Inception发布扩散语言模型Mercury 2.5，官方称智力较Mercury 2提升40%，在常见NVIDIA GPU上速度达1107 tokens/sec，并称性能与Gemini 3.5 Flash、GPT 5.6 Luna Low相当但更快。消息还提到扩散模型正在演进。这些数字值得关注，但作为准备算法/数据方向求职的人，先把它当成待核查声明，而不是学习路线图。

“智力提升40%”先填四栏核查笔记

“智力”不是统一单位。看到40%，要问：评测基准是什么、测了哪些任务、和谁比、由谁测、是否提供可复现细节。官方口径和第三方复现是两回事。可以建一个四栏笔记：评测基准、对比对象、硬件条件、发布阶段；填不出的先标“待查证”。这不是否定模型，而是避免把宣传数字直接翻译成“我要转方向”。如果你在两个学习方向之间犹豫，不要因为一个发布就切换；先看目标岗位描述里实际写的工作内容：是训练与评测，是推理优化，还是模型结构研究？三者准备重点不同，选哪个取决于你想做的日常任务，而不是某个榜单数字。

速度1107 tokens/s对求职选择意味着什么

速度数字只在特定硬件配置、输入输出长度和批处理条件下成立。素材没有给出这些条件，所以不能把它换算成“部署效率提升多少”，更不能推导出某类岗位需求会增加。但它可以提醒你核查岗位描述中的硬件与性能关键词：有没有提到GPU型号、吞吐量、延迟、批处理、量化？假设你在准备面试，可以自问：如果任务是在特定GPU上降低延迟，我需要了解哪些基础知识？这是模拟练习，不是对企业要求的断言。若岗位描述只写“熟悉大模型”而不写架构和性能指标，准备时就更要把通用工程能力与具体路线分开。

扩散语言模型这条线，现在投入吗

“扩散模型正在演进”是观察信号，不是入行指令。北京大学智能学院贺笛课题组与蚂蚁集团团队的理论分析曾对扩散语言模型的相对优势提出不同看法，说明这条路线仍有讨论空间。对求职者来说，更稳妥的做法是：先花一两周读综述和代表性论文，弄清它和自回归模型在训练目标、采样方式上的差异；再到你目标岗位的职位描述里搜“扩散”“并行解码”等词，看是否真的要求这类经验。如果没有，就把它当作长期观察项，而不是短期求职筹码。一个实际可做的小建议：下次看到“提升X%”“速度Y tokens/s”，先填核查笔记，填不出的先待查证，再决定投入学习的时间比例。