Mercury 2.5 Preview 每秒 1,107 Token：Inception 的擴散式 LLM 悄悄改寫高速推理的經濟學

當整個產業的目光都聚焦在 Apple 執行長交接與 G20 高峰會之際，Inception Labs 悄悄發布了本週最重要的模型之一。Mercury 2.5 Preview 於 2026 年 8 月 31 日上架 OpenRouter，是這家西雅圖新創公司最新的擴散式大型語言模型（diffusion LLM，dLLM）——它把輸出速度的疆界推到了一年前聽起來像是打錯字的地步：在標準商用 GPU 上達到每秒 1,107 token。

擴散式 LLM 哪裡不一樣？

你今天互動過的絕大多數語言模型都是「自回歸」（autoregressive）架構：文字是一個 token 接一個 token、由左至右生成，每個 token 都以前面的所有內容為條件。這個方法效果極好，卻對速度設下了難以突破的天花板。如果一段回應有 1,000 個 token，模型就必須依序完成 1,000 次運算步驟，你才看得到完整輸出。單次前向傳播內的 GPU 平行化再怎麼做，也消除不了這條依賴鏈。

擴散式 LLM 打破了序列。Mercury 不是一次寫一個 token，而是平行生成一整段文字，再反覆精煉——這與 Stable Diffusion 等圖像生成器背後是同一個核心概念，只是應用在語言上。多次「去噪」（denoising）步驟把一開始粗糙的 token 區塊，逐步打磨成連貫、高品質的輸出。這項技術長期被視為學術界的玩具；由華盛頓大學教授 Stefano Ermon 與同事創立的 Inception，把它變成了商業產品線。

最初的 Mercury 論文（發表於 arXiv）證明，dLLM 在延遲最佳化模式下可以在 H100 GPU 上維持每秒 1,100 以上的 token 輸出，同時保有與速度導向自回歸模型相當的品質。2026 年 2 月推出的 Mercury 2 把這套架構帶進企業工作負載，而 Mercury 2.5 是下一步——也是第一個把真正推理能力推進「次秒級延遲」區間的版本。

Mercury 2.5 的關鍵數字

以下規格整理自 Inception 官方模型頁與 OpenRouter 的供應商資訊：

• 輸出速度：每秒 1,107 token，在標準 NVIDIA GPU 上以平行 token 生成（而非序列解碼）達成
• 上下文視窗：260K token，較 Mercury 2 的 128K 大幅翻倍
• 定價：輸入每百萬 token 0.20 美元、輸出 0.75 美元，快取輸入更只要每百萬 0.02 美元
• 上市折扣：經由 OpenRouter 上的 Inception 供應端打 8 折（80% off），優惠至 2026 年 9 月 8 日 07:00 UTC，實際價格約為輸入 0.04 美元、輸出 0.15 美元
• OpenRouter 實測 P50：輸出 294 tok/s、延遲 1.14 秒，供應商近三日可用率 99.99%

單就經濟學來看，折扣後的價格讓 Mercury 2.5 Preview 成為市場上最便宜的推理模型之一，以極大差距低於同品質級距的對手。即使回到原價，每百萬 0.02 美元的快取輸入費率，對於反覆重送大型系統提示與對話歷史的 agent 工作負載來說也非常有競爭力。

品質主張：比 Mercury 2 高出 10 分以上

沒有智慧的速度只是噱頭，Inception 很清楚這一點。該公司宣稱 Mercury 2.5 的智能水準較 Mercury 2 提升超過 10 分，進入與「成本最佳化前緣模型」相同的品質帶：OpenAI 的 GPT-5.6 Luna（Low）、Google 的 Gemini 3.5 Flash-Lite，以及 Anthropic 的 Claude Haiku 4.5。這些正是支撐今日大多數高流量生產環境的模型——客服、企業搜尋與 agent 子任務的主力。

功能面上，Mercury 2.5 支援可調整的推理等級（開發者可依每個請求在思考深度與延遲之間取捨）、平行工具呼叫，以及符合 schema 的結構化 JSON 輸出。Inception 明確將其定位於「延遲會複利疊加的生產工作負載：搜尋 agent、語音管線與程式碼子代理」。

最後這句話值得停下來想想。在 agentic 系統中，一個使用者看得到的任務，往往會展開成數十次模型呼叫——規劃、檢索、工具使用、驗證。如果每次呼叫要 15 秒，整體體驗就會崩潰。在每秒 1,000 token 以上、首 token 延遲低於 300 毫秒的條件下，擴散模型改寫了 agent 迴圈負擔得起的運算總量。語音的要求更苛刻：一個「開口前要想十秒」的模型在電話裡完全不可用——這正是 Inception 把 Mercury 2 的發布文標題取名為「第一個快到能接起電話的推理模型」的原因。

為什麼速度排行榜沒有說出全部真相

必須留意一點：1,107 tok/s 這個數字要正確解讀。它反映的是模型在輸出導向條件下的平行解碼能力，而 OpenRouter 獨立實測的 P50 是 294 tok/s——依然非常快，足以站上延遲排行榜前端，但行銷數字與實測現實之間有一個數量級的落差。追蹤模型證據的 BenchLM 目前也將 Mercury 2.5 Preview 列為基準狀態「未確認」，意味著第三方標準評測還在追趕這次發布。

比較誠實的說法是：Mercury 2.5 Preview 畢竟是個 Preview，其智能主張主要來自 Inception 自家的比較。但速度是真的，可在生產流量中獨立觀察到；價格也已經在 OpenRouter 上獲得驗證。

大局：速度本身就是一個產品類別

Mercury 2.5 出現的時間點，正值產業悄悄一分為二。前緣實驗室在智能上競爭——更大的模型、更長的推理鏈、更高的基準天花板。與此同時，前緣之下正在進行一場截然不同的競賽：誰能用最低的延遲與成本，提供「夠用」的智能。第二個市場可以說更大。生產環境裡的大多數 token 其實不需要前緣級推理；它們需要的是快、便宜，而且穩定到能塞進產品迴圈裡。

Inception 的賭注是：在這個市場裡，擴散式架構是本質上更優的答案。隨著 Mercury 同時供應於自家 API、OpenRouter，以及更早之前的 Azure AI Foundry，這家規模不大的新創公司已經建立起真正的通路。OpenRouter 的早期流量數據也顯示實際採用：流量最高的幾個應用，每個都已推送超過 2 億 token。

dLLM 最終能否在前緣挑戰自回歸的正統地位，仍是開放的研究問題。但對主宰實際部署的工作負載——搜尋、語音、子代理、自動補全——而言，Mercury 2.5 Preview 剛剛重新定義了「快」的標準。而且在未來一週、打 8 折的價格下，它也是 AI 市場上最划算的交易之一。