Themen › Folge 26

Diffusions-Sprachmodelle: Wie schnell ist Mercury 3 wirklich?

Stand: 2. November 2026 · Redaktion KI News Kompakt · zur Folge 26

Kurz gesagt: Mercury 3 soll über 1.000 Token pro Sekunde schreiben, weil es Text aus Rauschen schärft. Was dahintersteckt und was Messungen zeigen.

Was passiert ist

Am 19. Oktober 2026 hat die kalifornische Firma Inception ihr Sprachmodell Mercury 3 vorgestellt. Es arbeitet nicht wie gängige Chatbots, sondern als Diffusions-Sprachmodell. Nach Herstellerangabe erreicht es 1.068 Token pro Sekunde auf Nvidia-Grafikchips, sei 4- bis 8-mal so schnell wie GPT-6 Luna und Claude Haiku 5.5, übertreffe beide in der Mehrzahl von 12 Tests und verfüge über ein Kontextfenster von 1 Million Token. Unabhängige Tests lagen zum Start nicht vor (The Next Web).

Chef von Inception ist Stefano Ermon, Professor in Stanford, der seit Jahren an den Diffusionsverfahren hinter Bildgeneratoren wie Stable Diffusion und Midjourney forscht. Zu den Geldgebern gehören unter anderem Microsoft und Nvidia.

Die Hintergründe: Wie Diffusion bei Text funktioniert

Klassische Sprachmodelle wie ChatGPT, Claude oder Gemini schreiben Token für Token, also Wortschnipsel für Wortschnipsel. Für jedes neue Stück läuft das ganze Modell einmal durch, und das 200. Wort kann erst entstehen, wenn das 199. steht. Dieses Nacheinander bremst. Grafikchips rechnen gern parallel, warten beim Wort-für-Wort-Schreiben aber meist auf Daten aus dem Speicher.

Ein Diffusionsmodell beginnt dagegen mit einem Block aus Platzhaltern, beim Google-Modell DiffusionGemma sind es 256. In mehreren Durchgängen ersetzt es Platzhalter überall gleichzeitig durch passende Wörter. Unsichere Wörter werden laut Google im nächsten Durchgang wieder verworfen und neu gesetzt. Das Prinzip entspricht dem von Bildgeneratoren: Aus Rauschen wird schrittweise ein scharfes Ergebnis. Weil pro Durchgang viele Wörter entstehen, ist das Verfahren schneller.

Die Einordnung: Was Messungen zeigen

Die unabhängige Messfirma Artificial Analysis führte Mercury 3 mit Stand 1. November 2026 noch nicht. Der Entwickler-Vermittlungsdienst OpenRouter zeigt jedoch live, wie schnell echte Anfragen beantwortet werden. Dort lag der mittlere Durchsatz von Mercury 3 am 1. November 2026 bei 299 Token pro Sekunde, also bei nicht einmal einem Drittel der Herstellerangabe. Zum Vergleich: Claude Haiku 5.5 erreichte direkt bei Anthropic rund 166, GPT-6 Luna bei OpenAI rund 67 Token pro Sekunde. Mercury 3 ist im realen Betrieb damit knapp doppelt so schnell wie Haiku und gut viermal so schnell wie Luna. OpenRouter misst allerdings Anfragen unterschiedlicher Länge, keine Laborbedingungen.

Zur Qualität gibt es erste Praxistests vom 20. Oktober 2026. Das Portal The Neuron machte 8 Stichproben für zusammen gut 4 Cent: Ein kleines Spiel funktionierte, eine Geschichte geriet länger als die geforderten 250 Wörter, und bei einer Wirtschaftsfrage verwechselte das Modell Gewinn pro Tasse mit Gewinnspanne. Der Autor betont selbst, dass das kein kontrollierter Test sei. Gründlicher prüfte Spring Prompt: Beim Erstellen von Präsentationen landete Mercury 3 auf Platz 18 von 24 Modellen, GPT-6 Luna lag bei solchen Aufgaben klar vorn. Ein kleines Spiel war dagegen in 8 Sekunden fertig, Vergleichsmodelle brauchten rund 50. Mit eingeschaltetem Nachdenken verlor Mercury 3 Schnellschach-Partien auf Zeit. Viele Token pro Sekunde helfen wenig, wenn ein Modell sehr viele Token zum Nachdenken braucht.

Inception ist mit dem Ansatz nicht allein. Google zeigte im Mai 2025 die Forschungs-Demo Gemini Diffusion und veröffentlichte im Juni 2026 das frei verfügbare DiffusionGemma, das laut Google über 700 Token pro Sekunde auf einer Gaming-Grafikkarte erreicht. Google selbst nennt das Modell experimentell; in den meisten Tests liegt es hinter dem herkömmlichen Gemma-Modell gleicher Größe. Laut The Decoder kann sich der Tempovorteil in voll ausgelasteten Rechenzentren sogar umkehren.

Beim Preis verlangt Inception für Mercury 3 regulär 20 Cent je Million Eingabe-Token und 70 Cent je Million Ausgabe-Token. Derzeit gilt ein Startrabatt von 50 Prozent ohne genanntes Enddatum, also 10 und 35 Cent. Zum regulären Preis kostet die Eingabe doppelt so viel wie bei GPT-6 Luna oder Claude Haiku 5.5. Inception bezeichnet sein Verfahren als effizienter; unabhängige Energiemessungen zu Diffusions-Sprachmodellen waren mit Stand 1. November 2026 nicht auffindbar.

Was heißt das für dich

Hohes Tempo zählt vor allem dort, wo viele kleine Schritte aufeinander folgen: bei KI-Agenten, bei denen sich jede Wartezeit addiert, beim Programmieren, wenn ein Modell Lücken mitten im Code füllt, und bei Sprachassistenten, in denen Pausen unnatürlich wirken. Bei einer einzelnen Chat-Frage ist der Unterschied kaum spürbar.

• Tempo-Angaben von Herstellern wie Verbrauchswerte im Prospekt lesen: als Bestwert unter Idealbedingungen.
• Schnelle Modelle für kurze, klar umrissene Aufgaben nutzen, etwa Umformulieren, Sortieren oder Code-Schnipsel.
• Für Analysen und Entscheidungen weiterhin gründlichere Modelle einsetzen. Eine falsche Antwort in einer Sekunde ist nur früher falsch.

In Folge 26 von KI News Kompakt vom 2. November 2026 wird die Technik ausführlich erklärt.

Häufige Fragen

Begriffe aus dem Artikel

Weitere Themen