Mercury 3:大規模拡散

2026/10/20 2:27

Mercury 3:大規模拡散

RSS: https://news.ycombinator.com/rss

要約▶

Japanese Translation:

改善されたサマリー:
Mercury 3 は、現在利用可能な最も能力に優れた拡散ベースの大規模言語モデルとして、AI の画期的な飛躍を体現するものです。GPT-6 Luna や Claude Haiku 5.5 といった主要競合製品を上回り、NVIDIA GPU 上で秒間 1,068 トークンの爆発的な速度を実現しています。コンテキストウィンドウは 26 万トークンから大幅に拡大され、現在 100 万トークンまで拡張されています。Mercury 1 の元のサイズよりも 40 倍以上大きく、知能も 3 倍向上しているにもかかわらず、高精度な音声チューター、堅牢なカスタマーサポートエージェント、サブ秒レベルの遅延を持つスマートグラス検索といったリアルタイムアプリケーションに適した効率的な処理を維持しています。このモデルは Inception、OpenRouter、Baseten、Vercel などの主要 API プラットフォームを通じて即座にアクセス可能であり、エンタープライズユーザーには柔軟なデータ保持オプション、専用容量、および 1 億トークン分の無料トライアルを提供しています。価格設定では標準レートからの最大 50% の大幅割引が適用され、低遅延の音声タスク向けに Mercury Voice、大量分類向けに Mercury Decide という専門製品も含まれています。このリリースは業界全体の新たな基準を確立し、高度な機能を発揮するために過剰なコストや低速な処理速度が必要不再是することを証明しています。

本文

Mercury 3:世界最高性能の拡散方式大規模言語モデル

今日リリースされた Mercury 3 は、現在までに登場した中で最も高性能な「拡散(diffusion)」方式の大規模言語モデルです。

主な特徴は以下の通りです。

  • 圧倒的なパフォーマンス: GPT-6 Luna や Claude Haiku 5.5 を凌ぐベンチマークスコアを記録しました。
  • 驚異的な高速処理: 1,000 トokens/秒以上の速度で動作し、従来の 4〜8 倍の高速化を実現しています。
  • スケーラビリティの実証: Mercury 1 に比べてパラメータ数が 40 倍以上増大しており知能レベルも著しく向上していますが、処理速度は同等の性能を維持しています。
  • 実用的な活用事例: すでに早期アクセスパートナーからは、音声・チャットサポート、リアルタイム個別指導、データエンジニアリング、ウェブブラウザ操作など多様な分野での導入が見られています。

主要スペックと価格設定

項目詳細内容
品質Frontier クラスの最適化モデル(GPT-6 Luna や Claude Haiku 5.5)と同等か、それ以上の性能を発揮します。
速度NVIDIA GPU 使用時に 1,068 トokens/秒の処理速度を実現します。
コンテキスト窓26 万トークンから増強され、現在は 100 万トークンをサポートしています。
価格設定(通常)・入力:$0.20 / 100 万トクエン
・出力:$0.70 / 1,000 トクエン
リリース特別価格・入力:$0.10(50% オフ)
・出力:$0.35(50% オフ)
キャッシュメリットキャッシュ済みトークンは入力料金の 90% オフにて利用可能です。

スケーラブルな拡散モデル:技術的背景

Mercury 1 のリリース以来、業界は「拡散方式の LLM が、自己回帰型モデル(autoregressive models)と対抗し、複雑なユースケースにおいてスケーリングできるか」という問いに答え求めていました。

Mercury 3 はこの問いへの明確な肯定解を示しました。

  • スケーリング則の有効性: 拡散方式においても、自己回帰型モデルの発展を支えてきた「スケーリング則」が同様に有効であることを確認。
  • パラメータ増大と知能向上: 総パラメータ数は 40 倍以上に拡大させると同時に、標準ベンチマークにおける知能レベルは Mercury 1(ミニバージョン)から Mercury 3 へと 3 倍向上しました。

実稼働環境における Mercury 3:活用事例と成果

早期アクセスパートナー様は、レイテンシが敏感なアプリケーションの駆動に Mercury 3 を既に導入されています。

ブラウザ使用エージェント(Browser Use Agents)

エージェントは各ステップでモデルを待機するため、わずかな遅延もすぐに蓄積されます。Mercury はウェブ操作やログ解析などにおいて、各パスの速度を維持することで、短時間で回答生成を完了させます。

  • 実績: 50 つの Mind2Web ナビゲーションタスクを実行した結果、**GPT-6.1-Sol よりも著しく高い達成率(タスク完了率 50%)**を示しました。
  • コスト効率: 最先端モデルと同じトークン数およびステップ数を必要としながら、トクエン単価のコストは断然低いという成果を収めました。

Shuhao Zhang(TinyFish AI 共同創業者)

インタラクティブ教育

学習活動は高速なフィードバックループに支えられています。Mercury は各リクエストに対して推論を行い、ほぼリアルタイムで回答することで学生の集中力を維持します。

  • 即時フィードバック: ヒントや正解表示、用語定義などを約 1 秒以内で返却し、品質は旧モデルと同水準かそれ以上です。
  • スムーズな導入: 推論プロセスを放棄せず、既存の教育スタックへのドロップイン(置換)としてスムーズに導入できました。

Michael Tong(General Learning / Revision 共同創業者兼 CTO)

リアルタイム検索エージェント

数秒もの遅延は応答性の低下を招きます。Mercury 3 は多数の文書を検索しつつも、ユーザーが没入している間に回答を提供する能力を有します。

  • 性能データ: Octen の Sense API 試験では、モデル生成のボトルネック解消に成功しました。
    • 中位生成時間:0.9 秒
    • 全体エンドツーエンドレスポンス時間:2.2 秒
  • 評価: 検証した高速モデルの中で最も速度と品質のバランスが取れたパフォーマンスを示しました。

Kuan Zou(Octen AI 創業者兼 CEO)

カスタマーサポート

迅速かつ正確な回答が求められるサポート現場において、Mercury は誤答を防ぎつつ自然な会話を可能にします。

  • 実戦性能: Lorikeet のテストで、他のモデルよりもレイテンシ面で優位性を発揮しました。
  • 品質保証: 評価基準(evals)および実稼働環境において高い性能を発揮し、複雑な規制対応企業のコンシェルジュサービス構築を支援しています。

Michael Gribben(Lorikeet 技術スタッフ)

リアルタイム AI を可能にする製品ポートフォリオ

Mercury 3 はリアルタイム AI を実現するための製品ラインナップの中核モデルです。

  • Mercury Voice:
    • 音声アプリケーションの極限的な低遅延要件に特化。
    • 「最初の回答トクエン生成までの時間(TTFAT)」を最小化します。
    • Audivi AI、Altur、OpenCall などのエージェントで既に活躍中。
  • Mercury Decide:
    • 高ボリュームな分類タスク向けに構築された意思決定モデル。
    • JevBench や LegalBench 等各ベンチマークにおいて、Jev を上回る性能を発揮。

スタート方法と利用開始

Mercury 3 は現在利用可能です。

  • 利用プラットフォーム:
    • Inception API プラットフォーム
    • OpenRouter、Baseten、Vercel(OpenAI API と互換性あり)
  • 企業導入機能:
    • 既存システムスタックへの組み込み(再構築不要)
    • 専用キャパシティの設定、自動スケーリング、コンプライアンス制御、設定可能なデータ保持期間への対応

Mercury 3 のチャット版を体験する

  • API を 無料の 1 億トクエン付きでお試しください。
  • [API ドキュメント] をご覧ください。
  • 企業向け評価: ワークロード適合性や運用制約下でのパフォーマンスについて、お問い合わせください。

結論:Mercury 3 は既に稼働しており、拡散手法は完全にスケーリング可能です。

同じ日のほかのニュース

一覧に戻る →

2026/10/20 6:08

Microsoft アカウントを持っていないので、RTX Spark ラップトップに Linux をインストールしようとしています

## Japanese Translation: 記事は、ASUS ProArt P16 H7607BA-SE033W において、カスタマイズされた Arch Linux ARM 環境が、NVIDIA AI ワークロードに特化して、ネイティブの Windows と同等かそれ以上(わずかに高速)のパフォーマンスを実現することを示しています。7-Zip コンプレッションや GIPS スコアなどのベンチマークタスクでは、全スレッド有効条件下において Linux は圧縮で約 5%、解压で約 3% の高速化を達成し、Windows ネイティブの結果と同等か上回る性能(例えば HP OmniBook Ultra 相当機での 157.084 GIPS vs 155.774 GIPS)を示しました。構築には、ハードウェア向けに拡張されたアップストリームの Archinstall 4.5 を用いた Arch Linux ARM が採用されており、「hid-asus」キーボードサポート、カスタムオーディオドライバー、フレームバッファマッピング用の ACPI オーバーライドなどのパッチが含まれます。ハードウェアパッケージは著者の鍵で署名され、入力はハッシュピン固定されて整合性が保証されています。システム構成では kernel 7.0.0-1022-nvidia と NVIDIA ドライバー 615.78.08、rootless Podman および CDI サポートを採用しており、統合されたメモリプールが約 116 GiB(Windows の分割領域に対し)と報告されています。表示能力としては、3840×2400 レゾリューションで 120 Hz が利用可能です。ローカル AI 推論テストでは、ARM64 コンテナ上で vLLM を用いて Qwen モデルを成功裏に実行し、混合クアンタ化および FP8 KVキャッシュを活用した効率的なモデルロード(約 68.2 GiB の重みと約 21.1 GiB の KVキャッシュを含む場合、約 16 分)および生成速度(約 30 トークン/秒)を実証しました。したがって、Linux は、強力な GPU カパビリティを得つつオープンソースの柔軟性を求めるプロフェッショナルユーザーにとって、大きな速度低下や安定性の妥協なく viable な選択肢であり、複雑な NVIDIA 構成上で先進的な AI ワークロードを展開するクリエイター向けの魅力的な代替手段を提供します。

2026/10/20 1:39

MiniMax M3.1 フラッシュ

## Japanese Translation: MiniMax が、複雑な「エージェント型(agentic)」タスク向けに設計された次世代 AI モデルの画期的な早期バージョンである M3.1 Flash を公式にローンチしました。このモデルは、AI にデジタル従業員のような形で多段階のワークフローを自律的に計画する能力を付与します。今回のリリースは、すでに匿名で 200 兆トークン以上を処理した実績に基づき、パフォーマンスとコスト効率における世代を超える飛躍を示しています。 新しいモデルは、前世代のバージョンに比べてオンライン推論速度が約3倍向上し、1秒あたり 200 トークン以上(中央値で 170 TPS 超)を生成します。また、「激しいスパース性(aggressive sparsity)」などの最適化効率技術を活用することで、エージェント型タスクのコストを 70% 削減しました。その優れた能力は、独立したベンチマークでの上位スコアにより検証されています:AutomationBench-AA ではリーディングモデルレベルのスコア、BankerToolBench(多段階計画および金融コンプライアンス)では 76.2 のスコア、DeepSWE v1.1(コード理解と機能開発)では 73.7% のスコアを達成し、OSWorld V2(61.7 スコア)と Agents' Last Exam(29.6 スコア)において中国国内のモデルの中で第 1 位にランクインしました。さらに、脆弱性の発見・検証に関する CyberGym で 82% のスコアを示すことでサイバーセキュリティ分野における強力なポテンシャルを有しており、コード監査や浸透テストでも堅牢な性能を発揮します。 MiniMax API、M Plan、および MiniMax Code を介して利用可能で、この即時ローンチは開発者と企業が、安全で自律的なソフトウェアシステムの構築に必要となる、大幅に安く高速なツールへのアクセスを提供します。完全なモデルウェイトの公開は、新しい「Pro」知的階層と併せて後日行われる予定です。フラット料金体系(1M トークンあたり)は、入力 $0.15、出力 $0.60、キャッシュ入力 $0.015 と設定されています(MiniMax-M3.1-Flash)。

2026/10/20 3:42

ロールバック操作は、士気向上まで続きます。

## Japanese Translation: PostgreSQL 19 は、ベータフェーズ開始直後に「REPACK CONCURRENTLY」を含む約 8〜10 の主要な機能を撤回しました。この変化は、ベータ期間後半に発見された重大なアーキテクチャ上の欠陥と多数のエッジケースによって引き起こされました。高度な自動化ツール(例:強化されたコードレビューやファージング)が、システムの複雑さや機能間相互作用(例:ドメインの組み合わせ、制約、パーティショニング、トリガーなど)により人手による検出が困難だった問題を浮き彫りにしました。これらの機能の多くは、現在の自動化分析機能が利用可能になる前の段階で開発されておりました。加えて、PostgreSQL 19 は 4 月から 8 月の間に「Vulnpocalypse(脆弱性の暴風)」に見舞われ、シニア開発者たちはベータウィンドウ内でのさらなるレビューやテストを優先することよりも、緊急のセキュリティ修正にリソースを割り当てることを決定しました。いくつかの問題はより長い期間の集中を必要としていた可能性がありますが、チームはリリーススケジュールを守りました。これらの機能は永久に廃棄されるものではなく、将来のリリースで洗練およびコミュニティからのフィードバックを受けた後に再導入される見込みです。PostgreSQL 20 は、未検証の主要な革新を導入するのではなく、すでにほぼ完成していたいくつかの機能を完了することに重点を置いたより慎重な戦略の下、間もなく公開を迎えています。

Mercury 3:大規模拡散 | そっか~ニュース