Inception 融资 5000 万美元，用扩散模型重塑代码生成

在 AI 初创公司密集融资的背景下，一家由斯坦福大学教授 Stefano Ermon 领衔的新锐企业 Inception 宣布完成 5000 万美元种子轮融资，由 Menlo Ventures 领投，吴恩达（Andrew Ng）与安德烈·卡帕西（Andrej Karpathy）参与天使投资。

这家初创公司的目标很明确：将已在图像生成领域大放异彩的扩散模型（Diffusion Models），引入文本与代码生成领域，挑战当前主流的自回归架构。

技术路径的另类选择

当前绝大多数大语言模型（如 GPT-5、Gemini）采用自回归方式生成文本——逐个预测下一个词元，像“打字机”一样顺序输出。这种方式虽然成熟，但在处理长上下文或大规模代码重构时，面临高延迟与高计算成本的问题。

而 Inception 选择的是另一条技术路线：基于扩散的生成机制。

其原理类似于 Stable Diffusion 和 Sora 的工作方式：

1. 模型首先生成一个“噪声化”的初始响应
2. 然后通过多轮迭代去噪，逐步优化输出结构
3. 最终得到符合语义和语法的高质量结果

这一过程天然支持并行计算，可在 GPU 上高效展开，显著降低端到端响应时间。

核心优势：速度与效率

根据 Inception 团队披露的信息，其新一代 Mercury 模型在基准测试中实现了每秒处理 超过 1000 个 token 的性能，远超当前主流自回归模型的吞吐极限。

关键优势包括：

• 更低延迟：并行去噪机制减少序列依赖，提升响应速度
• 更优硬件利用率：更适合现代 GPU 架构，降低单位推理成本
• 更强长程建模能力：适合处理大型代码库的重构、迁移与审查任务

目前，Mercury 模型已集成至 ProxyAI、Buildglare、Kilo Code 等开发工具链中，服务于实际编码场景。

为什么现在是扩散模型的机会？

尽管扩散模型在图像领域已成主流，但在文本生成方面长期被视为“潜力股”。然而，随着对推理效率和能耗控制的要求提高，其优势正被重新评估。

Stefano Ermon 指出：“这是一个完全不同的技术范式，仍有巨大创新空间。” 尤其是在软件工程这类需要高精度、低延迟、大规模上下文理解的领域，扩散模型可能成为下一代代码智能的核心引擎。