Inception: Mercury 2

Inception: Mercury 2 è un modello testuale di Inception, elencato su api14 con l'id modello inception/mercury-2. Appartiene alla categoria testo ed è descritto dal suo fornitore come un LLM di ragionamento estremamente veloce, e come il primo LLM di diffusione per il ragionamento (dLLM). La data di rilascio del fornitore è 2026-03-04. Se stai scegliendo un modello per una pipeline testuale, il dettaglio distintivo qui è l'approccio di diffusione alla generazione anziché un decoder sequenziale convenzionale.

Sulle capacità, Mercury 2 accetta testo in input e restituisce testo in output, quindi non è un modello multimodale. Ha una finestra di contesto di 128.000 token e un output massimo di 50.000 token. La descrizione del fornitore osserva che, invece di generare token in sequenza, Mercury 2 produce e raffina più token in parallelo. Il comportamento di ragionamento è esposto tramite parametri della richiesta anziché essere fisso, il che conta se vuoi controllare quanto ragionamento interno il modello esegue prima di rispondere.

I casi d'uso pratici derivano da quella combinazione di una grande finestra di contesto, un grande budget di output e ragionamento configurabile. Documenti lunghi, basi di codice multi file, trascrizioni e materiale di ricerca rientrano nei 128.000 token, e il tetto di output di 50.000 token supporta risposte di lunga forma, report strutturati e tracce di ragionamento estese. Poiché il modello accetta strumenti e output strutturati, si adatta anche a flussi di lavoro in stile agente e ad applicazioni che necessitano di risposte leggibili dalla macchina anziché testo libero. I team che tengono alla latenza in attività ad alto ragionamento sono il pubblico naturale per un modello di ragionamento basato sulla diffusione.

Lo chiami tramite l'API compatibile con OpenAI di api14 usando l'id modello inception/mercury-2. I parametri di richiesta supportati sono include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, temperature, tool_choice e tools. In pratica questo significa che puoi impostare un tetto di token con max_tokens, regolare il campionamento con temperature, vincolare la generazione con sequenze di stop, richiedere output in formato JSON o conforme a uno schema tramite response_format e structured_outputs, e collegare il function calling tramite tools e tool_choice. I parametri reasoning, reasoning_effort e include_reasoning ti permettono di decidere quanto ragionamento esegue il modello e se quel ragionamento ti viene restituito.

I fatti forniti non elencano modalità non supportate, limiti di frequenza o comportamento di prezzo, quindi considera il modello come solo testo e controlla la tabella dei prezzi aggiornata sulla pagina per il costo. Se la tua attività richiede input di immagini o audio, Mercury 2 non è la scelta giusta, poiché le sue modalità di input e output sono solo testo. Per una generazione testuale semplice in cui non hai bisogno di controllo del ragionamento, strumenti o output strutturato, un modello più semplice può essere sufficiente, ma entro i fatti dichiarati Mercury 2 copre il lavoro testuale a contesto lungo, l'uso di strumenti e le risposte vincolate a uno schema.