Mercury 2: hoe een diffusie-taalmodel 1.000 tokens per seconde haalt

Wie regelmatig met AI werkt, kent het: je drukt op enter en kijkt toe hoe het antwoord woord voor woord verschijnt, alsof er een onzichtbare typemachine aan het werk is. Voor een e-mail maakt dat niet uit. Voor een spraakassistent, of een agent die twintig stappen achter elkaar zet, is die wachttijd het hele probleem.

Op 24 februari 2026 bracht het Amerikaanse Inception Mercury 2 uit, een taalmodel dat de typemachine overslaat. Het schrijft niet token voor token, maar werkt een heel antwoord tegelijk bij. Volgens Inception haalt het zo ruim 1.000 tokens per seconde, meer dan tien keer zoveel als de snelle modellen van Anthropic en OpenAI.

Wat is een diffusie-taalmodel?

Een diffusie-taalmodel maakt tekst door een ruwe versie van het hele antwoord in een aantal stappen te verfijnen, in plaats van woord voor woord te voorspellen. Elke stap past veel posities tegelijk aan. Hetzelfde principe zit achter beeld- en videogeneratoren zoals Stable Diffusion en Sora: die beginnen met ruis en maken daar stap voor stap een beeld van.

De bekende taalmodellen, zoals de GPT-reeks, Claude en Gemini, werken autoregressief. Ze voorspellen één token, zetten dat achter de tekst en voorspellen dan het volgende. Dat is per definitie sequentieel: token 500 kan pas berekend worden als token 499 er staat, hoeveel GPU's je er ook tegenaan gooit.

Vergelijk het met het verschil tussen een typemachine en een eindredacteur. De typemachine zet letter na letter op papier en kan niet terug. De eindredacteur overziet de hele tekst en verbetert op meerdere plekken tegelijk. Een diffusiemodel kan in een latere verfijningsstap nog iets aanpassen dat eerder in het antwoord staat, en Inception presenteert dat als ingebouwde foutcorrectie. Hoe groot dat voordeel in de praktijk is, valt moeilijk te zeggen: ook redeneermodellen corrigeren zichzelf, alleen doen ze dat in hun denkstappen, vóór het eigenlijke antwoord.

Hoe snel is Mercury 2?

Inception meet 1.009 tokens per seconde op NVIDIA Blackwell-GPU's. Ter vergelijking noemt het bedrijf ongeveer 89 tokens per seconde voor Claude Haiku 4.5 (met redeneren) en 71 voor GPT-5 mini. Een antwoord van 500 tokens staat er bij Mercury 2 dus in een halve seconde. Bij 80 tokens per seconde duurt hetzelfde antwoord ruim zes seconden.

Voor de gebruiker telt de totale wachttijd, inclusief het denkwerk. Daar is het verschil nog groter. In de lanceringscijfers, zoals The Decoder ze overnam, kost een taak Mercury 2 van begin tot eind 1,7 seconde. Gemini 3 Flash doet er 14,4 seconden over, GPT-5 mini 22,8 en Claude Haiku 4.5 23,4.

Dit zijn metingen van Inception zelf, op eigen hardware en met eigen instellingen. Onafhankelijke vergelijkingen kunnen anders uitvallen.

Is Mercury 2 ook slim, of alleen snel?

Snelheid heeft geen waarde als het antwoord niet klopt. Inception noemt Mercury 2 het eerste diffusie-taalmodel dat kan redeneren, met een instelbare hoeveelheid denkwerk. Het bedrijf publiceerde deze scores:

• AIME (wiskundewedstrijd): 91
• GPQA Diamond (natuurwetenschap op promotieniveau): 74
• IFBench (instructies precies opvolgen): 71
• LiveCodeBench (programmeren): 67

Daarmee hoort Mercury 2 bij de snelle, goedkope modellen, niet bij de zwaarste modellen van dit moment. Inception claimt dat ook niet: het positioneert de kwaliteit als vergelijkbaar met de beste op snelheid geoptimaliseerde modellen. De belofte is dus niet "slimmer", maar "even slim en veel sneller".

Waar maakt die snelheid verschil?

In een chatvenster is het verschil tussen twee en zes seconden prettig, maar niet beslissend. Het wordt interessant waar wachttijden zich opstapelen.

• Spraak. In een gesprek valt een stilte van een paar seconden direct op. Inception bracht in juli 2026 een aparte spraakversie van Mercury 2 uit, met volgens het bedrijf minder dan 300 milliseconden tot het eerste token.
• Agents en RAG. Een agent die plant, zoekt, een tool aanroept en weer plant, wacht bij elke stap op het model. Tien stappen van vijf seconden is bijna een minuut; tien stappen van een halve seconde merk je nauwelijks. Hetzelfde geldt voor een RAG-pipeline die per vraag meerdere keren een model laat beoordelen welke documenten relevant zijn.
• Programmeren. Code die vrijwel direct op je scherm staat, houdt je in je flow. Bij kleine bewerkingen en aanvullingen weegt snelheid zwaarder dan de allerbeste redenering.

Wie zit erachter, en wat kost het?

Inception is opgericht door drie hoogleraren die zelf onderzoek deden naar diffusiemodellen: Stefano Ermon (Stanford), Aditya Grover (UCLA) en Volodymyr Kuleshov (Cornell). In november 2025 haalde het bedrijf 50 miljoen dollar op in een ronde onder leiding van Menlo Ventures, met onder meer de investeringsfondsen van Microsoft (M12) en Nvidia (NVentures). Andrew Ng en Andrej Karpathy investeerden persoonlijk.

Mercury 2 is bereikbaar via een API die compatibel is met die van OpenAI. Bestaande code kan in principe blijven werken als je de base-URL en de modelnaam aanpast. Het contextvenster is 128.000 tokens. De prijs: 0,25 dollar per miljoen input-tokens en 0,75 dollar per miljoen output-tokens. Voor Gemini 3 Flash noemt Inception ter vergelijking 0,50 en 3,00 dollar.

Is de latentiemuur nu doorbroken?

Voor één soort werk wel: snelle, goedkope aanroepen waar wachttijd zwaarder weegt dan de laatste procenten kwaliteit. Voor het zwaarste denkwerk blijft een groot autoregressief model de logische keuze, en dat zegt Inception eigenlijk zelf ook. Intussen bouwt het bedrijf door: op 8 september 2026 kwam Mercury 2.5 uit.

De snelste manier om te voelen wat 1.000 tokens per seconde betekent, is het zelf proberen in de chatomgeving van Inception. Zet het redeneerniveau hoog, geef een programmeeropdracht en kijk hoe snel de code er staat. Grote kans dat de typemachine daarna trager aanvoelt dan je gewend was.

Verder lezen op deze site

• OpenAI WebSockets: waarom agents met veel toolcalls sneller worden
• Programmatic tool calling: waarom AI-agents hun tools steeds vaker via code aanroepen
• Welk AI-model draai je op je eigen laptop? Gemeten op 16 GB, oktober 2026

Bronnen

• Inception: Introducing Mercury 2
• The Decoder: Inception launches Mercury 2, the first diffusion-based language reasoning model
• TechCrunch: Inception raises $50 million to build diffusion models for code and text
• Menlo Ventures: From the Lab to the Frontier, the story behind Inception
• Inception-blog (Mercury 2 Voice, Mercury 2.5)