Inception: Mercury 2

Inception: Mercury 2 es un modelo de texto de Inception, listado en api14 bajo el id de modelo inception/mercury-2. Pertenece a la categoría de texto y su proveedor lo describe como un LLM de razonamiento extremadamente rápido, y como el primer LLM de difusión para razonamiento (dLLM). La fecha de lanzamiento del proveedor es 2026-03-04. Si estás eligiendo un modelo para un pipeline de texto, el detalle distintivo aquí es el enfoque de difusión para la generación en lugar de un decodificador secuencial convencional.

En cuanto a capacidades, Mercury 2 recibe texto y devuelve texto, por lo que no es un modelo multimodal. Tiene una ventana de contexto de 128.000 tokens y una salida máxima de 50.000 tokens. La descripción del proveedor señala que, en lugar de generar tokens de forma secuencial, Mercury 2 produce y refina múltiples tokens en paralelo. El comportamiento de razonamiento se expone a través de parámetros de la solicitud en lugar de ser fijo, lo cual importa si quieres controlar cuánto razonamiento interno realiza el modelo antes de responder.

Los casos de uso prácticos se derivan de esa combinación de una ventana de contexto grande, un presupuesto de salida amplio y razonamiento configurable. Documentos largos, bases de código con múltiples archivos, transcripciones y material de investigación caben dentro de 128.000 tokens, y el límite de salida de 50.000 tokens admite respuestas de formato largo, informes estructurados y trazas de razonamiento extendidas. Como el modelo acepta herramientas y salidas estructuradas, también encaja en flujos de trabajo estilo agente y en aplicaciones que necesitan respuestas legibles por máquina en lugar de texto libre. Los equipos a los que les importa la latencia en tareas con mucho razonamiento son el público natural para un modelo de razonamiento basado en difusión.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo inception/mercury-2. Los parámetros de solicitud admitidos son include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, temperature, tool_choice y tools. En la práctica, eso significa que puedes fijar un límite de tokens con max_tokens, ajustar el muestreo con temperature, restringir la generación con secuencias de parada, solicitar salida en formato JSON o con forma de esquema mediante response_format y structured_outputs, y adjuntar llamadas a funciones mediante tools y tool_choice. Los parámetros reasoning, reasoning_effort e include_reasoning te permiten decidir cuánto razona el modelo y si ese razonamiento se te devuelve.

Los datos proporcionados no enumeran modalidades no admitidas, límites de velocidad ni comportamiento de precios, así que trata el modelo como solo texto y consulta la tabla de precios en vivo en la página para el costo. Si tu tarea necesita entrada de imagen o audio, Mercury 2 no es la opción adecuada, ya que sus modalidades de entrada y salida son únicamente texto. Para generación de texto sencilla en la que no necesitas control de razonamiento, herramientas ni salida estructurada, un modelo más simple puede ser suficiente, pero dentro de los datos indicados Mercury 2 cubre trabajo de texto con contexto largo, uso de herramientas y respuestas restringidas por esquema.