Inception: Mercury 2.5

Inception: Mercury 2.5 to model tekstowy od Inception. Należy do kategorii tekstowych, a jego dostawca opisuje go jako najnowszy dyfuzyjny LLM (dLLM) firmy, a także najszybszy LLM rozumujący. Data wydania przez dostawcę to 2026-09-08. Zamiast generować tokeny sekwencyjnie, Mercury 2.5 tworzy i dopracowuje wiele tokenów równolegle.

Model przyjmuje tekst jako dane wejściowe i zwraca tekst jako dane wyjściowe. Ma okno kontekstu wynoszące 260 000 tokenów, co pozwala obsłużyć długie dokumenty, duże pliki kodu lub rozbudowaną historię rozmowy w pojedynczym żądaniu. Maksymalne dane wyjściowe to 65 536 tokenów, więc odpowiedzi mogą być długie, gdy zadanie tego wymaga. Ponieważ jest to model rozumujący, może przeanalizować problem przed podaniem ostatecznej odpowiedzi, a na zachowanie związane z rozumowaniem można wpływać przez obsługiwane parametry.

Te możliwości wskazują na kilka praktycznych zastosowań. Praca z długim kontekstem, taka jak streszczanie lub odpytywanie dużych dokumentów, baz kodu czy transkrypcji, pasuje do okna 260 000 tokenów. Zadania wymagające intensywnego rozumowania, w tym wieloetapowa analiza, planowanie i rozwiązywanie problemów, naturalnie pasują do pozycjonowania modelu jako LLM rozumującego. Obsługa wywoływania narzędzi i ustrukturyzowanych danych wyjściowych czyni go odpowiednim dla przepływów pracy w stylu agentowym oraz dla aplikacji, które potrzebują odpowiedzi w określonym formacie, na przykład do wyodrębniania pól z tekstu lub sterowania dalszą automatyzacją. Równoległe generowanie tokenów sprawia również, że model jest istotny tam, gdzie liczy się opóźnienie odpowiedzi.

Model wywołujesz przez API zgodne z OpenAI w api14, używając identyfikatora modelu "inception/mercury-2.5". Obsługiwane parametry żądania to include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, temperature, tool_choice oraz tools. W praktyce oznacza to, że możesz ograniczyć długość danych wyjściowych za pomocą max_tokens, kontrolować próbkowanie za pomocą temperature, zatrzymać generowanie na podanych sekwencjach za pomocą stop, żądać ustrukturyzowanych lub sformatowanych danych wyjściowych przez response_format i structured_outputs oraz udostępniać funkcje modelowi za pomocą tools i tool_choice. Parametry reasoning, reasoning_effort i include_reasoning pozwalają dostroić, ile rozumowania wykonuje model oraz czy treść rozumowania jest zwracana.

Są przypadki, w których lepiej może pasować inny model. Mercury 2.5 przyjmuje jako dane wejściowe wyłącznie tekst, więc zadania obejmujące obrazy, dźwięk lub inne modalności są poza jego zakresem. Jego dane wyjściowe również są wyłącznie tekstowe. Jeśli Twoje obciążenie nie korzysta z rozumowania ani równoległego generowania, prostszy model może wystarczyć, ale w zadaniach tekstowych okno kontekstu, limit danych wyjściowych i zestaw parametrów czynią Mercury 2.5 elastycznym wyborem.