Inception: Mercury 2

Inception: Mercury 2 ist ein Textmodell von Inception, das auf api14 unter der Modell-ID inception/mercury-2 gelistet ist. Es gehoert zur Kategorie Text und wird von seinem Anbieter als extrem schnelles Reasoning-LLM und als erstes Reasoning-Diffusion-LLM (dLLM) beschrieben. Das Veroeffentlichungsdatum des Anbieters ist der 2026-03-04. Wenn Sie ein Modell fuer eine Text-Pipeline auswaehlen, ist das entscheidende Detail hier der Diffusionsansatz zur Generierung statt eines konventionellen sequenziellen Decoders.

Zu den Faehigkeiten: Mercury 2 nimmt Text entgegen und gibt Text zurueck, es ist also kein multimodales Modell. Es hat ein Kontextfenster von 128.000 Tokens und eine maximale Ausgabe von 50.000 Tokens. Die Anbieterbeschreibung weist darauf hin, dass Mercury 2, statt Tokens sequenziell zu generieren, mehrere Tokens parallel erzeugt und verfeinert. Das Reasoning-Verhalten wird ueber Request-Parameter gesteuert statt fest vorgegeben zu sein, was wichtig ist, wenn Sie kontrollieren moechten, wie viel internes Reasoning das Modell durchfuehrt, bevor es antwortet.

Die praktischen Anwendungsfaelle ergeben sich aus dieser Kombination aus grossem Kontextfenster, grossem Ausgabebudget und konfigurierbarem Reasoning. Lange Dokumente, Multi-File-Codebasen, Transkripte und Recherchematerial passen in 128.000 Tokens, und die Obergrenze von 50.000 Tokens fuer die Ausgabe unterstuetzt langformige Antworten, strukturierte Berichte und ausgedehnte Reasoning-Spuren. Da das Modell Tools und strukturierte Ausgaben akzeptiert, eignet es sich auch fuer Agenten-Workflows und Anwendungen, die maschinenlesbare Antworten statt Freitext benoetigen. Teams, denen Latenz bei reasoning-intensiven Aufgaben wichtig ist, sind die natuerliche Zielgruppe fuer ein diffusionsbasiertes Reasoning-Modell.

Sie rufen es ueber die OpenAI-kompatible API von api14 mit der Modell-ID inception/mercury-2 auf. Die unterstuetzten Request-Parameter sind include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, temperature, tool_choice und tools. In der Praxis bedeutet das, dass Sie mit max_tokens eine Token-Obergrenze setzen, mit temperature das Sampling abstimmen, mit stop-Sequenzen die Generierung einschraenken, ueber response_format und structured_outputs JSON- oder schemafoermige Ausgaben anfordern und ueber tools und tool_choice Function Calling anbinden koennen. Die Parameter reasoning, reasoning_effort und include_reasoning lassen Sie entscheiden, wie viel Reasoning das Modell durchfuehrt und ob dieses Reasoning an Sie zurueckgegeben wird.

In den angegebenen Fakten sind keine nicht unterstuetzten Modalitaeten, Rate Limits oder Preisverhalten aufgefuehrt, behandeln Sie das Modell also als rein textbasiert und pruefen Sie die aktuelle Preistabelle auf der Seite fuer die Kosten. Wenn Ihre Aufgabe Bild- oder Audioeingabe erfordert, ist Mercury 2 nicht die richtige Wahl, da seine Eingabe- und Ausgabemodalitaeten ausschliesslich Text sind. Fuer einfache Textgenerierung, bei der Sie keine Reasoning-Steuerung, Tools oder strukturierte Ausgabe benoetigen, kann ein einfacheres Modell ausreichen, aber im Rahmen der angegebenen Fakten deckt Mercury 2 langkontextige Textarbeit, Tool-Nutzung und schema-eingeschraenkte Antworten ab.