date of establishment
PulseAugur coverage of date of establishment — every cluster mentioning date of establishment across labs, papers, and developer communities, ranked by signal.
- authored The Prestige 90%
- developed by Mercury I 90%
- developed Mercury III 90%
- instance of Mercury III 90%
- competes with Claude Haiku 5.5 80%
- competes with GPT-6 Luna 80%
- instance of The Dark Knight 70%
- instance of Mercury I 70%
- authored Christopher Nolan 70%
- affiliated with Memento 60%
- other Oppenheimer 50%
- founded Mercury 2.5 50%
- 2026-05-13 funding AI startup Inception is reportedly negotiating a transaction valued at over $1 billion.
3 天有情绪数据
-
Inception 发布 Mercury3 LLM，比 Mercury I 大 40 倍
Inception 推出了 Mercury3，一个比其前身 Mercury I 大 40 倍以上的语言模型。尽管规模增大，Mercury3 据称仍保持相似的处理速度。开发者建议，缩短代理应用中的等待时间可以缩短任务完成时间。
-
Inception 的 Mercury 3 扩散模型声称每秒处理 1000 多个 token，挑战 LLM 领导者
Inception 推出了 Mercury 3，这是一款基于扩散的语言模型，声称速度达到每秒 1,068 个 token，远超传统的 Transformer 模型。该公司表示，Mercury 3 在速度基准测试中与 GPT-6 Luna 和 Claude Haiku 5.5 相当或超越它们，并以 substantially 更低的价格提供 100 万 token 的上下文窗口。尽管早期的第三方测试显示出在代理应用方面的潜力，但 Inc…
-
Mercury 3 (Inception) 模型以低成本提供 1M 上下文
Mercury 3 (Inception) 模型已发布，提供 100 万 token 的上下文窗口，价格具有竞争力。该新模型每 100 万输入 token 价格为 0.10 美元，每 100 万输出 token 价格为 0.35 美元，显著改变了在单次模型运行中处理大量数据的成本效益。
-
Inception Labs 发布 Mercury 3 扩散 LLM，速度达 1,068 tokens/秒 · 跟踪到 2 个来源
Inception Labs 推出了 Mercury 3，这是一款基于扩散的 LLM，在 NVIDIA GPU 上实现了每秒 1,068 个 token 的速度，显著优于自回归模型。这种新架构允许跨整个序列并行细化 token，从而加快填充、编辑和约束生成等任务的处理速度。虽然供应商的基准测试声称在质量上与 GPT-6 Luna 和 Claude Haiku 5.5 等模型相当，但独立评估尚待进行，并且扩散 LLM 的生态系统仍在发展中。
-
AI Now Institute 推荐 17 款 AI 代理；Inception 发布 Mercury III LLM
AI Now Institute 发布了 17 款推荐的 AI 代理列表，详细介绍了它们在不同类别下的定价、免费套餐和安全功能。另外，Inception 发布了其旗舰扩散式大语言模型 Mercury III。AI Now Institute 的推荐涵盖了多种 AI 代理，为用户提供比较信息以做出明智的选择。Inception 的 Mercury III 代表了扩散式大语言模型的重要进展。
-
Inception 发布 Mercury 3 扩散式大语言模型，支持 100 万上下文，速度超 1000 token/秒
Inception 发布了 Mercury 3，这是一款基于扩散的大语言模型，它并行处理信息而非顺序处理。该公司声称该模型在 NVIDIA GPU 上可达到每秒 1,068 个 token 的处理速度，并支持 100 万个 token 的上下文窗口。在自我报告的基准测试中，Mercury 3 在 12 项测试中的 8 项上据称优于 GPT-6 Luna 和 Claude Haiku 5.5，尤其在编码和指令遵循任务方面表现出色。
-
Mercury 2.5 (Inception) 模型新增26万token上下文窗口至排行榜
Mercury 2.5，又名Inception，已被加入一个AI模型排行榜。该模型拥有26万token的上下文窗口，其定价为每百万token输入0.04美元，输出0.15美元。它可用于商业用途，并与其他最新模型一起被每小时跟踪。
-
Inception 预览 Mercury 2.5 AI 模型，上下文长度达26万
Inception 发布了名为 Mercury 2.5 的新 AI 模型预览版。该模型拥有26万 tokens 的上下文窗口，支持商业用途，定价为每100万 tokens 输入0.04美元，每100万 tokens 输出0.15美元。
-
Orbify.eu 推出盗梦空间式扭曲 3D 地图用于导航
Orbify.eu 正在开发一种新颖的 3D 地图技术，以扭曲的盗梦空间式视角渲染导航场景。该技术将地图模型弯曲到曲面上，结合了街道级细节和俯视视角。该公司正在为其独特的算法和相机设置申请专利保护，并通过对照研究测试该界面在改善导航方面的有效性。
-
新的脑电图基础模型 INCEPT 使用不变性学习来改进分析
研究人员开发了 INCEPT，这是一种用于脑电图（EEG）分析的新型基础模型，它利用面向不变性的预训练。与以往仅专注于信号恢复的模型不同，INCEPT 学习在相关的脑电图观测之间稳定表示，将稳定的神经结构与可变的噪声区分开来。这种方法使模型能够保留受试者、状态和条件区分信息，从而在广泛的脑电图分析任务中取得优异的性能。
-
Jais 2：新一代以阿拉伯语为中心的LLM发布，包含70B参数模型
一个名为Jais 2的以阿拉伯语为中心的模型家族已由MBZUAI、Cerebras和Inception开发。该模型家族包括一个700亿参数的版本，据称是迄今为止最大的从头开始训练的开源阿拉伯语中心LLM，以及一个80亿参数的变体。Jais 2在阿拉伯语基准测试中表现出色，包括诗歌和宗教等文化特定任务，以及翻译和摘要等通用任务，同时在英语方面也表现出竞争力。这些模型已在Hugging Face上发布，采用商业友好型许可，其中700亿参数…
-
克里斯托弗·诺兰凭借九部电影创下 IMDb Top 250 纪录
电影《奥德赛》在 IMDb Top 250 榜单上以第 59 位的成绩首次亮相，取得了重要的里程碑。这一成就意味着导演克里斯托弗·诺兰以九部作品的成绩，创下了榜单上拥有最多电影的纪录。诺兰的七部电影位列前 100 名，凸显了他持续的评论界和观众吸引力。
-
克里斯托弗·诺兰的《奥德赛》在导演的非传统道路上登顶票房
导演克里斯托弗·诺兰的最新电影《奥德赛》在其首周末全球票房收入达到2.621亿美元，取得了巨大的票房成功。这一成就紧随他荣获奥斯卡奖的电影《奥本海默》之后。尽管他目前备受赞誉，但诺兰曾被电影学院拒绝，他曾谈到这段经历塑造了他独立的电影制作方式。其他知名导演如詹姆斯·卡梅隆和史蒂文·斯皮尔伯格也走了非传统的成功之路，强调自学和毅力。
-
《奥德赛》凭借绝佳口碑，有望迎来巨额开画周末
克里斯托弗·诺兰的新片《奥德赛》预计将迎来一个巨额的开画周末，国内预估票房在8500万至1亿美元之间，国际预估票房为1.1亿美元，全球总计至少2亿美元。该片据报道预算为2.5亿美元，营销成本为1.25亿美元，收回成本约需3.75亿美元。早期评论压倒性地好评，影评人评分高达96%，预测该片可能媲美甚至超越诺兰前作《奥本海默》的票房成功。
-
Netflix 在《奥德赛》上映前上线了克里斯托弗·诺兰的《记忆碎片》
Netflix 已在其流媒体库中上线了克里斯托弗·诺兰 2000 年的电影《记忆碎片》(Memento)，恰逢他新片《奥德赛》(The Odyssey) 即将上映。文章称《记忆碎片》是诺兰职业生涯中的一部杰出作品，因其错综复杂的叙事结构和广受好评而备受赞誉，在烂番茄上的评分高达 94%，与《蝙蝠侠：黑暗骑士》(The Dark Knight) 并列。文章还指出，其他诺兰的电影可在各种流媒体平台和租赁服务上观看，而《记忆碎片》则独家登陆…
-
克里斯托弗·诺兰的《奥德赛》在网络争议中有望成为票房大片
尽管面临网络争议和抵制呼声，克里斯托弗·诺兰即将上映的电影《奥德赛》预计将成为票房大片。评论人士指出，诺兰拥有强大的过往记录，自2006年以来，他执导的大部分电影（即使调整通货膨胀因素后）都获得了超过5亿美元的票房。早期好评和影片可识别的素材预计将有助于其财务表现，可能超出首周末预测。
-
研究人员提出 FD-loss 以优化表示空间中的视觉生成
研究人员引入了一种新的训练目标 FD-loss，它优化了视觉生成在表示空间中的 Fréchet 距离 (FD)。该方法将 FD 估计的总体大小与梯度计算使用的批次大小分离开来。将 FD-loss 应用于现有生成器已显示出视觉质量的提高，使用 Inception 特征空间的单步生成器在 ImageNet 256x256 上达到了 0.72 FID。