Mercury 3 erzeugt mehr als 1.000 Token pro Sekunde

Worum es geht

Inception hat am 19. Oktober 2026 das Sprachmodell Mercury 3 veröffentlicht. Nach Angaben des Unternehmens erzeugt es auf Nvidia-Grafikprozessoren 1.068 Token pro Sekunde und arbeitet damit vier- bis achtmal schneller als GPT-6 Luna und Claude Haiku 5.5. Der entscheidende Unterschied liegt nicht nur in größerer Rechenleistung: Mercury 3 ist ein Diffusionsmodell und erstellt Text anders als die verbreiteten autoregressiven Modelle.

Das ist vor allem dort interessant, wo jede Pause auffällt. Sprachassistenten, Suchdienste, Lernprogramme und Browseragenten stellen nacheinander viele Modellanfragen. Schon wenige hundert Millisekunden pro Schritt können sich dort zu einer spürbaren Wartezeit summieren.

Was Mercury 3 tatsächlich macht

Klassische Sprachmodelle erzeugen ihre Ausgabe Token für Token. Jedes neue Stück Text hängt vom vorherigen ab. Mercury 3 beginnt dagegen mit einem groben Entwurf für mehrere Textstellen und verbessert diesen in mehreren Durchläufen. Dadurch kann das Modell mehrere Bereiche einer Antwort gleichzeitig bearbeiten.

Inception nennt ein Kontextfenster von einer Million Token. Die regulären API-Preise liegen bei 0,20 US-Dollar je Million Eingabe-Token und 0,70 US-Dollar je Million Ausgabe-Token; zum Start gelten laut Anbieter halbierte Preise. Die API ist mit dem OpenAI-Format kompatibel und wird auch über OpenRouter, Baseten und Vercel angeboten.

In den eigenen Tests gewann Mercury 3 acht von zwölf Vergleichen. Es erreichte 76,84 Punkte bei IFBench und 51,08 Punkte bei SWE-Bench Atlas. Das Bild ist jedoch nicht einheitlich: Claude Haiku 5.5 lag im längeren Programmiertest DeepSWE sowie bei der Suche in langen Texten vorn.

Warum das wichtig ist

Geschwindigkeit verändert, welche Anwendungen praktisch funktionieren. Ein Agent, der eine Webseite in 30 Schritten bedient, wartet 30-mal auf das Modell. Sinkt die Erzeugungszeit jedes Schritts, wird nicht nur die Oberfläche flüssiger; der Agent kann in derselben Zeit auch alternative Wege prüfen.

Ein früher Partner von Inception testete Mercury 3 mit 50 realen Navigationsaufgaben und meldete eine Erfolgsquote von 50 Prozent. Ein Anbieter für Suchen auf Datenbrillen nennt eine mittlere Modellzeit von 0,9 Sekunden und eine gesamte Antwortzeit von 2,2 Sekunden. Diese Beispiele zeigen den möglichen Nutzen, sind aber keine unabhängigen Vergleichsstudien.

Auch technisch ist die Veröffentlichung relevant. Diffusionsmodelle sind aus der Bilderzeugung bekannt, doch Forschungsarbeiten wie Googles DiffusionGemma untersuchen denselben Ansatz für Text. Mercury 3 liefert nun ein kommerzielles Beispiel dafür, dass sich diese Architektur auf größere Modelle übertragen lässt.

Einfach erklärt

Ein autoregressives Modell arbeitet wie jemand, der einen Brief mit einem Kugelschreiber schreibt: Wort für Wort, ohne später leicht an den Anfang zurückspringen zu können. Ein Diffusionsmodell ähnelt eher einer Person mit Bleistift, die zuerst auf dem ganzen Blatt eine grobe Skizze anlegt und anschließend mehrere Stellen zugleich verbessert. Das kann schneller sein, solange die Überarbeitungen zuverlässig zusammenpassen.

Praktisches Beispiel

Angenommen, ein Supportagent muss für eine Anfrage nacheinander zehn Dokumente durchsuchen, drei Regeln prüfen und eine Antwort formulieren. Bei 13 Modellschritten und zwei Sekunden Erzeugungszeit pro Schritt entstehen allein 26 Sekunden Wartezeit. Würde ein schnelleres Modell denselben Schritt in einer halben Sekunde erledigen, sänke dieser Anteil auf 6,5 Sekunden.

Diese Rechnung ist nur ein Rechenbeispiel. In der Praxis kommen Netzwerkzeit, Werkzeuge, Datenbankzugriffe und mögliche Wiederholungen hinzu. Außerdem hilft hohe Token-Geschwindigkeit wenig, wenn das Modell häufiger falsche Entscheidungen trifft.

Einordnung und Grenzen

Erstens stammen Geschwindigkeit, Qualität und Partnerberichte überwiegend von Inception. Unabhängige Tests unter identischer Hardware und mit realen Lastspitzen fehlen bislang. Zweitens nennt das Unternehmen die genaue Modellgröße nicht; dadurch lassen sich Effizienz und Ressourcenbedarf nur eingeschränkt vergleichen.

Drittens bedeutet eine hohe Tokenrate nicht automatisch eine bessere Antwort. Bei Programmierung, langen Dokumenten und anspruchsvollen Schlussfolgerungen zeigen die veröffentlichten Tabellen gemischte Ergebnisse. Unternehmen sollten deshalb eigene Aufgaben, Fehlerquoten, Gesamtlatenz und Kosten testen. Der Einführungspreis ist zudem zeitlich nicht klar begrenzt und darf nicht als dauerhafte Kalkulationsgrundlage gelten.

SEO- und GEO-Schlüsselbegriffe

Mercury 3, Inception Labs, Diffusionsmodell, Diffusion LLM, Sprachmodell, Token pro Sekunde, KI-Agenten, OpenAI-kompatible API, Textgenerierung, Nvidia GPU, Modelllatenz, DiffusionGemma