Inception: Mercury 2.5

Inception: Mercury 2.5 är en textmodell från Inception. Den tillhör kategorin text och beskrivs av sin leverantör som företagets senaste diffusion LLM (dLLM), samt den snabbaste resonerande LLM:en. Leverantörens utgivningsdatum är 2026-09-08. Istället för att generera tokens sekventiellt producerar och förfinar Mercury 2.5 flera tokens parallellt.

Modellen tar text som indata och returnerar text som utdata. Den har ett kontextfönster på 260 000 tokens, vilket gör att långa dokument, stora kodfiler eller utökade konversationshistoriker kan hanteras i en enda begäran. Den maximala utdatan är 65 536 tokens, så svaren kan bli långa när uppgiften kräver det. Eftersom det är en resonerande modell kan den arbeta igenom problem innan den producerar sitt slutliga svar, och resonemangsbeteendet kan påverkas genom de parametrar som stöds.

Dessa förmågor pekar mot några praktiska användningsområden. Arbete med lång kontext, såsom att sammanfatta eller ställa frågor till stora dokument, kodbaser eller transkriptioner, passar inom kontextfönstret på 260 000 tokens. Resonemangstunga uppgifter, inklusive flerstegsanalys, planering och problemlösning, är en naturlig matchning med tanke på modellens positionering som en resonerande LLM. Stödet för verktygsanrop och strukturerad utdata gör den lämplig för agentliknande arbetsflöden och för applikationer som behöver svar i ett definierat format, såsom att extrahera fält från text eller driva nedströms automatisering. Parallell tokengenerering gör den också relevant där svarstid är viktig.

Du anropar modellen via api14:s OpenAI-kompatibla API med modell-id:t "inception/mercury-2.5". De begärandeparametrar den stöder är include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, temperature, tool_choice och tools. I praktiken innebär detta att du kan begränsa utdatalängden med max_tokens, styra sampling med temperature, stoppa genereringen vid givna sekvenser med stop, begära strukturerad eller formaterad utdata genom response_format och structured_outputs, samt exponera funktioner för modellen med tools och tool_choice. Parametrarna reasoning, reasoning_effort och include_reasoning låter dig justera hur mycket resonemang modellen utför och huruvida resonemangsinnehåll returneras.

Det finns fall där en annan modell kan passa bättre. Mercury 2.5 tar endast text som indata, så uppgifter som involverar bilder, ljud eller andra modaliteter ligger utanför dess omfång. Dess utdata är också enbart text. Om din arbetsbelastning inte drar nytta av resonemang eller parallell generering kan en enklare modell vara tillräcklig, men inom textuppgifter gör kontextfönstret, utdatagränsen och parameteruppsättningen Mercury 2.5 till ett flexibelt val.