扩散模型挑战自回归：Inception Mercury 3宣称速度与精度双超GPT-6

一家名为Inception的AI公司近日发布新一代扩散语言模型Mercury 3，并抛出惊人论断：这是迄今为止能力最强的扩散语言模型，速度比当前主流自回归模型快4到8倍，还能在多数基准测试中战胜对手。这一宣称如果成立，可能对近年来由GPT系列和Claude系列所主导的自回归架构路线构成直接挑战。

快4到8倍：直指主流旗舰的小模型

根据Inception公布的信息，Mercury 3的对比对象并非无名之辈，而是当前业内颇具代表性的两款模型——OpenAI的GPT-6 Luna与Anthropic的Claude Haiku 5.5。公司宣称，Mercury 3的运行速度达到这两款模型的4至8倍，意味着用户等待响应的时间被压缩到对手的一小部分。

对于实际应用场景而言，速度差异的意义不亚于能力差异。在代码补全、客服对话、智能体高频调用等需要大量短请求的场景中，4到8倍的吞吐优势可以直接转化为更低的延迟体验和更低的部署成本，这也是Inception选择以速度作为核心卖点的关键原因。

12项基准拿下8项：能力宣称同样激进

Inception不仅强调速度，还给出了能力层面的对比数据：在12项基准测试中，Mercury 3在其中8项上的表现超过了GPT-6 Luna和Claude Haiku 5.5。换句话说，公司声称这款模型在约三分之二的评测项目上同时实现了更快和更强。

这一组合拳式的宣称颇为罕见。通常情况下，走极速路线的小模型需要在能力上做出明显让步，而Inception试图证明扩散架构可以在不牺牲质量的前提下突破速度瓶颈。若数据属实，Mercury 3将重新定义“快速模型”的能力标准。

扩散路线 vs 自回归路线：技术分歧的核心

要理解Mercury 3的意义，需要回到两种架构的根本差异。当前几乎所有主流大模型，包括GPT与Claude系列，都采用自回归架构，即一个token接一个token地顺序生成文本。这种方式成熟稳定，但生成速度天然受制于串行过程。

扩散语言模型则借鉴了图像生成领域的扩散技术思路，从带噪声的序列出发，通过多步去噪并行地“雕琢”出整段文本。这种方式有机会实现大规模并行生成，从而大幅提升速度。过去业界对扩散语言模型的疑虑主要在于质量控制与推理效率，而Mercury 3正是试图正面回应这些质疑。

尚无独立测试：宣称与验证之间的距离

需要注意的是，目前所有性能数据均来自Inception自己的宣传材料，第三方独立测试尚未出现。基准测试的选择、评测条件的设置、对比模型的配置参数，都可能显著影响最终结果。历史上，初创公司公布的自测数据与社区复测结果之间存在落差的案例并不少见。

因此，业界普遍持观望态度：在Artificial Analysis等独立机构或开源社区完成复现评测之前，Mercury 3的“8比12战绩”只能视为厂商单方面的主张。此外，Inception尚未详细披露该模型的参数规模、训练成本与部署要求，这些信息同样是评估其商业价值的关键。

对行业格局的潜在冲击

如果Mercury 3的表现经得起独立验证，其影响将不仅限于一家创业公司的商业成功。自回归架构过去数年的统治地位，建立在scaling law与成熟的工程生态之上；而扩散路线若能在速度与能力的平衡上取得突破，将为整个行业提供一条新的技术路径，尤其在低延迟、高吞吐的商业场景中形成差异化竞争。

接下来值得关注的节点包括：独立基准测试结果的发布、Inception是否开放API或开源部分能力供开发者实测，以及GPT-6 Luna与Claude Haiku 5.5的所属公司是否会以更快的推理版本作出回应。扩散与自回归之争，或许才刚刚进入正面交锋的阶段。

无论最终验证结果如何，Mercury 3的发布至少说明：在大模型架构层面，创新空间依然存在，速度维度的竞争正在成为继能力竞赛之后的下一个主战场。