Mercury 3 : le LLM par diffusion d'Inception prétend battre GPT-6 Luna et Claude Haiku 5.5 à plus de 1 000 tokens/s

Mercury 3 : le LLM par diffusion d'Inception prétend battre GPT-6 Luna et Claude Haiku 5.5 à plus de 1 000 tokens/s

🔎 Un modèle par diffusion qui attaque frontalement les géants

Le 19 octobre 2026, Inception Labs, la startup fondée par Stefano Ermon, professeur à Stanford, a dévoilé Mercury 3, un modèle de langage qui ne fonctionne pas comme les autres. Là où GPT, Claude et Gemini génèrent du texte token par token, de gauche à droite, Mercury 3 produit le texte par diffusion — à la manière des générateurs d'images — en raffinant itérativement des blocs entiers de texte.

Le résultat revendiqué par l'entreprise : 1 068 tokens par seconde sur GPU Nvidia, soit une vitesse 4 à 8 fois supérieure à celle des modèles autoregressifs optimisés pour la latence. Et ce n'est pas un modèle de seconde zone : Inception affirme que Mercury 3 atteint la parité qualitative avec GPT-6 Luna d'OpenAI et Claude Haiku 5.5 d'Anthropic, tout en consommant un contexte de 1 million de tokens, contre 260k pour son prédécesseur Mercury 2.5.

Si les chiffres tiennent, c'est une petite révolution architecturale. Mais il faut le dire d'emblée : ces benchmarks sont auto-publiés. Aucune réplication indépendante n'est disponible à ce jour. C'est le point que nous allons examiner avec soin.

L'essentiel

• Mercury 3 est un LLM par diffusion : il génère du texte par raffinement parallèle de blocs, et non token par token, ce qui lui permet d'atteindre 1 068 tokens/s sur GPU Nvidia — 4 à 8 fois plus vite que les modèles autoregressifs optimisés.
• Qualité revendiquée au niveau de GPT-6 Luna et Claude Haiku 5.5, avec un contexte de 1 million de tokens (contre 260k pour Mercury 2.5) et une taille 40 fois supérieure à Mercury 1.
• Prix de lancement agressif : 0,10 $/M tokens en input et 0,35 $/M en output, positionnant Mercury 3 dans la fourchette des modèles économiques, malgré des performances revendiquées premium.
• Attention : tous les chiffres viennent d'Inception Labs elle-même. Pas de réplication indépendante à ce jour. La prudence s'impose avant toute décision d'architecture.

Outils recommandés

Pour situer Mercury 3 dans le paysage complet, consultez notre comparatif mensuel des meilleurs LLM et notre sélection des meilleurs LLM pour coder.

Comment fonctionne un LLM par diffusion — et pourquoi c'est plus rapide

Réponse directe : un modèle par diffusion génère tout un bloc de texte d'un coup, puis l'affine itérativement, au lieu de prédire un token après l'autre. C'est cette parallélisation qui explique les gains de vitesse.

Les LLM classiques (GPT, Claude, Gemini, Llama) sont autoregressifs : chaque token dépend du précédent. C'est une chaîne séquentielle — impossible de générer le token 500 avant le token 499, même avec des GPU surpuissants. La latence de génération est donc structurellement bornée par cette dépendance.

La diffusion inverse la logique. Le modèle part d'un texte bruité — une séquence de tokens aléatoires — et le débruite par étapes successives, en corrigeant l'ensemble du bloc en parallèle. En quelques passes de raffinement, le texte converge vers une sortie cohérente. Chaque passe traite des dizaines ou centaines de tokens simultanément.

C'est l'approche qui a fait le succès des générateurs d'images (Stable Diffusion, DALL-E). La transposer au langage était un défi connu : le texte est discret, non continu, et les erreurs locales se propagent différemment. Inception Labs, co-fondée par Stefano Ermon, l'un des pionniers académiques de la diffusion, est l'équipe la mieux positionnée pour le résoudre.

Le compromis historique de cette approche : la qualité par passe. Un modèle par diffusion doit "deviner" des blocs entiers avant de les corriger, ce qui peut produire des incohérences locales. La prétention de Mercury 3 est d'avoir fermé cet écart — c'est précisément ce que les benchmarks indépendants devront vérifier.

Les chiffres annoncés : 1 068 tokens/s, 1M de contexte, 40x plus gros

Réponse directe : Inception revendique 1 068 tokens/s sur GPU Nvidia, un contexte de 1 million de tokens et un modèle 40 fois plus grand que Mercury 1. Voici ce qu'il faut retenir de chaque chiffre.

Vitesse : 1 068 tokens/s. Pour comparaison, les modèles autoregressifs optimisés pour la vitesse — GPT-6 Luna, Claude Haiku 5.5, Gemini Flash — tournent typiquement entre 130 et 250 tokens/s en production sur infrastructure comparable. Un facteur 4 à 8x, s'il se confirme, change la donne pour les cas d'usage où la latence est le critère numéro un : agents en boucle, génération de code interactive, voix temps réel.

Contexte : 1 million de tokens. Mercury 2.5 plafonnait à 260k. Ce saut rapproche Mercury 3 des meilleurs du marché sur ce critère et le rend utilisable pour l'analyse de corpus entiers, de bases de code volumineuses ou de dossiers juridiques. À noter : la famille Claude 5.5 récemment bouclée par Anthropic mise aussi sur 1 million de tokens de contexte avec Haiku 5.5 — la course au contexte long est désormais ouverte sur tous les fronts.

Taille : 40x Mercury 1. Un bond massif entre deux générations, qui explique en partie les gains de qualité. Inception ne communique pas (à ce stade) sur le nombre de paramètres exact ni sur la taille en bytes — une opacité regrettable pour juger du rapport performance/coût d'infrastructure réel.

Qualité : parité avec GPT-6 Luna et Haiku 5.5. C'est le claim le plus fort, et le plus à vérifier. Atteindre la parité avec les modèles "rapides" des grands labs — et non leurs modèles phares — est déjà ambitieux. Notons que GPT-6 Luna est le petit frère d'une famille qui a fait chuter les prix de moitié dès son lancement, et que Haiku 5.5 est le modèle d'entrée de gamme d'Anthropic. La cible de Mercury 3 est donc claire : le segment vitesse/prix, pas le segment raisonner lourd.

Prix : 0,10 $/M input, 0,35 $/M output — une offensive par les coûts

Réponse directe : à 0,10 $ par million de tokens en entrée et 0,35 $ en sortie, Mercury 3 se positionne dans le bas du marché, tout en revendiquant des performances de milieu de gamme.

Ce positionnement tarifaire est cohérent avec la stratégie d'Inception : la diffusion réduit le coût d'infrastructure par token généré, puisque le parallélisme améliore l'utilisation des GPU. Si le modèle tient ses promesses de qualité, le rapport qualité/prix/vitesse devient difficile à battre.

Mettons en perspective avec le marché. La guerre des prix est déjà lancée : OpenAI a positionné GPT-6 Sol et Luna à moitié prix de la génération précédente, DeepSeek continue de casser les tarifs avec V4 Pro et Flash, et les modèles chinois comme la nouvelle famille Qwen3.6 d'Alibaba pressent le marché par le bas. Dans ce contexte, 0,10 $/0,35 $ est compétitif mais pas révolutionnaire — c'est la combinaison vitesse + prix qui constitue l'argument.

Le calcul est simple pour un cas d'usage agentique : un agent qui génère 10 millions de tokens par jour paiera environ 3,50 $/jour avec Mercury 3, contre potentiellement 4 à 8 fois plus avec un modèle autoregressif de qualité équivalente — sans compter le gain de latence qui multiplie le nombre d'itérations possibles par heure.

Ce que ça change pour les développeurs et les agents IA

Réponse directe : si les claims se vérifient, Mercury 3 devient un candidat sérieux pour les architectures agentiques et les applications où la latence est bloquante.

Les agents IA sont le cas d'usage le plus évident. Un agent qui enchaîne 20 appels d'outils avec réflexion entre chaque passe perd un temps considérable en génération séquentielle. À 1 068 tokens/s, le temps de réflexion du modèle devient quasi négligeable face au temps d'exécution des outils. Pour ce profil de charge, notre guide des meilleurs LLM pour les agents IA devra probablement être mis à jour.

Deuxième cas : le code. L'expérience de complétion en IDE est extrêmement sensible à la latence — au-delà de quelques centaines de millisecondes, l'acceptation des suggestions chute. Un modèle 4 à 8 fois plus rapide, avec un contexte de 1M tokens pour absorber une base de code entière, coche les deux cases. Pour le moment, Claude Sonnet 4.6 et GPT-5.3 Codex dominent ce segment — Mercury 3 pourrait les bousculer.

Troisième cas : les applications grand public en streaming. Génération de contenu, assistants vocaux, chatbots — partout où l'utilisateur attend une réponse instantanée, la vitesse de décodage est un avantage produit direct.

En revanche, pour le raisonnement profond — mathématiques, recherche scientifique, analyse complexe — les modèles de raisonnement lourd (GPT-5.5, Gemini 3 Pro Deep Think, Claude Opus 4.7) restent dans une autre catégorie. Mercury 3 ne prétend pas les concourir, et il ne faut pas lui prêter des intentions qu'il n'a pas.

Le revers de la médaille : des benchmarks auto-publiés

Réponse directe : tous les chiffres de ce lancement viennent d'Inception Labs. Aucune évaluation indépendante ne les confirme à ce jour. C'est le point le plus important de cet article.

Ce n'est pas une accusation — c'est la norme du secteur. OpenAI, Google et Anthropic publient eux aussi leurs propres benchmarks au lancement. Mais trois éléments méritent une vigilance particulière ici.

D'abord, la comparaison "parité avec GPT-6 Luna et Haiku 5.5" dépend entièrement des benchmarks choisis et des paramètres de test. Un facteur 4 à 8x de vitesse peut être mesuré dans des conditions favorables : batching agressif, prompts courts, hardware de pointe non spécifié précisément. La vitesse réelle en production, avec des requêtes hétérogènes, est presque toujours inférieure.

Ensuite, la diffusion a un angle mort connu : les tâches qui exigent une cohérence très longue portée — raisonnement multi-étapes, code structuré sur des centaines de lignes — sont historiquement plus dures pour cette architecture. Les benchmarks de parité portent-ils sur ces tâches, ou sur des tâches de génération générale ? Inception ne le détaille pas encore publiquement.

Enfin, le précédent est encourageant mais limité : les versions précédentes de Mercury avaient été testées de manière plus ou moins indépendante et tenaient leurs promesses de vitesse, avec une qualité en retrait des leaders. Mercury 3 revendique d'avoir fermé cet écart — c'est exactement le type de claim qui doit être répliqué avant d'être cru.

Notre conseil : attendez deux à trois semaines. Les benchmarks communautaires (LiveBench, Artificial Analysis, évaluations indépendantes) arriveront rapidement. Si vous avez un cas d'usage où la vitesse est critique, testez Mercury 3 en parallèle de votre solution actuelle sur vos propres données — c'est le seul benchmark qui compte vraiment.

Où se situe Mercury 3 face à la concurrence

Réponse directe : Mercury 3 attaque le segment vitesse/prix, dominé par GPT-6 Luna, Claude Haiku 5.5 et Gemini Flash — pas le segment des modèles de raisonnement de pointe.

Les vitesses des modèles autoregressifs sont des estimations de marché, pas des chiffres officiels — elles varient selon le fournisseur d'inférence, le batching et la charge.

Le tableau révèle la stratégie d'Inception : ne pas se battre sur la qualité brute contre GPT-5.5 ou Claude Opus 4.7, mais redéfinir le rapport vitesse/qualité/prix sur le segment où la latence est le facteur décisif. C'est une niche réelle et en expansion, tirée par la montée des architectures agentiques.

À surveiller également : la réaction des grands labs. Si la diffusion prouve sa viabilité à l'échelle, attendez-vous à ce que Google, OpenAI ou les labs chinois explorent des architectures hybrides — c'est déjà la direction que prend la recherche académique depuis deux ans.

❌ Erreurs courantes

Erreur 1 : croire les benchmarks de lancement sur parole

Les chiffres publiés au lancement sont mesurés par l'entreprise elle-même, dans des conditions qu'elle choisit. Solution : attendez les réplications indépendantes (2-3 semaines en général) et testez sur vos propres cas d'usage avant de migrer.

Erre 2 : confondre tokens/s et latence perçue

1 068 tokens/s ne signifie pas que la première réponse arrive instantanément. Le time-to-first-token dépend du prefill et de l'inférence initiale. Solution : mesurez la latence de bout en bout sur votre application, pas seulement le débit.

Erreur 3 : migrer une stack entière pour un gain de vitesse

Changer de modèle pour la vitesse sans valider la qualité sur vos données réelles est le meilleur moyen de dégrader silencieusement votre produit. Solution : A/B testez Mercury 3 sur 10 % de votre trafic avant tout bascule.

Erreur 4 : oublier le coût de changement

Changer de modèle implique d'adapter les prompts, de revalider les sorties, de gérer les différences de comportement. Le gain de 0,05 $/M tokens ne justifie pas toujours ce coût. Solution : chiffrez le coût total de migration avant de décider.

❓ Questions fréquentes

Mercury 3 est-il vraiment plus rapide que GPT-6 Luna ?

Selon Inception Labs, oui : 4 à 8 fois, avec 1 068 tokens/s mesurés sur GPU Nvidia. Mais ce sont des chiffres auto-publiés, non répliqués indépendamment à ce jour. Les conditions de mesure (batching, longueur des séquences, hardware exact) ne sont pas entièrement détaillées. Prudence de mise.

Mercury 3 peut-il remplacer Claude ou GPT pour coder ?

Pas encore démontré. La parité revendiquée concerne les modèles optimisés vitesse (Haiku 5.5, GPT-6 Luna), pas les modèles phares de code comme Claude Sonnet 4.6 ou GPT-5.3 Codex. Pour du code sérieux, consultez notre comparatif des meilleurs LLM pour coder et attendez les tests indépendants sur Mercury 3.

Qu'est-ce qu'un LLM par diffusion, en simple ?

Un modèle qui génère du texte en partant d'un brouillon bruité qu'il corrige par passes successives, comme un générateur d'images. Contrairement aux LLM classiques qui écrivent mot après mot, il raffine des blocs entiers en parallèle — d'où la vitesse, mais aussi des défis de cohérence longue portée.

Le prix de 0,10 $/M tokens est-il définitif ?

C'est un prix de lancement (octobre 2026, vérifiez sur inceptionlabs.ai). Les prix de lancement dans ce secteur montent ou baissent rapidement selon la demande et la concurrence. Ne bâtissez pas une stratégie de coûts à long terme sur un tarif de lancement.

Faut-il adopter Mercury 3 dès maintenant ?

Seulement si la latence est votre contrainte absolue et que vous pouvez tester en conditions réelles. Pour la majorité des usages, attendez les benchmarks indépendants — deux à trois semaines de patience valent mieux qu'une migration prématurée.

✅ Conclusion

Mercury 3 est le lancement le plus intéressant du trimestre sur le plan architectural : la diffusion passe enfin à l'échelle industrielle avec des chiffres — 1 068 tokens/s, 1M de contexte, 0,10 $/M input — qui, s'ils se confirment, redéfinissent le segment vitesse/prix face à GPT-6 Luna et Claude Haiku 5.5. Mais tout repose sur des benchmarks auto-publiés : testez, comparez, et suivez notre comparatif mensuel des meilleurs LLM pour voir si Mercury 3 tient ses promesses une fois passé le filtre de l'indépendance.