类型 / TYPE
营利公司 · 商业实验室
Inception Labs 押注的是：如果不按顺序生成 token，而是"并行去噪"生成整段文字，速度可以比 Transformer 自回归方式快 5–10 倍——Mercury 是迄今最有力的概念验证。
Transformer 自回归生成有一个根本限制：必须一个 token 接一个 token 依次生成，第 n 个 token 要等第 n-1 个生成完才能开始——这是速度的天花板。Inception Labs 借鉴图像生成领域的扩散模型（Stable Diffusion、DALL-E 3 的方法论），把这套思路搬到文本上：从"噪声"开始，对整段文字并行进行多步"去噪"，最终生成的不是一个接一个的 token，而是整块文字同时成形。速度提升是 5–10 倍，相较同质量水平的 Transformer。
旗舰产品 Mercury 是全球第一个商业可用的扩散式 LLM（dLLM），支持 128K token 上下文窗口，并有专门面向代码生成的 Mercury Coder 版本。公司知名天使投资人包括 Andrew Ng 和 Andrej Karpathy。
2025 年 11 月，Inception Labs 同日公布 $50M 融资和 Mercury 正式发布——由 Menlo Ventures 领投，参投方阵容罕见地跨越了云计算和算力供应链的多个关键节点：Mayfield、Innovation Endeavors、NVentures（NVIDIA VC）、M12（Microsoft VC）、Snowflake Ventures、Databricks Investment。同期发布的还有 Mercury Coder，直接对标 GitHub Copilot 的速度痛点。
2026 年，团队持续迭代 Mercury 的模型质量，并计划在 arXiv 2506.17298 发布完整技术报告，公开去噪步数、采样策略等训练细节。
NVIDIA、Microsoft、Databricks 同时投资是一个强烈的基础设施信号：NVentures 下注说明 NVIDIA 认为 dLLM 会改变 GPU 的利用模式，M12 的参与指向 Azure 与代码生成场景的战略布局，Databricks 则连接了数据处理与 AI 推理。这不只是一家创业公司在融资，更像是 AI 基础设施供应链里一个关键缺口正在被填补。
但早期扩散式语言模型研究（如 MDLM、PLAID）显示过一个问题：并行生成的不同部分缺乏严格的"因果"约束，容易出现"局部连贯、整体矛盾"的现象。Inception 的应对是多步去噪加混合采样策略，具体效果要等完整论文数据验证。另一个悬而未决的问题是范式兼容性——OpenAI o1/o3 证明"更多推理时间计算"能大幅提升质量，但 dLLM 的"去噪步数"能否同样支持推理时间 scaling，目前研究还不充分。产品策略上，Mercury Coder 比通用版 Mercury 定位更精准并非巧合：代码补全、文本续写这类"局部一致性"要求较低的任务，正是 dLLM 优势最大的场景；数学推理、多步规划这类需要严格前后依赖的任务，则是并行去噪局限性最明显的地方。
Inception Labs 用 Mercury 证明了扩散式文本生成可以做到商业规模，NVIDIA、Microsoft、Databricks 的联合下注说明产业界相信这是一个真实的架构选项，而不只是学术趣味。但公司的产品策略本身已经暴露了这条路的边界——Mercury Coder 比通用版 Mercury 更受重视，恰恰因为代码补全这类"局部一致性"要求低的任务,才是并行去噪最擅长的领域。dLLM 能否兼容推理时间 scaling、能否在数学推理等强因果依赖任务上追平 Transformer，仍是悬而未决的问题。Inception 现在的位置，是在一个被验证"能跑通"但尚未被验证"能通吃"的架构上，抢先建立了商业化先发优势。
首次发布 2026-08-07