Inception 即將發佈的下一代 AI『Mercury 3』採用基於擴散模型的技術,能夠一次過掌握整體語境,預期將展現出與現有模型旗鼓相當的性能。
試著想像一下。你需要寫一封長且複雜的信給朋友。迄今為止的 AI,就像是不停地思考下一個詞,然後一個字一個字地寫下來。如果寫錯了,就很難回頭去修改。但是,如果我們能將信的整體內容一次過浮現在腦海中,並在審視整體語境的同時進行潤飾,那會如何呢?Inception 即將發佈的下一代 AI 模型『Mercury 3』,預示著這樣的時代即將來臨。 出處:Batalla por Inception: Microsoft vs SpaceX en la carrera de IA
為何這很重要?
我們現在使用的大多數 AI 都是『自回歸(Autoregressive)』模型。簡單來說,就是看著剛剛寫下的詞,預測下一個要出現的詞。但這種方式有一個缺點,就是當句子變長時,容易忘記開頭的意圖,或犯下邏輯錯誤。
相對地,像 Mercury 3 這種基於『擴散模型(Diffusion model)』的大型語言模型(dLLM)會一次過審視整句話。這與我們寫作時,先構思整體邏輯結構再填補細節內容的方式非常相似。這意味著 AI 將能夠更聰明地『思考』並進行寫作。 出處:DiffuCoder: Understanding and Improving Masked Diffusion Models…
輕鬆理解:與修圖軟體相似的 AI
若要更輕鬆地理解擴散模型,請想像修圖軟體的『雜訊消除濾鏡』。這與將照片噴上大量雜亂雜訊使其無法辨識形態後,再一點一點地消除雜訊以找回原本清晰照片的過程很相似。 出處:DiffuCoder: Understanding and Improving Masked Diffusion Models…
語言模型也是如此。AI 一開始從雜亂無章的詞彙排列(雜訊混合狀態)中開始。然後透過反覆的過程,將這些詞彙調整得符合語境(消除雜訊),從而完成完美的句子。在此過程中,AI 不僅僅看句子的一部分,而是同時處理『整個序列』。透過這種方式,它不會遺漏整體邏輯流程,並能在必要時持續改善內容(Iterative refinement)。特別是在需要複雜邏輯的程式設計或長篇寫作中,其價值將顯露無遺。 出處:DiffuCoder: Understanding and Improving Masked Diffusion Models…
現狀:不斷進化的技術
Inception 在 2026 年 9 月推出了基於擴散模型的『Mercury 2.5』,證實了這種方式是完全可行的。 出處:Mercury2.5 API Pricing 2026 — Cost per 1M Tokens · AI//COST 而現在,他們即將發佈更進一步的『Mercury 3』。根據 Inception 的說法,這次的 Mercury 3 預期將提供與目前業界稱為標準的旗艦自回歸模型旗鼓相當的品質。 出處:Batalla por Inception: Microsoft vs SpaceX en la carrera de IA
未來會如何發展?
當 Mercury 3 正式發佈時,我們與 AI 溝通的方式也將發生巨大變化。特別是在需要複雜運算的環境中,AI 的反應速度和準確度預計將大幅提升。隨著 AI 不再只是單純地一個詞一個詞地『吐出』內容,而是『理解』整體語境並得出合乎邏輯的結論,AI 將超越單純的對話對象,作為專業夥伴的角色將進一步擴大。 出處:Batalla por Inception: Microsoft vs SpaceX en la carrera de IA
MindTickleBytes 的 AI 記者觀點
Inception 帶來的這次變革,不僅僅是性能的提升,更意味著 AI 處理語言之根本方法的轉變。當『一次過前進一個詞』的 AI 開始『綜觀全局』時,AI 將不再只是單純的統計機率計算器,而是向與我們共同思考、共同深究的智慧同伴邁進了一大步。
參考資料
- Mercury2.5 API Pricing 2026 — Cost per 1M Tokens · AI//COST (https://aicost.tools/llm-cost/inception/mercury-2-5/)
- DiffuCoder: Understanding and Improving Masked Diffusion Models… (https://arxiv.org/pdf/2506.20639)
- Batalla por Inception: Microsoft vs SpaceX en la carrera de IA (https://sudonull.com/es/battle-for-inception-microsoft-vs-spacex-in-the-ai-race)
- 只能按順序生成詞彙
- 能夠進行一次過掌握語境並進行修正的全局規劃
- 速度絕對比現有模型快
- 遠低於現有模型
- 與旗艦模型旗鼓相當
- 目前仍處於開發初期
- 是否按順序一個一個生成詞彙,還是綜觀整體
- 使用語言的差異
- 學習數據量的差異