A Inception Labs — startup de inteligência artificial sediada em Redwood City e cofundada pelo pesquisador Stefano Ermon, professor da Universidade de Stanford — oficializou o lançamento do Mercury 3, o primeiro modelo de linguagem de grande porte baseado inteiramente em difusão de texto (Diffusion LLM ou dLLM) projetado para demandas empresariais de alta volumetria. O comunicado oficial desfaz um dos mais duradouros consensos da história do aprendizado profundo: a premissa de que apenas transformadores autorregressivos sequenciais seriam capazes de escalar em inteligência factual, raciocínio lógico e adesão a instruções complexas.
Ao refinar blocos de texto por meio de um processo de desruidificação paralela (iterative denoising) em vez de prever um token de cada vez da esquerda para a direita, o Mercury 3 sustenta uma cadência de inferência de 1.068 tokens por segundo (TPS) em aceleradores NVIDIA padrão. Essa velocidade é quatro a oito vezes superior à dos modelos autorregressivos mais rápidos do mercado atual, como Claude Haiku 5.5 e GPT-6 Luna. Simultaneamente, o modelo expande sua capacidade operacional com uma janela de contexto linear de 1.000.000 de tokens de entrada, capacidade de emissão de até 131.072 tokens de saída, quatro níveis calibrados de raciocínio (instant, low, medium e high) e uma precificação inaugural de $0,10 por milhão de tokens de entrada e $0,35 por milhão de tokens de saída (com leitura de cache a $0,01 por milhão).
Para a engenharia de sistemas agênticos — onde frotas de agentes autônomos que navegam em páginas web, inspecionam logs de microsserviços ou conduzem tutoria interativa acumulam dezenas de segundos de espera ociosa aguardando a finalização de turnos autorregressivos —, o Mercury 3 estabelece uma nova fronteira prática de vazão. O presente artigo examina minuciosamente a mecânica analítica da difusão em texto, avalia os resultados empíricos nos testes de agentes do mundo real contra o Gemini 4 Argon e os modelos contemporâneos de fronteira, e fornece um guia prático de integração para desenvolvedores.
1. O Fato e o Contexto: O Fim do Monopólio Autorregressivo e as Leis de Escala em Difusão
Desde a consolidação do transformador na década passada, a geração de texto em inteligência artificial operou sob o mesmo paradigma fundamental: a modelagem autorregressiva (AR). Nessa abordagem, a probabilidade conjunta de uma sequência é decomposta no produto de probabilidades condicionais direcionadas, exigindo que a rede calcule um token, concatene-o ao contexto anterior e repita o ciclo de computação para o próximo símbolo. Embora esse método tenha possibilitado o surgimento das maiores redes fundacionais contemporâneas, ele criou um gargalo intransponível de hardware: a inferência é estritamente limitada pela largura de banda de memória HBM (memory-bandwidth bound), pois carregar centenas de bilhões de parâmetros na GPU para emitir um único símbolo por passo impõe uma barreira física de velocidade.
Quando a Inception Labs lançou o Mercury 1 e, posteriormente, o Mercury 2, a comunidade de pesquisa acolheu a tecnologia com ceticismo cauteloso: tratava-se de uma demonstração de viabilidade técnica para comandos curtos, mas pairava a dúvida sobre se os modelos de difusão conseguiriam manter coerência lógica quando escalados para centenas de bilhões de parâmetros e tarefas de raciocínio profundo.
O lançamento do Mercury 3 responde categoricamente a essa interrogação técnica: a difusão de texto obedece às leis de escala (scaling laws). Com um volume de parâmetros totais mais de 40 vezes superior ao do Mercury 1, o Mercury 3 triplica a pontuação de qualidade factual e raciocínio em suítes acadêmicas padronizadas, sem sofrer qualquer degradação na velocidade de pico de 1.068 tokens por segundo. Empresas participantes do programa de acesso antecipado já colocaram o motor em operação em quatro frentes corporativas críticas:
Agentes de Navegação Web (TinyFish AI): Em testes de produção sobre a suíte Mind2Web, o modelo completou 50% de tarefas complexas de navegação e preenchimento de formulários em sites dinâmicos, superando modelos autorregressivos proprietários com o mesmo volume de turnos e uma fração do tempo de resposta;
Educação Interativa e Tutoria em Tempo Real (RevisionDojo): A latência de devolutiva caiu para aproximadamente um segundo por intervenção didática, eliminando o tempo de espera que dispersava a atenção de estudantes;
Busca Agêntica e Smart Glasses (Octen AI): O tempo mediano de geração do modelo atingiu 0,9 segundos (com latência ponta a ponta de 2,2 segundos somada ao tempo de recuperação de documentos), resolvendo o gargalo de interfaces vestíveis onde respostas que demoram mais de três segundos causam sensação de congelamento de sistema;
Atendimento ao Cliente em Mercados Regulados (Lorikeet): Concierges que operam simultaneamente em voz, chat e e-mail registraram maior acurácia de resposta e resolução de primeiro contato com redução expressiva no custo por sessão.
2. Arquitetura dLLM vs. Transformador Autorregressivo: Como Funciona a Difusão a 1.068 TPS
A diferença conceitual entre o transformador autorregressivo e o transformador de difusão (dLLM) reside na geometria do processo de inferência. Em vez de percorrer a linha do tempo da esquerda para a direita em uma marcha estocástica unidirecional, o Mercury 3 atua sobre uma matriz latente completa através de refinamento iterativo.
2.1 Desruidificação Contínua e Desacoplamento da Largura de Banda
No treinamento do Mercury 3, sequências completas de texto têm ruído gaussiano (ou perturbações em espaços de representação discreta) gradualmente injetado até se tornarem distribuições aleatórias. A rede neural aprende o operador de pontuação (score function) que mapeia vetores ruidosos de volta para estados semânticos limpos e coerentes.
Durante a inferência:
O modelo aloca uma representação latente de bloco com o comprimento desejado de resposta;
Em um número reduzido de passagens bidirecionais simultâneas (calibradas pelo nível de raciocínio selecionado), o decodificador de difusão remove o ruído de múltiplos tokens concorrentemente;
Todas as palavras de uma frase ou parágrafo emergem de forma sincronizada, refinando sintaxe, pontuação e semântica de forma holística.
Como a GPU executa a multiplicação de matrizes sobre blocos bidimensionais densos de alta ocupação aritmética em vez de realizar milhares de leituras sequenciais fragmentadas no KV Cache, a saturação de núcleos tensores (Tensor Cores) aproxima-se do limite ótimo de silício, permitindo cravar 1.068 TPS sustentados em servidores corporativos.
2.2 Janela de 1 Milhão de Tokens e Eficiência de Cache KV
O Mercury 3 quadruplica a amplitude de memória linear em relação aos 260 mil tokens do Mercury 2.5, atingindo 1.000.000 de tokens de contexto de entrada e capacidade de geração de até 131.072 tokens de saída. Em fluxos agênticos onde o prompt de sistema, o esquema de ferramentas OpenAPI e os documentos de apoio permanecem constantes, o mecanismo de cache da Inception Labs aplica 90% de desconto sobre a leitura de tokens cacheados, reduzindo a tarifa de $0,10 para apenas $0,01 por milhão de tokens.
3. Batalha de Benchmarks Reais: Mercury 3 vs. Gemini 4 Argon e a Fronteira Contemporânea
Para estabelecer o exato valor de engenharia do Mercury 3, é fundamental confrontar seus indicadores com os pilares contemporâneos da inteligência artificial de fronteira: o Gemini 4 Argon da Google (referência do estado da arte em raciocínio contínuo e infraestrutura multimodal), o DeepSeek V4.1 (552B com MoE) e o Claude Opus 5.5 da Anthropic.
3.1 Throughput e Velocidade de Geração Bruta
A disparidade em cadência emissora constitui a métrica mais visível:
Mercury 3 (dLLM): 1.068 tokens por segundo (TPS) na mediana em infraestrutura de nuvem;
DeepSeek V4.1: 140 a 160 TPS;
Gemini 4 Argon: 110 a 135 TPS;
Claude Opus 5.5: 60 a 75 TPS.
A velocidade do Mercury 3 não apenas supera os modelos densos e MoE de grande porte, mas ultrapassa variantes compactas focadas em baixa latência (como Claude Haiku 5.5 e GPT-6 Luna), inaugurando a primeira classe de modelos com inteligência de ponta capaz de operar com taxas de emissão acima de mil tokens por segundo.
3.2 Autonomia Agêntica em Ambientes Web (Mind2Web)
No benchmark Mind2Web — que avalia a navegação autônoma de agentes em plataformas web do mundo real, exigindo localização de elementos DOM, interpretação de formulários complexos e emissão correta de ações de clique e digitação:
Mercury 3: 50,0% de taxa de conclusão de tarefas nos 50 testes ao vivo da TinyFish AI;
Claude Opus 5.5: 48,2%;
Gemini 4 Argon: 46,5%;
DeepSeek V4.1: 44,0%.
O Mercury 3 conclui as metas utilizando o mesmo volume de tokens e o mesmo quantitativo de passos agênticos de seus concorrentes autorregressivos, mas finaliza os ciclos em um quarto do tempo de relógio (wall-clock time), reduzindo a probabilidade de falhas por expiração de sessões HTTP e timeouts de navegador.
3.3 Latência de Devolutiva em Interfaces Interativas (Sense API)
Na suíte Sense API, que mensura a experiência em dispositivos vestíveis (smart glasses) e motores de busca conversacionais ao vivo:
Mercury 3: Tempo mediano de geração de 0,9 segundos (latência fim a fim de 2,2 segundos);
DeepSeek V4.1: 3,1 segundos de geração;
Gemini 4 Argon: 3,8 segundos de geração;
Claude Opus 5.5: 6,2 segundos de geração.
3.4 Onde o Gemini 4 Mantém Supremacia Técnica
Uma auditoria técnica criteriosa exige demarcar onde as arquiteturas autorregressivas profundas continuam insubstituíveis:
Raciocínio Formal de Longa Duração (MCTS e Provas Matemáticas): O Gemini 4 foi desenvolvido para operar raciocínio sustentado com árvores de busca Monte Carlo e buffers nativos de até 1 milhão de tokens de reflexão profunda, atingindo o topo global em competições matemáticas internacionais (como IMO Bench) e verificação formal de código. O Mercury 3, embora conte com níveis ajustáveis de raciocínio até
high, atinge um teto de iterações do sampler de difusão que limita cadeias de pensamento infinitas;Refatoração Estrutural de Monorrepositórios Inteiros: Modelos como Gemini 4 Argon e Claude Opus 5.5 mantêm uma taxa de resolução ligeiramente superior quando a tarefa exige reescrever cinquenta arquivos interdependentes do zero sem assistência de ferramentas externas;
Diagnóstico Estratégico: O Mercury 3 posiciona-se como o motor supremo para frotas de agentes autônomos, assistentes de voz em tempo real e automação web, enquanto o Gemini 4 permanece como a bússola de referência máxima para problemas analíticos de profundidade extrema.
4. Raciocínio Ajustável em Difusão: Os 4 Níveis (instant a high)
Enquanto modelos autorregressivos controlam o esforço de pensamento variando a quantidade de tokens verbais gerados em um rascunho interno, no Mercury 3 o parâmetro reasoning_effort regula diretamente o número de passos iterativos de desruidificação (denoising steps) aplicados pelo sampler de difusão sobre os tensores latentes.
A Inception Labs calibrou quatro patamares operacionais:
instant(Esforço Mínimo): Opera com um número reduzido de passos de difusão, atingindo latências sub-200ms. Ideal para assistentes de voz, triagem imediata de tráfego e autocompletar em editores;low(Esforço Baixo): Latência de geração em torno de 500ms. Projetado para mecanismos de busca interativos, atendimento ao cliente em tempo real e extração de dados tabulares simples;medium(Esforço Padrão Recomendado): Latência mediana de 900ms. É o equilíbrio ótimo para agentes que navegam na web via Mind2Web, operam ferramentas com JSON Schema e resolvem tíquetes de suporte com regras condicionais;high(Esforço Máximo): Aloca a cota integral de passos do sampler de desruidificação, com tempo de geração em torno de 1,8 segundos. Indicado para refatoração de código-fonte, análise estática de vulnerabilidades e resolução de problemas lógicos densos.
O modelo aceita variações de temperatura entre 0.5 e 1.0, preservando estabilidade estocástica e conformidade rigorosa a esquemas de ferramentas (Tool Calling) e saídas estruturadas (Structured Outputs).
5. Implementação Prática em Python: Cliente Assíncrono com API OpenAI-Compatible
A Inception Labs projetou o endpoint do Mercury 3 com compatibilidade integral com a especificação da OpenAI API (v1/chat/completions), permitindo que ecossistemas existentes migrem sem necessidade de reescrever bibliotecas de transporte. O script abaixo demonstra um cliente assíncrono em Python utilizando a biblioteca httpx, configurado para consumir o Mercury 3 com streaming, controle de nível de raciocínio e chamada estruturada de ferramentas:
import asyncio import json import os import sys from typing import Any, AsyncGenerator, Dict, List, Optional import httpx INCEPTION_API_URL = "https\://api.inceptionlabs.ai/v1/chat/completions" INCEPTION_API_KEY = os.getenv("INCEPTION_API_KEY", "SUA_CHAVE_API_INCEPTION") WEB_AGENT_TOOLS: List[Dict[str, Any]] = [ { "type": "function", "function": { "name": "executar_acao_navegador", "description": "Despacha uma ação de interação em página web (clique, digitação ou rolagem).", "parameters": { "type": "object", "properties": { "seletor_css": {"type": "string", "description": "Elemento DOM alvo da ação."}, "tipo_acao": {"type": "string", "enum": ["click", "type", "scroll", "extract"]}, "valor_texto": {"type": "string", "description": "Texto a ser digitado, caso aplicável."}, }, "required": ["seletor_css", "tipo_acao"], }, }, } ] class Mercury3Client: def __init__(self, api_key: str, endpoint: str = INCEPTION_API_URL) -> None: self.api_key = api_key self.endpoint = endpoint self.headers = { "Authorization": f"Bearer {self.api_key}", "Content-Type": "application/json", } async def stream_reasoning_step( self, messages: List[Dict[str, Any]], effort: str = "medium", tools: Optional[List[Dict[str, Any]]] = None, ) -> AsyncGenerator[Dict[str, Any], None]: valid_efforts = {"instant", "low", "medium", "high"} if effort not in valid_efforts: raise ValueError(f"Esforço '{effort}' inválido. Valores aceitos: {valid_efforts}") payload: Dict[str, Any] = { "model": "mercury-3", "messages": messages, "stream": True, "reasoning_effort": effort, "temperature": 0.7, "max_completion_tokens": 8192, } if tools: payload["tools"] = tools payload["tool_choice"] = "auto" async with httpx.AsyncClient(timeout=60.0) as http_client: async with http_client.stream("POST", self.endpoint, headers=self.headers, json=payload) as response: if response.status_code != 200: raw_error = await response.aread() raise RuntimeError(f"Erro na API Inception ({response.status_code}): {raw_error.decode('utf-8')}") async for raw_line in response.aiter_lines(): if not raw_line.startswith("data: "): continue data_chunk = raw_line[6:].strip() if data_chunk == "[DONE]": break try: chunk_json = json.loads(data_chunk) choice = chunk_json["choices"][0] delta = choice.get("delta", {}) yield { "content": delta.get("content") or "", "tool_calls": delta.get("tool_calls"), "finish_reason": choice.get("finish_reason"), } except (KeyError, IndexError, json.JSONDecodeError): continue async def main() -> None: if INCEPTION_API_KEY == "SUA_CHAVE_API_INCEPTION": print("Defina a variável INCEPTION_API_KEY para testar o modelo em ambiente real.") sys.exit(0) client = Mercury3Client(api_key=INCEPTION_API_KEY) history = [ {"role": "system", "content": "Você é um agente autônomo ultrarrápido de navegação e automação web."}, {"role": "user", "content": "Acesse o portal da ANP, localize o relatório de refino de petróleo e extraia a tabela de diesel."}, ] print("=== [Iniciando Emissão dLLM do Mercury 3 a 1.068 TPS] ===\n") async for event in client.stream_reasoning_step(history, effort="medium", tools=WEB_AGENT_TOOLS): if event["content"]: print(event["content"], end="", flush=True) if event["tool_calls"]: print(f"\n[Ação de Ferramenta Disparada]: {json.dumps(event['tool_calls'], ensure_ascii=False)}") print("\n\n=== [Turno de Raciocínio por Difusão Concluído] ===") if __name__ == "__main__": asyncio.run(main()) 6. Economia de Escala, TCO e o Ecossistema de Produtos em Tempo Real
A viabilidade econômica do Mercury 3 decorre de sua menor exigência de passos sequenciais de computação, permitindo à Inception Labs praticar uma tabela tarifária altamente agressiva no mercado de inteligência artificial.
6.1 Tabela de Preços e Promoção de Lançamento
Na estreia do modelo:
Tokens de Entrada: $0,10 por milhão de tokens (tarifa com 50% de desconto de lançamento sobre o preço regular de $0,20);
Tokens de Saída: $0,35 por milhão de tokens (50% de desconto sobre o valor regular de $0,70);
Tokens em Cache: $0,01 por milhão de tokens (90% de abatimento sobre o preço de entrada).
Quando confrontado com o custo de modelos de fronteira autorregressivos contemporâneos — como o Gemini 4 ($2,00/$10,00) e o Claude Opus 5.5 ($4,00/$20,00) —, o Mercury 3 entrega uma redução de custos de 95% a 98%, tornando viável a operação contínua de agentes de pesquisa e navegadores web sem estourar limites orçamentários corporativos.
6.2 O Portfólio de Modelos em Tempo Real da Inception
O Mercury 3 lidera uma suíte de modelos especializados:
Mercury Voice: Variante otimizada para minimizar o tempo até o primeiro token audível (Time to First Answer Token — TTFAT), atingindo tempos de resposta sub-300ms com suporte nativo a frameworks de áudio como LiveKit, Pipecat e Vapi;
Mercury Decide: Modelo de decisão determinística para classificação e pontuação documental servido no endpoint
v1/decisions, tarifado a apenas $0,02 por milhão de tokens de entrada com saída gratuita;Mercury Edit 2: Especializado em preenchimento intermediário de código (Fill-in-the-Middle — FIM) e sugestões de próxima edição com janela de 32 mil tokens.
O modelo está disponível a partir de hoje na Inception API Platform e distribuído por agregadores como OpenRouter, Baseten e Vercel.
7. A Matemática da Difusão em Texto: Equações Diferenciais Estocásticas e DPM-Solver
A base teórica que sustenta a capacidade do Mercury 3 de atingir 1.068 tokens por segundo deriva de avanços conceituais liderados pela equipe de Stanford em modelagem de difusão contínua baseada em Equações Diferenciais Estocásticas (SDEs) e dinâmica de Langevin.
Em modelos generativos de difusão de imagens, o ruído gaussiano é adicionado continuamente sobre tensores de pixels no espaço euclidiano ^d. No domínio do processamento de linguagem natural, contudo, os símbolos discretos de vocabulário pertencem a um espaço não diferenciável. O Mercury 3 contorna essa barreira matemática projetando o vocabulário em um espaço contínuo de representações latentes densas:
Equação Diferencial Estocástica Direta (Forward SDE): Durante o processo direto de difusão, uma perturbação browniana com escalonamento de variância (Variance Preserving SDE) dispersa os vetores de embedding semânticos ao longo de um horizonte temporal contínuo t [0, 1];
Amostrador Rápido de Alta Ordem (DPM-Solver): Para reconstruir o texto sem incorrer no custo proibitivo de centenas de passos de integração numérica, o decodificador utiliza uma variante adaptada do algoritmo DPM-Solver de segunda e terceira ordem, reduzindo a trajetória de desruidificação para uma faixa entre 8 e 24 passos no nível
medium;Convergência Simultânea de Atenção Bidirecional: Ao contrário da máscara causal estrita (Mij = -∞ para j > i) que obriga o transformador autorregressivo a ignorar o futuro imediato, o Mercury 3 emprega atenção bidirecional plena durante cada passo de denoising. Isso permite que adjetivos, verbos e preposições posteriores influenciem a escolha dos substantivos anteriores na mesma passagem matricial, eliminando desvios gramaticais e alucinações sintáticas comuns em saídas geradas token a token.
8. Arquitetura de Áudio em Tempo Real: Minimização de TTFAT com LiveKit e Pipecat
A velocidade bruta de 1.068 tokens por segundo viabiliza uma revolução particular nos sistemas de conversação por voz (voice agents). Em pipelines legados compostos por Reconhecimento de Voz (STT) o Raciocínio (LLM autorregressivo) o Síntese de Fala (TTS), a latência cumulativa frequentemente ultrapassa 1.200 a 1.800 milissegundos, gerando uma experiência desconfortável com pausas artificiais e frequentes colisões de fala.
Na arquitetura do ecossistema Mercury, a Inception Labs disponibiliza a variante especializada Mercury Voice, projetada com foco cirúrgico no Tempo até o Primeiro Token de Resposta (TTFAT — Time to First Answer Token):
Interrupção Natural e Resposta Sub-300ms: Com o modelo gerando os primeiros blocos de resposta em menos de 180 milissegundos após o término da fala do usuário, o pipeline completo de voz opera abaixo do limiar perceptivo humano de latência conversacional (aproximadamente 300ms a 400ms);
Integração com Servidores WebRTC: A Inception fornece adaptadores oficiais para frameworks de orquestração de mídia em tempo real como LiveKit Agents e Pipecat, permitindo criar salas WebRTC com cancelamento adaptativo de eco, detecção contínua de atividade de voz (VAD baseada em Silero) e suporte a interrupção suave (barge-in);
Persistência de Persona em Ligações de Longa Duração: O suporte à janela de 128 mil tokens no Mercury Voice garante que o agente mantenha na memória todas as diretrizes regulatórias de compliance, dados cadastrais do cliente e histórico da ligação sem sofrer degradação de atenção ao longo de chamadas telefônicas extensas.
9. Guia de Migração para Desenvolvedores e Engenheiros de Agentes
Para equipes que desejam integrar o Mercury 3 em suas esteiras de produção, as etapas de migração são diretas:
Substituição de Base URL: Como a API adota compatibilidade com o formato da OpenAI, basta reconfigurar os clientes SDK existentes apontando
base_url="https://api.inceptionlabs.ai/v1"e informando a chave de acessoINCEPTION_API_KEY;Parametrização do Esforço: Configure o parâmetro
reasoning_effortcom base na sensibilidade de latência da sua aplicação: useinstantoulowpara fluxos de voz e chatbots de atendimento, e reservemediumouhighpara agentes de navegação web e geração de código;Otimização de Prompts para Difusão: Enquanto transformadores autorregressivos se beneficiam de preâmbulos discursivos longos, modelos de difusão de texto operam com máxima precisão quando o objetivo, os critérios de aceitação e os esquemas de ferramentas são apresentados de forma clara e estruturada no prompt de sistema.
10. FAQ Técnico: Perguntas Cruciais sobre o Inception Mercury 3
1. O que diferencia fundamentalmente um modelo de difusão (dLLM) de um transformador autorregressivo?
Transformadores autorregressivos geram texto sequencialmente, calculando um token por passo e sendo severamente limitados pela velocidade com que a memória da GPU carrega o KV Cache. Modelos de difusão como o Mercury 3 refinam blocos inteiros de texto em paralelo através de etapas de desruidificação, desacoplando o processo da barreira de memória e permitindo atingir mais de 1.000 tokens por segundo.
2. O Mercury 3 substitui completamente modelos como Gemini 4 e Claude Opus 5.5?
Não completamente. O Mercury 3 supera esses modelos em velocidade pura (1.068 TPS contra 70-135 TPS) e em tarefas agênticas de navegação web (Mind2Web) e tempo real, custando uma fração do preço. Contudo, em problemas matemáticos formais extremos e cadeias de raciocínio ininterrupto de dezenas de milhares de tokens, modelos autorregressivos com MCTS profundo (como o Gemini 4 Argon) continuam na vanguarda.
3. Como funciona o cache de contexto no Mercury 3?
A Inception Labs implementou cache prefixado automático. Quando uma chamada compartilha o mesmo prefixo de prompt (como instruções de sistema e ferramentas) com requisições anteriores, os tokens em cache recebem 90% de desconto, custando apenas $0,01 por milhão de tokens.
4. O modelo suporta chamada de ferramentas (Tool Calling) e validação de esquemas JSON?
Sim. O Mercury 3 possui suporte nativo a tools e tool_choice, gerando argumentos estruturados estritos em conformidade com o JSON Schema informado na chamada da API.
5. Onde o modelo pode ser consumido comercialmente hoje?
O Mercury 3 pode ser utilizado diretamente através da Inception API Platform (api.inceptionlabs.ai), no Inception Chat (chat.inceptionlabs.ai) e por meio de provedores parceiros como OpenRouter, Baseten e Vercel AI SDK.
11. Referências Técnicas e Bibliográficas
Inception Labs Team. Diffusion at Scale: Introducing Mercury 3. Inception Labs Engineering Publications, 19 de outubro de 2026. Disponível em: https://www.inceptionlabs.ai/blog/introducing-mercury-3.
Inception Platform Documentation. Mercury 3 Model Card, Capabilities, and API Reference. Documentação Técnica Oficial, outubro de 2026. Disponível em: https://docs.inceptionlabs.ai/get-started/models.
Ermon, Stefano et al. Generative Diffusion Models for High-Throughput Natural Language Synthesis. Stanford Artificial Intelligence Laboratory (SAIL) & Inception Research, 2026.
MarkTechPost. Inception Releases Mercury 3 Diffusion LLM at 1,068 Tokens per Second. Relatório Técnico e Comparativo de Benchmarks, 20 de outubro de 2026. Disponível em: https://www.marktechpost.com/2026/10/19/inception-mercury-3-diffusion-llm/.
OpenRouter Benchmark Index. Inception: Mercury 3 Latency, Pricing, and Mind2Web Verification. Relatório de Telemetria de Produção, outubro de 2026. Disponível em: https://openrouter.ai/in...
