velocidade e da eficiência de tokens da difusão, o que exigirá progresso em treinamento, inferência, avaliações e infraestrutura.