Inception: Mercury 2.5

Inception: Mercury 2.5 è un modello testuale di Inception. Appartiene alla categoria testo ed è descritto dal suo fornitore come il più recente diffusion LLM (dLLM) dell'azienda, nonché il reasoning LLM più veloce. La data di rilascio del fornitore è 2026-09-08. Anziché generare token in sequenza, Mercury 2.5 produce e affina più token in parallelo.

Il modello accetta testo come input e restituisce testo come output. Ha una finestra di contesto di 260.000 token, che consente di gestire documenti lunghi, grandi file di codice o cronologie di conversazione estese in una singola richiesta. L'output massimo è di 65.536 token, quindi le risposte possono essere lunghe quando il compito lo richiede. Poiché è un modello di reasoning, può elaborare i problemi prima di produrre la risposta finale, e il comportamento di reasoning può essere influenzato tramite i parametri supportati.

Queste capacità indicano alcuni usi pratici. Il lavoro su contesti lunghi, come riassumere o interrogare grandi documenti, basi di codice o trascrizioni, si adatta alla finestra di 260.000 token. I compiti ad alto impiego di reasoning, tra cui analisi multi-step, pianificazione e risoluzione di problemi, sono un abbinamento naturale data la posizione del modello come reasoning LLM. Il supporto per il tool calling e l'output strutturato lo rende adatto a flussi di lavoro in stile agente e ad applicazioni che necessitano risposte in un formato definito, come l'estrazione di campi da testo o l'alimentazione di automazioni a valle. La generazione parallela di token lo rende inoltre rilevante dove conta la latenza della risposta.

Chiami il modello tramite l'API compatibile con OpenAI di api14 usando il model id "inception/mercury-2.5". 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 limitare la lunghezza dell'output con max_tokens, controllare il campionamento con temperature, interrompere la generazione su sequenze date con stop, richiedere output strutturato o formattato tramite response_format e structured_outputs, ed esporre funzioni al modello con tools e tool_choice. I parametri reasoning, reasoning_effort e include_reasoning ti permettono di regolare quanta attività di reasoning svolge il modello e se il contenuto di reasoning viene restituito.

Ci sono casi in cui un altro modello può essere più adatto. Mercury 2.5 accetta solo testo come input, quindi i compiti che coinvolgono immagini, audio o altre modalità sono fuori dal suo ambito. Anche il suo output è solo testo. Se il tuo carico di lavoro non trae vantaggio dal reasoning o dalla generazione parallela, un modello più semplice può essere sufficiente, ma all'interno dei compiti testuali la finestra di contesto, il limite di output e l'insieme di parametri rendono Mercury 2.5 una scelta flessibile.