事件与背景

10 月 19 日，Inception Labs 发布 Mercury 3，官方标题直接叫「Diffusion at Scale」。核心事实有四条：

• 规模：参数量比 Mercury 1 大 40 倍以上，基准智能水平约为 Mercury 1（mini）的 3 倍，而速度没有下降。官方结论是「驱动自回归模型进步的那套 scaling law，在扩散模型上同样成立」。
• 速度：NVIDIA GPU 上 1,068 tokens/s，比 GPT-6 Luna、Claude Haiku 5.5 快 4–8 倍（厂商自测口径）。
• 上下文与价格：上下文 1M tokens（Mercury 2.5 为 260K），定价 $0.20 输入 / $0.70 输出每百万 token；上线期五折 $0.10 / $0.35，缓存命中再打九折。
• 接入方式：OpenAI API 兼容，已在 Inception 自家平台以及 OpenRouter、Baseten、Vercel 上架，支持 tool calling 与结构化输出。

一个容易被忽略的细节：OpenRouter 的模型页显示 Mercury 3 的上架日期是 10 月 16 日，比官方博客早三天——说明它先以「匿名/未命名」形式进了聚合平台，再补上发布叙事。这个模式今年已经出现过多次。

同周的第二个信号来自 MiniMax。10 月 19 日发布的 M3.1 Flash 给出了一组几乎对齐的数字：输出 200+ TPS（P50 稳定在 170+），在线推理比前代快近 3 倍，agent 类任务的整体使用成本降低 70%，定价 $0.15 输入 / $0.60 输出 / $0.015 缓存输入。它还顺手披露了一件事：此前在匿名状态下处理了 200 万亿 token 的「Space Bunny 🐰」，就是 M3.1 Flash 的早期版本。

两家公司在同一周、用同一套语言（TPS、P50、每任务成本、缓存折扣）讲发布，这本身比任何单个 benchmark 分数都更能说明竞争重心在哪。

来源（均已用 curl 验证返回 200）：

• Diffusion at Scale: Introducing Mercury 3 — Inception Labs（2026-10-19）
• Mercury 3 — API Pricing & Providers（OpenRouter，标注上架 2026-10-16）
• MiniMax M3.1 Flash: Redefining Agent Performance and Cost（2026-10-19）

为什么现在重要

1. 模型竞争出现了第二条技术曲线。 过去两年，前沿模型的比拼基本发生在同一个架构内部——更多参数、更多数据、更好的后训练。扩散语言模型长期被视为「快但不够聪明」的旁支；Mercury 3 的主张是这条旁支也能吃到规模红利。影响：模型选型从「单峰排序」变成「按任务分档」，一个团队同时用两三种架构会成为常态而不是例外。

2. 延迟从工程指标变成产品品类变量。 1,068 tokens/s 意味着一次中等长度的回答可以在亚秒级完成。Inception 给出的合作伙伴数据很具体：Octen 的智能眼镜场景里，生成中位耗时 0.9 秒、端到端 2.2 秒；TinyFish 在 50 个 Mind2Web 实时导航任务上完成率 50%，高于 GPT-6.1-Sol，且用的 token 量和步数相同。影响：语音、浏览器 agent、实时辅导这类「等五秒就等于坏掉」的场景，第一次不必在质量上让步。

3. 价格锚点被同时拉低。 Mercury 3 上线价 $0.10/$0.35，MiniMax M3.1 Flash $0.15/$0.60 且缓存输入 $0.015。对多步 agent 来说，真正决定毛利的是缓存命中率与步数，而不是名义单价——一个 40 步的 agent 循环会把 3 倍差价放大成 3 倍账单。影响：成本模型要从「每百万 token」改成「每完成一个任务」。

4. 差异化正在从模型转向推理栈。 两家发布里，最硬的信息都不是 benchmark，而是稀疏化、并行解码、TTFAT（首答 token 时间）、缓存折扣这些服务侧参数。说明在头部模型智力差距收窄之后，谁能把同样的质量以更低延迟交付，才是可防守的优势。影响：自建推理团队的优化目标应当对齐到「任务完成时间 × 成本」，而不是离线评测分数。

5. 但所有对比都是厂商自测。 Mercury 3 的对标对象是「速度优化档」的 GPT-6 Luna 与 Claude Haiku 5.5，不是各家最强模型；MiniMax 的「第一」限定在中国模型范围内；TinyFish、Octen、RevisionDojo、Lorikeet 的证言都来自早期访问伙伴。影响：这些数字足以支撑「值得做一次 PoC」，不足以支撑「直接替换生产主力模型」。

工程师/产品人今天能做什么

1. 拿一个真实的延迟敏感任务做 48 小时 A/B。 选你最有代表性的 agent 循环（浏览器操作、客服应答、检索后总结），固定 prompt、工具集与步数上限，只换模型；记录 P50/P95 端到端时间、任务完成率、平均步数。Mercury 3 在 OpenRouter 上可直接调用，OpenAI 兼容，改一个 base_url 与 model 名即可，不需要重写调用层。
2. 把「每任务成本」接进监控，而不只是 token 单价。 公式是：单价 × 步数 × 平均 token 数 ÷ 缓存命中率。Mercury 3 缓存读 $0.01/M、MiniMax 缓存 $0.015/M，长 system prompt 的 agent 命中率差 20 个百分点，账单就能差出数倍。
3. 确认你的推理栈能不能跑非自回归解码。 并行生成与逐 token 生成在 KV cache、批调度、流式输出语义上都不同。如果自建 vLLM/SGLang，先查版本是否已支持该架构；不支持就只能走 API，这会影响数据驻留与合规评估。
4. 把延迟写进 SLO 与降级策略。 例如语音链路 TTFAT < 300ms、网页 agent 单步 < 1s；超时后自动切回小模型或退回非 agent 的确定性流程。速度提升的最大价值不是「更快」，而是让「超时降级」这条路径变得少被触发。
5. 用线上失败样本做质量回归，而不是刷公开榜。 特别是长上下文：官方只给了 1M 的窗口大小，没给长文检索精度；OpenRouter 同时注明最大输出为 131,072 tokens——「1M 上下文」和「1M 有效推理」是两件事，用你 20 万 token 以上的真实文档测一遍再决定。

待观察

• 独立复现。 截至目前，Mercury 3 的 4–8 倍速度与「优于 GPT-6 Luna / Claude Haiku 5.5」全部来自 Inception 与合作伙伴自述，尚未见到 Artificial Analysis、LMArena 等独立榜单的交叉验证。第三方结果出现前，建议按「未验证」对待。
• 扩散模型在工具调用上的稳定性。 多步 agent 对 JSON 结构与函数签名极其敏感。并行精炼是否会在格式约束上引入抖动，目前没有公开的第三方 agent 基准（DeepSWE、OSWorld、ALE）结果。这是它能否进入生产 agent 链路的关键未知数。
• 统一评测口径。 MiniMax 的 200+ TPS 与 70% 成本下降同样是自测。两家在同一周把速度与成本当主战场，接下来值得看的是：会不会出现跨厂商、按「每任务成本」定义的公共基准。如果有，2027 年的模型采购合同大概率会引用它。
• Mistral 的动向未能核实。 本周 HN 首页热度最高的 AI 条目是 Mistral 的时序基础模型 Timestral（mistral.ai/news/timestral/），但该域名从我所在网络访问 TCP 443 超时（curl 返回 000），无法验证内容，故本文不引用、不评价。Mistral 与 CERN 的科学计算合作（Large Physics Model）可正常访问，属另一条独立线索。