Mercury 2, da Inception Labs, supera o DiffusionGemma do Google no próprio jogo

O Mercury 2 não é só mais rápido, ele representa uma mudança de paradigma na arquitetura de inferência para modelos de raciocínio. Enquanto a maioria dos LLMs ainda usa decodificação autoregressiva (um token por vez, com feedback contínuo), o Mercury 2 adota diffusion text como camada central: inicia com um bloco inteiro de tokens ruidosos e refina tudo em poucos passos paralelos. Isso reduz drasticamente a latência de chamadas curtas e repetidas, exatamente o que subagentes precisam em sistemas orquestrados. A diferença prática? Não é só 'responder rápido', mas permitir que dezenas de chamadas simultâneas de pequeno porte (como validação de código, roteamento de requisição ou compressão de contexto) rodem sem engarrafar o pipeline.

A escolha técnica tem implicações diretas no custo operacional: segundo o caso da Augment Code, trocar Claude Opus 4.7 por Mercury 2 cortou 90% do custo em subagentes de compacção, porque cada chamada gera 1.000 tokens/s em hardware padrão, sem exigir chips especializados como os usados pela OpenAI em sua solução de 1.000 t/s com Cerebras (cobertura CEVIU de 16/02). Isso coloca a difusão textual não como curiosidade, mas como nova camada de infraestrutura para agentes reais.

Na cobertura CEVIU de 10/06 e 11/06, o DiffusionGemma era apresentado como um modelo experimental aberto, otimizado pela NVIDIA para execução local, mas com desempenho questionável em benchmarks rigorosos (69,1% no AIME 2026). O Mercury 2, lançado 12 dias depois, mostra que a abordagem diffusion já evoluiu para entregar tanto velocidade quanto qualidade aplicada: 90% no mesmo AIME, mantendo os 1.000 tokens/s. Ou seja, saiu do estágio 'prova de conceito' para 'produto de produção'. Também mudou o posicionamento estratégico: enquanto o DiffusionGemma prioriza acessibilidade (open weights, Hugging Face), o Mercury 2 aposta em API fechada, foco em subagentes e integração vertical, alinhado ao que a Inception chama de 'Pareto frontier' entre qualidade, velocidade e custo.

Isso importa porque muda quem controla o ritmo dos sistemas de IA. Modelos lentos forçam arquiteturas conservadoras: poucos agentes, chamadas raras, lógica centralizada. Com diffusion LLMs rápidos e baratos como o Mercury 2, dá para distribuir o trabalho, ter um agente verificando segurança, outro resumindo logs, um terceiro gerando sugestões de commit, tudo em milissegundos. Não é sobre substituir GPT-5 ou Gemini 3.5 Flash em raciocínio profundo, mas sobre tirar o gargalo de latência que impedia a escala real de agentes. E isso já está acontecendo: empresas como Augment Code já o usam em produção, não como experimento, mas como peça crítica de infraestrutura.