Inception: Mercury 2

Inception: Mercury 2 to model tekstowy od Inception, wymieniony na api14 pod identyfikatorem modelu inception/mercury-2. Należy do kategorii tekstowych, a jego dostawca opisuje go jako wyjątkowo szybki LLM rozumujący oraz jako pierwszy rozumujący dyfuzyjny LLM (dLLM). Data wydania przez dostawcę to 2026-03-04. Jeśli wybierasz model do pipeline'u tekstowego, wyróżniającym szczegółem jest tutaj dyfuzyjne podejście do generowania, a nie konwencjonalny sekwencyjny dekoder.

Jeśli chodzi o możliwości, Mercury 2 przyjmuje tekst i zwraca tekst, więc nie jest modelem multimodalnym. Ma okno kontekstu wynoszące 128 000 tokenów i maksymalne wyjście 50 000 tokenów. Opis dostawcy wskazuje, że zamiast generować tokeny sekwencyjnie, Mercury 2 tworzy i dopracowuje wiele tokenów równolegle. Zachowanie rozumowania jest udostępniane przez parametry żądania, a nie ustalone na stałe, co ma znaczenie, jeśli chcesz kontrolować, ile wewnętrznego rozumowania model wykonuje przed udzieleniem odpowiedzi.

Praktyczne przypadki użycia wynikają z tego połączenia dużego okna kontekstu, dużego budżetu wyjściowego i konfigurowalnego rozumowania. Długie dokumenty, wieloplikowe bazy kodu, transkrypcje i materiały badawcze mieszczą się w 128 000 tokenów, a pułap wyjścia 50 000 tokenów obsługuje długie odpowiedzi, raporty strukturalne i rozszerzone ślady rozumowania. Ponieważ model przyjmuje narzędzia i ustrukturyzowane wyjścia, nadaje się również do przepływów pracy w stylu agentowym oraz aplikacji, które potrzebują odpowiedzi czytelnych maszynowo, a nie swobodnego tekstu. Zespoły, którym zależy na opóźnieniu w zadaniach wymagających intensywnego rozumowania, są naturalnym odbiorcą modelu rozumującego opartego na dyfuzji.

Wywołujesz go przez kompatybilne z OpenAI API api14, używając identyfikatora modelu inception/mercury-2. Obsługiwane parametry żądania to include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, temperature, tool_choice i tools. W praktyce oznacza to, że możesz ustawić pułap tokenów za pomocą max_tokens, dostroić próbkowanie za pomocą temperature, ograniczyć generowanie za pomocą sekwencji stop, zażądać wyjścia w formacie JSON lub zgodnego ze schematem przez response_format i structured_outputs oraz dołączyć wywoływanie funkcji przez tools i tool_choice. Parametry reasoning, reasoning_effort i include_reasoning pozwalają zdecydować, ile rozumowania wykonuje model i czy to rozumowanie jest ci zwracane.

Podane fakty nie wymieniają nieobsługiwanych modalności, limitów szybkości ani zachowania cenowego, więc traktuj model jako wyłącznie tekstowy i sprawdź aktualną tabelę cen na stronie, aby poznać koszt. Jeśli twoje zadanie wymaga wejścia obrazowego lub audio, Mercury 2 nie jest odpowiednim wyborem, ponieważ jego modalności wejściowe i wyjściowe to wyłącznie tekst. W przypadku prostego generowania tekstu, gdy nie potrzebujesz kontroli rozumowania, narzędzi ani ustrukturyzowanego wyjścia, prostszy model może wystarczyć, ale w ramach podanych faktów Mercury 2 obejmuje pracę z tekstem o długim kontekście, użycie narzędzi i odpowiedzi ograniczone schematem.