Ultramarine 1 Flash: Paper Instruments liefert ein einsatzfähiges Modell für 0,13 $ pro Aufgabe

Paper Instruments veröffentlichte Ultramarine 1 Flash am 14. Oktober 2026, und die Zahl, mit der das Unternehmen wirbt, ist kein Benchmark-Ergebnis. Es ist ein Preis: 0,13 $, um eine Aufgabe in PI Knowledge Work abzuschließen, der internen Suite des Unternehmens für Finanz-, Rechts-, Beratungs- und Betriebsarbeit. Das Modell, das 8,19 $ kostet, um dieselbe Aufgabe abzuschließen — Claude Fable 5 mit maximalem Reasoning — erzielt dort 57,8. Ultramarine 1 Flash erzielt 59,3. Lesen Sie dieses Paar so, wie der Anbieter es darstellt, und Sie haben ein Modell, das ein Frontier-System zu etwa einem Dreiundsechzigstel der Kosten übertrifft. Lesen Sie es genauer, und Sie haben etwas Engeres und Interessanteres: ein Modell, das für eine bestimmte Art von Output gebaut wurde, zu dem Satz bepreist, den sein eigenes Basismodell berechnet, mit dem Benchmark, der dies belegt, geschrieben von dem Unternehmen, das es verkauft.

Es lohnt sich, das Basismodell gleich vorweg zu nennen, denn es erklärt den größten Teil des Preises. Ultramarine 1 Flash ist ein Post-Training von GLM-5.3 Flash, dem nativen multimodalen 320B-Gesamt-/18B-Aktiv-Modell von Z.ai, das durch groß angelegtes Reinforcement Learning verbessert wurde, statt von Grund auf neu gebaut zu sein. Seine API-Preise betragen $0,15 pro Million Eingabe-Tokens, $0,03 für zwischengespeicherte Eingabe und $0,50 für Ausgabe – identisch mit denen von GLM-5.3 Flash, was „dasselbe wie GLM-5.3 Flash“ im eigenen Preisblock des Anbieters bedeutet.

Was ausgeliefert wurde und was noch ein Versprechen ist

Zwei Dinge treffen am Tag der Veröffentlichung zu, und die Kluft zwischen ihnen ist die Geschichte, die ein Großteil der Berichterstattung einebnen wird.

Die Ultramarine API ist live. Du kannst ihr ab heute Arbeit schicken und die oben genannten Tarife bezahlen. Die Landingpage verlinkt sie unter einer schlichten Zeile „Ultramarine API →“.

Die Gewichte sind es nicht. Dieselbe Seite sagt „Modellgewichte folgen in Kürze“, und der technische Bericht beschreibt GLM-5.3 Flash als „ein starkes offenes Basismodell“ – was eine Aussage über das Basismodell ist, nicht über das abgeleitete Modell. Ultramarine 1 Flash ist gegenwärtig ein geschlossener gehosteter Endpunkt mit einer Open-Weights-Absicht. Ob es letztlich wirklich offen sein wird, ist die mit Abstand größte offene Frage in Bezug darauf, und sie ist diejenige, die viele Zusammenfassungen aus zweiter Hand bereits durch Annahme statt durch Überprüfung beantwortet haben.

Was am Veröffentlichungstag tatsächlich als Open Source erschien, ist das Gerüst. Der Feather Agent Harness, also das, worin das Modell trainiert wurde und worin es evaluiert wird, ist als Repository veröffentlicht. Ebenso paper-docx, paper-pptx und paper-xlsx, die Forks der Standard-Python-Office-Bibliotheken von Paper Instruments, die das Modell verwendet, um Excel-Arbeitsmappen, PowerPoint-Präsentationen und Word-Dokumente zu erstellen. Diese Forks existieren, weil – so die eigene Darstellung des Unternehmens – Agenten, die python-docx und Konsorten steuern, „auf API-Lücken stoßen, in rohes OOXML abrutschen und stille Korruptionen und Regressionen erzeugen."

Die sechs Benchmarks, einschließlich der beiden, die es verliert

Paper Instruments wurde anhand von sechs Suiten bewertet. Ultramarine 1 Flash liegt bei vier von ihnen vorn und bei zweien nicht, was eine nützlichere Zusammenfassung ist als der Durchschnitt.

• JobBench — 62,9 für Ultramarine 1 Flash, vor Gemini 3.8 Flash mit 60,6 und DeepSeek V4.1 Flash mit 60,4, mit Claude Fable 5 bei 57,4 und GPT-5.6 Sol bei 45,4.

• PI Knowledge Work, die interne Suite — 59,3, vor Claude Fable 5 mit 57,8 und GPT-5.6 Sol mit 55,1.

• FrontierFinance — 53,3, vor GLM-5.3 Flash mit 50,7 und Gemini 3.8 Flash mit 50,0.

• AutomationBench — Zweiter. DeepSeek V4.1 Flash holt ihn mit 51,3 gegen Ultramarines 50,2.

DiligenceBench – Dritter. Gemini 3.8 Flash führt mit 53,1, Claude Fable 5 belegt mit 52,9 den zweiten Platz, Ultramarine 1 Flash liegt bei 50,6.

• APEX-Agents 1.1 — Dritter. Gemini 3.8 Flash mit 64,3 und Claude Fable 5 mit 63,6 liegen beide darüber; Ultramarine 1 Flash liegt bei 57,0 und damit weiterhin deutlich vor GPT-5.6 Sol mit 51,5 und DeepSeek V4.1 Flash mit 39,5.

Das Muster in den Verlusten ist konsistent und verdient einen Namen: Ultramarine 1 Flash ist am stärksten, wo das Ergebnis ein Dokument ist, und am schwächsten, wo die Aufgabe eine Live-Agent-Schleife über Systeme hinweg ist. DiligenceBench ist eine Evaluierung für Aktienresearch-Agenten; APEX-Agents ist eine agentische Suite. AutomationBench ist Automatisierung. Die beiden Benchmarks, die der eigene Herausgeber rund um Büro-Deliverables entwickelt hat, sind die beiden, die es mit dem größten Abstand gewinnt.

Warum die Punkte so aussehen

Nahezu jede professionelle Arbeit ist nicht durch einen Parser überprüfbar. Ein Due-Diligence-Memo lässt sich nicht kompilieren, und ein Board-Deck hat keine Unit-Tests, es gibt also keinen Regex, der sagt, ob eines davon richtig ist. Das ist das Problem, das Paper Instruments angreifen wollte, und seine Antwort ist eine wörtlich zitierbare: „Wir skalieren nicht verifizierbare Aufgabensynthese über agentische Wissensarbeit hinweg.“

Der Mechanismus ist ein Curriculum. Vier Domänen — Finance, Recht, Consulting, Operations — gliedern sich in 19 Praxisbereiche und 88 verschiedene Umgebungstypen auf, von denen jeder eine Taxonomie von Achsen abtastet: Format der Arbeitsergebnisse, Quellenkonflikte, Stakeholder, Transaktionsphase. Das Unternehmen veranschlagt den nominellen Konfigurationsraum auf irgendwo zwischen 10⁷ und 10¹⁰ Kombinationen pro Praxisbereich, was ebenso sehr eine Verteidigung gegen Mode-Collapse ist wie eine Skalierungsbehauptung. Jede Umgebung ist ein echter Arbeitsbereich: ein Dateisystem, aufgebaut aus SEC-EDGAR-Filings, Analystenberichten und synthetisierten Verträgen, plus Live-Systeme of Record — ERP, CRM, WMS, MES, GRC —, die über MCP, HTTP und CLI erreichbar sind.

Die Bewertung ist der Punkt, an dem es ungewöhnlich wird. Jede Aufgabe wird mit einem Bewertungsraster ausgeliefert, und jedes Kriterium ist so formuliert, dass es eine Grenze für akzeptable Antworten zieht, statt eine einzige zu verlangen. Das im Bericht selbst durchgerechnete Beispiel stellt ein überangepasstes Kriterium, das zwei von drei richtigen Antworten ablehnt, einem vagen Kriterium gegenüber, das drei falsche akzeptiert, und zeigt dann die umgeschriebene Fassung, die zur Grenze passt. Die Liefergegenstände werden geparst und an einen Rubric-Grader übergeben – das Open-Source-Paket des Unternehmens, mit GPT-5.6 Terra als Judge-Modell. Das Training lief mit einem Kontext von 131.072 Token, einer Obergrenze von 250 Agenten-Turns und Kompaktierung bei 85 % des Kontextfensters.

Dieses Design ist die Quelle sowohl des Ergebnisses als auch des Vorbehalts. Es ist der Grund, warum ein so günstiges Modell bei Dokumentenarbeit nahe an ein Frontier-System heranreichen kann: Die Aufgabenverteilung wurde so konstruiert, dass sie Dokumentenarbeit ähnelt. Es ist auch der Grund, warum die Zahlen mit einem Hinweis versehen werden müssen. Dies sind die eigenen Benchmarks des Anbieters, bewertet vom eigenen Bewerter des Anbieters, anhand von Aufgaben, die der Anbieter geschrieben hat. Paper Instruments berichtet, dass PI Knowledge Work mit dem Artificial Analysis Intelligence Index bei r = 0,81 korreliert, was eine ernstzunehmende Zahl und eine teilweise Antwort ist – aber eine Korrelation auf der Seite des Anbieters bleibt eine Korrelation auf der Seite des Anbieters. Noch hat keine dritte Partei eine unabhängige Bewertung von Ultramarine 1 Flash veröffentlicht, und das Modell ist einen Tag alt.

Die Behauptung, die auf dem Chart nicht zutrifft

Das am besten zu Verteidigende an der Veröffentlichung ist zugleich das am wenigsten Zitierte: Das Modell erzeugt über alle sechs Benchmarks hinweg 6,5 % weniger Output-Tokens als seine Basis. 30,5 Millionen gegenüber 32,7 Millionen, Reasoning eingeschlossen. Auf einer Pro-Aufgabe-Rechnung ist das der Unterschied zwischen einem günstigeren Modell und einem günstigeren Modell, das zudem auch günstiger im Betrieb ist, und es ist die Art von Engineering, die sich eher in einer Rechnung als in einem Leaderboard niederschlägt.

Die Behauptung, die nicht ganz standhält, ist die Kosten-Qualitäts-Frontier. Bei PI Knowledge Work erzielt GPT-6 Luna mit maximalem Reasoning 58,3 bei 0,11 $ pro Aufgabe. Ultramarine 1 Flashs bester Wert ist 59,3 bei 0,13 $. Ein Punkt und zwei Cent sind eine so geringe Lücke, dass „liegt an der Kosten-Qualitäts-Frontier zum attraktivsten Preispunkt“ eher eine Positionierungsaussage als eine Tatsache ist – was das eigene Diagramm des Anbieters, das muss man ihm lassen, für jeden ausweist, der über den Schlagzeilen-Eintrag hinausliest. Ein Modell, das einen Punkt zurückliegt und zwei Cent weniger kostet, ist eine echte Alternative für Volumenarbeit, und die ehrliche Version dieser Veröffentlichung ist, dass Ultramarine 1 Flash an der Spitze eines kleinen Clusters steht und nicht allein an einer Frontier.

Wo es passt, wenn du es so nennen willst

Ultramarine 1 Flash ist kein Allzweckmodell und gibt sich auch nicht als eines aus. Es ist Text rein und Excel-Arbeitsmappe, PowerPoint-Deck oder Word-Dokument raus – mit der Fähigkeit, währenddessen in einem Geschäftssystem zu agieren. Wenn Ihre Workload ein Dokument ist, ist dies jetzt eine der günstigsten glaubwürdigen Möglichkeiten, es zu erstellen.

Ultramarine 1 Flash ist nicht in unserem Katalog. Das Modell, auf dem es nachtrainiert wurde, ist: GLM-5.3 Flash wird auf OrcaRouter zu 0,15 $ für Input und 0,50 $ für Output pro Million Tokens angeboten, mit keinem Aufschlag pro Token, und der Satz ist der Listenpreis des Anbieters, der direkt durchgereicht wird, sodass sich der angebotene Preis am selben Tag mitbewegt, wenn Z.ai die Zahl ändert. Das ist bei einem Release wie diesem wichtiger als üblich, denn das gesamte Argument für Ultramarine 1 Flash ist eine Rechnung, die gegen die Preisliste eines Basismodells aufgestellt wird. Unabhängig davon sind vier der Modelle, an denen es gemessen wird — GPT-5.6 Sol, DeepSeek V4.1 Flash, Gemini 3.8 Flash und Kimi K3 — über denselben Endpunkt erreichbar, was bedeutet, dass man den Vergleich des Anbieters an den eigenen Dokumenten auf die Probe stellen kann statt an seinen.

Was würde die Bewertung ändern?

Drei Dinge, in absteigender Reihenfolge danach, wie wichtig sie wären.

Eine unabhängige Evaluation einer Suite, die niemand bei Paper Instruments geschrieben hat. Der Anbieter hat dem dadurch Vorschub geleistet, dass er die Korrelation mit einem Drittanbieter-Index veröffentlicht hat; der nächste Schritt ist, dass jemand anderes den Score veröffentlicht.

Die Gewichte. „Demnächst verfügbar“ ist ein Platzhalter, und bis er eingelöst wird, ist „offenes Modell“ eine Absichtserklärung, die die Veröffentlichung nicht belegt. Wenn sie erscheinen, wird ein Modell mit 18B aktiven Parametern, das für Dokumentenarbeit optimiert ist, zu etwas, das man selbst betreiben kann, und die 0,13-Dollar-Zahl ist nicht mehr die einzige Möglichkeit, diese Fähigkeit zu kaufen.

Ein Benchmark, den es konstruktionsbedingt nicht gewinnt. Die vier Suiten, in denen es führt, sagen Ihnen, dass es gut in dem ist, worauf es trainiert wurde. Die beiden, in denen es zurückliegt, sagen Ihnen, wo ein Allzweck-Agent einen Spezialisten noch schlägt. Wer eine Agenten-Pipeline für den Rechts- oder Finanzbereich plant, sollte diese beiden Zeilen und die 0,13-$-Zeile zusammen lesen und entscheiden, welche davon seine Arbeitslast beschreibt.

Auch bei einem solchen Vergleich zeigen sich die Fehlermodi: Die dokumentierten KI-Vorfälle und Agenten-Ausfälle hinter Modellen dieser Klasse sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag eigene Quellen, einen Schweregrad, einen Konfidenzgrad und eine Strittig-Kennzeichnung mitführt.