2026年9月，大模型行业的发布日历密集到几乎容不下呼吸。三天前，Abu Dhabi的IFM开源了横跨0.9B到375B参数的K2 Horizon系列；前一天，科大讯飞端出了293B参数的Spark X2.5推理大模型；同期，OpenAI的GPT-6 Astra也在逐步上线。而在这一波巨头和准巨头的轮番轰炸中，一家年营收几乎为零、成立不到两年的公司，悄悄投下了一枚技术炸弹。
Mercury 2.5——每秒1107个token，是OpenAI o3的7倍以上，智能水平对标GPT-5.6 Luna和Claude Haiku 4.5。首发价仅为$0.04/百万输入token，比市区一杯美式咖啡还便宜。
但Mercury 2.5真正值得关注的，不是一个速度数字，而是一个结构性问题：当全球排名前20的AI公司全在用同一种方式生成token时，Inception选了另一条路，而且第一次让它看起来像是正确的路。
现象层：一个速度奇迹和一个智能天花板
先看硬数据。
根据Inception官方发布和Artificial Analysis独立评测，Mercury 2.5在NVIDIA通用GPU上达到了每秒1107个token的输出速度。Inception称其为当前生产环境中速度最快的推理模型。
作为参考：Artificial Analysis统计的同类推理模型输出速度中位数约为108.6 tokens/s——Mercury 2.5以770 tokens/s（AA实测）到1107 tokens/s（官方标称）直接将行业均值甩出了一个数量级。Puter的独立测试发现，Mercury 2.5的瞬时生成速率中位数达1241 tokens/s，但单次运行波动很大——从727到1756 tokens/s不等，是测试组中稳定性最差的模型。如果把等待时间也算进去，包括首token延迟，端到端的有效速率约为106 tokens/s。
速度之外，智能是关键。Mercury 2.5在Artificial Analysis Intelligence Index v4.3.2上获得综合评分12分（中位数13分），在4单元量表中位列2分。这个分数放在全行业排名中并不靠前——远低于Claude Fable 5.1的65分、GPT-6 Astra的50+分。但Inception从一开始就没打算和旗舰模型硬碰硬。其官方对标对象是成本优化的前沿模型：GPT-5.6 Luna（输出$1.20/百万token，速度约125 tokens/s）、Claude Haiku 4.5（输出$5.00/百万token，速度约200 tokens/s）、Gemini 3.5 Flash-Lite（输出约$0.50/百万token）。
在这个高性价比中间层的战场上，Mercury 2.5打出了一组对手无法匹配的组合拳：1107 tokens/s的速度、$0.15/百万token（首发价）的输出成本——速度是Luna的8倍以上，输出价格仅为Haiku 4.5的三十分之一。
Inception官方报告相比Mercury 2有40%的智能提升，在Agent任务和长上下文推理上的进步尤为显著。
但有一个数据值得停下来想一想。在AA-Omniscience Accuracy（知识准确性）榜单上，Mercury 2.5得分22.4%，在100多个模型中排名第116位——远低于GPT-5.1的37.7%和Claude Sonnet 4.6的38.6%。这说明它的知识广度和事实性仍是明显短板。
换句话说：Mercury 2.5不是万能的。它在推理和Agent任务上表现不错，但在知识回忆和事实性上远不如传统大模型。这不是一个缺陷——这是一个选择。
分析层
一、技术路线之争：扩散LLM这条没人走通的路
要理解Mercury 2.5，先得理解它为什么能这么快。
几乎所有主流大模型——GPT、Claude、Gemini、Llama、DeepSeek——都是自回归架构。它们生成token的方式是串行的：先预测第一个词，把第一个词喂回模型，再预测第二个词，然后第三个……直到整段文本生成完毕。Inception官方将这种机制形象地描述为打字机。
扩散语言模型（dLLM）则完全不同。它借鉴了Stable Diffusion等图像生成模型的工作原理：先初始化一段完整的噪声文本，然后通过多轮迭代逐步去噪，在每一步同时精炼整个序列。Inception官方的比喻是编辑：同时修改整篇稿件，而不是逐字逐句地写。
这套架构差异带来的后果极其直接——速度不是优化出来的，而是架构决定的。自回归模型的token生成速度受限于串行链路：必须先有token N才能生成token N+1。扩散模型没有这个约束——多步去噪可以充分并行化，GPU利用率远高于自回归推理。这也是为什么Mercury 2.5能做到1107 tokens/s，而同等推理精度的自回归模型往往只有100到200 tokens/s。
但为什么直到2026年才有公司把扩散语言模型做到商业化？答案也很直接：扩散在文本上的质量控制难度远高于图像。图像扩散只需要生成视觉上合理的像素排列——人眼对合理的定义相对宽松。文本则不同：一个错词、一个语法错误、一句逻辑跳跃——读者立即能感知到。扩散LLM在多轮去噪中要同时保证语义连贯性、语法正确性和事实准确性，这在技术上的挑战远比图像生成大得多。
Inception创始人Stefano Ermon是斯坦福大学计算机科学教授，在概率生成模型领域深耕超过15年。2025年11月，Inception完成5000万美元种子轮融资，领投方是Menlo Ventures，参投方包括Microsoft的M12、NVIDIA的NVentures、Snowflake Ventures、Databricks Ventures、Mayfield和Innovation Endeavors——以及Andrew Ng和Andrej Karpathy的个人天使投资。
在种子轮阶段就拿到这样的战投阵容，说明硅谷最聪明的资本赌的不是某一家公司——他们在赌一条全新的技术路线，赌自回归不是最后答案这个判断。
二、商业逻辑：速度不是噱头，是经济模型
如果只是速度快，Mercury 2.5可能只是一个好看的数字。但它的真正价值藏在商业逻辑里。
Inception官方标准定价：输入$0.20/百万token，输出$0.75/百万token——大致处于行业中间水平。但首发折扣价直接把输入压到了$0.04/百万token，输出$0.15/百万token，相当于打2折。
做一个简单的对比：同档位的GPT-5.6 Luna输出价格为$1.20/百万token。Claude Haiku 4.5高达$5.00/百万token。Mercury 2.5首发价$0.15/百万token——仅为后者的三十分之一。
但真正改变经济模型的，是速度带来的复合收益。
考虑一个典型的Agent场景：一次用户查询可能触发5到10次模型调用——查询规划、结果重写、排序、摘要、事实核对。如果每次调用花0.4秒而不是4秒，那么一次用户交互的总延迟从20到40秒压缩到2到4秒。这不仅仅是用户体验的提升——它意味着在同一时间窗口内可以服务更多用户，或者执行更复杂的多步Agent流程。
Inception的客户提供了两个绝佳案例：
OpenCall（AI客服公司）——换用Mercury后，P99响应时间从几分钟降到了1秒，P50从0.4秒降到了0.2秒以下。
Augment Code（代码Agent平台）——将上下文压缩任务迁移到Mercury后，延迟降低了82%，从约150秒降至27秒，成本降低了90%。
这两个客户都不是拿Mercury做聊天——他们做的是AI客服和代码Agent，都是延迟敏感、循环密集的生产负载。在这种场景下，速度直接转化成成本优势和产品壁垒。OpenCall的CEO Oliver Silverstein说得更直接：Mercury是第一个快到来得及接电话的推理模型。
三、竞争格局：不做最强的，只做最快的
Mercury 2.5的定位需要一个精确的坐标图。
在横轴（智能水平）上，它排在GPT-6 Astra、Claude Fable 5.1、Gemini Ultra之下——这些旗舰模型在AA智能指数上得分在40到65分区间，而Mercury 2.5的12分（4单元量表中的2分）显然属于够用但不出众的水平。它真正对标的，是同属高性价比中间层的GPT-5.6 Luna、Claude Haiku 4.5和Gemini 3.5 Flash-Lite。
在纵轴（速度）上，它是这个档位里唯一的异类——其他所有中间层模型都在100到200 tokens/s的区间内挣扎，Mercury 2.5直接跳到了770到1107 tokens/s。
在第三维（成本）上，首发价$0.04/$0.15让它成为同档位中最便宜的选项之一。
这个定位清晰地回答了一个问题：Inception为什么不做最强模型？
答案不是能力问题，而是战略选择。2026年的格局下，GPT-6 Astra、Claude Fable 5.1已经牢牢占据最强模型的心智标签。与其在Anthropic和OpenAI的赛道上正面血拼，不如在一个新维度上建立绝对优势。这个新维度就是：延迟敏感、吞吐优先的高频推理。
这让人联想到NVIDIA当年放弃游戏显卡核心定位、全面转向数据中心和AI计算的战略转折——当旧赛道的头部难以撼动时，最好的策略不是正面硬刚，而是找到一个新维度，在那个维度上做到对手无法追赶。
更重要的是，这个新赛道正在快速膨胀。搜索Agent、语音AI、代码Agent、RAG管道——这些2025到2026年快速爆发的应用场景，无一例外都是延迟敏感的循环调用。500毫秒的响应和4秒的响应，在聊天场景里区别不大，在Agent循环里却是天壤之别。
Inception同步发布的Mercury Voice（TTFT仅170毫秒的语音Agent模型）和Mercury Router（基于dLLM的智能路由系统）两个预览产品，进一步印证了这一战略——它们不是独立的模型产品，而是围绕低延迟推理这个核心能力构建的生态组件。
四、风险与局限：光环下的阴影
但是，Mercury 2.5并非没有问题。
第一个问题是知识事实性。AA-Omniscience Accuracy得分22.4%，在100多个模型中排名第116位。对于需要事实准确性的场景——金融分析、医疗问答、法律研究——这个短板可能是致命性的。
第二个问题是闭源和单一供应商依赖。Mercury 2.5是纯API产品，权重不可获取，且供应商仅Inception一家（通过Baseten和OpenRouter转售）。对于需要私有化部署或数据主权控制的企业客户，这是一条红线。
第三个问题是领域广度有限。Mercury 2.5仅支持文本输入和输出，不支持图像、音频等多模态输入。在2026年多模态已成为标配的市场环境下，这是明显的功能缺失。
第四个问题是市场深度。Inception是一家种子轮公司，尽管有豪华的股东背景，但相比OpenAI、Anthropic、Google等拥有百亿美元级资本和千万级用户的选手，其企业级服务能力、可用性和生态完整性仍有巨大差距。
Ermon在博客中写道：我们的下一个模型已经开始训练，是迄今为止最大的模型，目标是在不牺牲扩散速度和token效率的前提下实现能力上的飞跃。但下一个模型能否解决上述问题，仍是一个悬而未决的问号。
结论/展望
Mercury 2.5的意义不在一款产品本身，而在于它代表的方向：大模型的竞争不再是单一维度的谁更聪明，而是谁能在正确的时间、以正确的成本、做正确的事。
扩散LLM路线如果继续成熟，将对整个AI产业链产生三层冲击。
第一层：推理成本暴跌。如果dLLM能将推理吞吐提升数倍，AI应用的边际成本将大幅下降。这将催生一批原本因推理成本过高而被搁置的应用场景——毫秒级的实时语音对话、穷举式搜索Agent、大规模并行文档处理。
第二层：硬件竞争格局变化。自回归推理的高度串行化特性，促使AWS、Google等大厂自研定制推理芯片（Trainium、TPU）。扩散推理对并行化的天然亲和性，可能让NVIDIA通用GPU重新获得竞争上的优势——有意思的是，NVIDIA正是Inception的投资方之一。
第三层：Agent经济的催化剂。C端Agent的核心瓶颈并非模型智能不足，而是延迟和成本的双重锁定价。一次Agent循环调用N次模型，单次哪怕只花0.5秒也能接受——可一旦N变成30次，加上自回归推理每秒百来token的底速，用户体验断崖下跌。Mercury 2.5的速度让N变成30次时仍然保持在合理延迟范围内。这可能成为Agent从演示走向生产的最后一块短板。
当然，Inception还远未到颠覆的程度。它需要用一款产品和一支数十人的团队，去推倒巨头用万亿参数和十万张GPU构建的护城河。硅谷的共识是，新架构至少还需要一代产品的迭代，才能完成从追平到超越的跨越。
但有一件事已经清晰：大模型不再是自回归的天下。当Inception用5000万美元种子轮和一纸技术论文，做出了可以正面PK万亿参数巨头的产品——那些手握数十亿美元、却还在一行一行地输出token的公司，应该感到后背发凉了。
在过去四年里，几乎所有人都默认自回归就是大模型的标准答案。Mercury 2.5用一种截然不同的方式证明了：标准答案不一定是唯一答案。当巨头们还在用更大的模型、更多的GPU碾压对手时，Inception的故事告诉我们——有时候，换一条路走，比跑得更快更有效。
快报