Ultramarine 1 Flash vs. Gemini 3.5 Flash-Lite: Das Ausliefern eines Artefakts und das Beantworten einer Frage sind zwei verschiedene Produkte

Beginne mit der Zeile, die das Argument beendet, statt mit der, die es beginnt. Gemini 3.5 Flash-Lite akzeptiert Text, Bilder, Sprache und Video und gibt Text zurück. Ultramarine 1 Flash nimmt Text entgegen und gibt eine Excel-Arbeitsmappe, eine PowerPoint-Präsentation oder ein Word-Dokument zurück, an Ort und Stelle bearbeitet, nachdem es aus den Geschäftssystemen gelesen und in sie geschrieben hat, in denen die Arbeit lebt. Beide sind günstig. Googles Modell erreicht 22 Punkte im Artificial Intelligence Index bei 0,19 $ pro abgeschlossener Aufgabe; Paper Instruments berichtet von 0,13 $ pro Aufgabe in der eigenen internen Testsuite. Die Zahlen liegen so nah beieinander, dass die Kostenfrage ein Patt ist, und was bleibt, ist die Frage, ob man eine Antwort oder ein lieferbares Ergebnis kauft – denn in dieser Frage sind diese beiden Modelle überhaupt nicht im selben Markt.

Sie wurden außerdem nicht zur selben Zeit oder aus demselben Grund entwickelt. Gemini 3.5 Flash-Lite erreichte im Juli 2026 die allgemeine Verfügbarkeit als Googles kosteneffizienteste Stufe und lag damit bei etwa einem Fünftel des Preises von 3.6 Flash. Ultramarine 1 Flash wurde am 14. Oktober 2026 als Reinforcement-Learning-Nachtraining von GLM-5.3 Flash veröffentlicht und war auf ein kundentaugliches Ergebnis statt auf eine Antwort ausgerichtet.

Die Spezifikationslinien, beide Seiten

Die Ultramarine-Werte sind die von Paper Instruments veröffentlichten API-Preise und die eigenen veröffentlichten Evaluierungen; der Kontextwert ist die im technischen Bericht angegebene Trainingskonfiguration. Die G​emini-Werte sind G​oogles Preisliste plus Messungen von Artificial Analysis, gekennzeichnet, wo es sich um Messungen handelt.

• Eingabepreis — Ultramarine 1 Flash 0,15 $ pro Million Tokens vs. Gemini 3.5 Flash-Lite 0,30 $. Google ist beim Input doppelt so teuer.

• Output-Preis — $0,50 vs. $2,50 pro Million. 5-fach, und dies ist die Position, an der sich die Kosten eines Dokumentenjobs tatsächlich summieren.

• Zwischengespeicherte Eingabe — 0,03 $ pro Million (80 % Rabatt) vs. 0,03 $ (90 % Rabatt). Dieselbe absolute Zahl, erreicht durch unterschiedliche Rabatte.

• Kontextfenster — 131.072 Token in der Trainingskonfiguration vs. 1.048.576. G​oogle hat 8-mal mehr.

• Maximale Ausgabe — nicht veröffentlicht vs. 65.536 Token.

• Eingaben — Text- und Dokumentenarbeit vs. Text, Bild, Sprache und Video.

• Kosten pro abgeschlossener Aufgabe — 0,13 $ bei PI Knowledge Work vs. 0,19 $ beim Intelligence Index. Die zweite der beiden Zahlen in der Einleitung und diejenige, mit der man am vorsichtigsten umgehen sollte.

• Ausgabegeschwindigkeit — nicht veröffentlicht für Ultramarine 1 Flash vs. 425,0 Ausgabe-Token pro Sekunde für Gemini 3.5 Flash-Lite, viertschnellste von 148 Modellen in seiner Klasse.

Die Latenzzahl innerhalb der Geschwindigkeitszahl

Gemini 3.5 Flash-Lite ist eines der schnellsten Modelle, die je gemessen wurden. Es braucht aber auch lange, bis es loslegt. Artificial Analysis verzeichnet eine Zeit bis zum ersten Token von 8,13 Sekunden auf Googles eigener API – gegenüber einem Median von 1,85 Sekunden bei Modellen einer vergleichbaren Preisklasse. Das Modell streamt mit 425 Token pro Sekunde, sobald es startet, und braucht acht Sekunden, um zu starten.

Das ist kein Defekt; es ist eine Eigenschaft des Serving-Pfads, und sie sagt dir, für welche Workloads die Stufe ausgelegt wurde. Ein Batch-Klassifizierungsjob, eine Extraktionspipeline, ein Hintergrundagent – keiner von ihnen bemerkt einen Acht-Sekunden-Start, und alle profitieren enorm davon, eine Antwort mit 500 Tokens in etwa einer Sekunde abzuschließen. Ein Mensch, der auf eine Chat-Antwort wartet, bemerkt nichts anderes. Das Wort „Flash“ beschreibt den Durchsatz, nicht die Reaktionsfähigkeit, und die beiden sind nicht dieselbe Messgröße.

Für Ultramarine 1 Flash gibt es überhaupt keine veröffentlichte Angabe zu Geschwindigkeit oder Latenz. Nicht von Paper Instruments, nicht von dritter Seite. Es gibt keine Grundlage für die Behauptung, es sei schneller oder langsamer als G​googles Modell, und wer Ihnen etwas anderes erzählt, schließt aus der Architektur statt eine Zahl zu lesen. Was der technische Bericht offenlegt, ist der Betriebsrahmen, in dem es trainiert wurde: ein Kontext von 131.072 Token, ein Maximum von 250 Runden in der Agent-Schleife und eine Kontextkomprimierung, die bei 85 % des Fensters oder wenn noch 30.000 Token übrig sind, ausgelöst wird – je nachdem, was zuerst eintritt. Ein Harness, der seinen Kontext konstruktionsbedingt komprimiert, ist ein Harness, der für lange Arbeit gebaut wurde, die sonst überlaufen würde – was ein Hinweis auf die Form seiner Aufgaben ist und keine Messung davon, wie schnell es sie erzeugt.

Was eine „Aufgabe“ wert ist, hängt davon ab, wer den Benchmark geschrieben hat.

Die 0,13 $ und die 0,19 $ wirken vergleichbar und messen unterschiedliche Dinge, und genau das ist der Teil des Vergleichs, den eine Nebeneinander-Tabelle Ihnen verbergen wird.

Der Intelligence Index ist eine Zusammensetzung aus zehn Evaluierungen – Mathematik, Programmierung, Schlussfolgern, agentische Arbeit. Seine Aufgaben haben Antworten, die eine Bewertungsinstanz überprüfen kann. Die 22 von Gemini 3.5 Flash-Lite ist eine echte Punktzahl von einem Evaluator, der kein Eigeninteresse am Modell hat, und seine 0,19 US-Dollar sind gemessene Kosten pro abgeschlossener Aufgabe über diese Suite hinweg. Google hält außerdem den schmeichelhafteren der beiden Verbositätsrekorde: 59 Millionen Ausgabe-Token, um den Index abzuschließen, Rang 23 von 60, und im Vergleich zu einem Median von 95 Millionen als ziemlich prägnant beschrieben. Das ist ein Modell, das darauf ausgelegt ist, nicht zu schwafeln.

PI Knowledge Work ist nicht das. Es ist eine Suite kundenfertiger Deliverables, die anhand einer für jede Aufgabe verfassten Rubrik bewertet werden, weil ein Diligence-Memo keine richtige Antwort hat, gegen die man prüfen könnte. Ultramarine 1 Flash erreicht dort 59,3 bei 0,13 $ pro Aufgabe, Claude Fable 5 57,8 für 8,19 $ und GPT-5.6 Sol 55,1 für 2,09 $. Der Anbieter berichtet, dass seine Suite mit dem Artificial Analysis Intelligence Index bei r = 0,81 korreliert – eine ernstzunehmende Zahl, und eine aus zweiter Hand. Eine Aufgabe in der einen Suite ist nicht eine Aufgabe in der anderen: Eine Reasoning-Frage kann ein paar hundert Token umfassen, und ein Board Deck ist ein langer agentischer Lauf, der eine Datei erzeugt. Die beiden Pro-Aufgabe-Werte sind keine Einheiten derselben Sache, und sie voneinander abzuziehen ist Arithmetik auf einem Kategorienfehler.

Was von dieser Kritik übrig bleibt, ist enger gefasst, aber wirklich nützlich. Paper Instruments maß die Token-Effizienz an etwas anderem als sich selbst: Über alle sechs seiner Benchmarks hinweg gab Ultramarine 1 Flash 6,5 % weniger Ausgabe-Tokens aus als das GLM-5.3 Flash-Modell, von dem es abstammt – 30,5 Millionen gegenüber 32,7 Millionen, Reasoning eingeschlossen – und übertraf es dabei in jedem der sechs. Dieselbe Suite, derselbe Harness, beide Seiten gemessen. Bei einer Preisliste pro Token ist ein Modell, das für ein besseres Ergebnis weniger schreibt, ein zweimal gewährter Rabatt.

Zwei funktionierende Modelle auf einer Taste

Gemini 3.5 Flash-Lite wird auf OrcaRouter zu 0,30 $ pro Million Input-Tokens und 2,50 $ pro Million Output-Tokens bereitgestellt, wobei der Listenpreis direkt durchgereicht wird, ohne dass pro Token etwas hinzugefügt wird — eine Preisänderung von Google ist hier also noch am selben Tag live, ohne dass auf unserer Seite ein Deployment nötig ist. Daneben stehen die Modelle, auf die sich dieser Vergleich immer wieder bezieht: GPT-5.6 Sol, Claude Fable 5 und GLM-5.3 Flash, das Basismodell, aus dem Ultramarine 1 Flash trainiert wurde, sind alle über denselben Endpunkt und denselben Schlüssel erreichbar.

Das ist bei dieser Paarung wichtiger als bei einem typischen direkten Vergleich, weil die Arbeitslast gemischt ist. Eine Dokumenten-Pipeline, die um ein Million-Token-Fenster und vier Eingabemodalitäten herum gebaut ist, ist eine andere Pipeline als eine, die um einen Agenten herum gebaut ist, der Deliverables erzeugt, und beide koexistieren normalerweise im selben Team. Eine Routing-Regel kann gescannte oder audiovisuelle Eingaben auf dem Modell von G​oogle halten und den Text-zu-Deliverable-Pfad woandershin leiten, mit einem deklarierten Fallback, falls die erste Wahl fehlschlägt — ein Vertrag statt zwei, und keine Codeänderung, wenn Sie Ihre Meinung darüber ändern, welches Modell die langen Jobs bekommt.

Ultramarine 1 Flash selbst ist nicht in unserem Katalog; der Zugangsweg ist heute die eigene API des Anbieters und die Drittanbieter-Plattformen, die es weiterverkaufen.

Wie ich mich tatsächlich entscheiden würde

Zwei Situationen, und sie lassen sich sauber lösen.

Wenn die Eingabe irgendetwas enthält, das kein Text ist – ein fotografierter Vertrag, eine Anrufaufzeichnung, eine Bildschirmaufnahme, ein Video-Walkthrough –, ist Googles Modell das einzige der beiden, das die Anfrage annehmen kann. Das ist keine Präferenz, sondern eine Fähigkeitsgrenze, und sie beendet den Vergleich für diesen Workload.

Wenn das Ergebnis das ist, wofür bezahlt wird – ein Modell, eine Präsentation, ein Memo, ein Dokument, das eine Person öffnen und bearbeiten wird –, dann stellt sich die Frage, ob ein post-trainierter Spezialist einen effizienten Generalisten schlägt, und Ultramarine 1 Flash ist der Spezialist. Die Belege dafür stammen vom Anbieter, beruhen auf den Benchmarks des Anbieters und wurden einen Tag nach der Veröffentlichung vorgelegt; sie sollten als Hypothese und nicht als Befund gelesen werden. Aber es ist eine spezifische und testbare Hypothese: In den vier der sechs Suiten, in denen Paper Instruments führt, sind die größten Vorsprünge bei JobBench und FrontierFinance zu verzeichnen, den beiden, die realer ablieferbarer Arbeit am nächsten kommen; bei APEX-Agents 1.1 und DiligenceBench, bei denen es sich um Agent-Loop- und Rechercheaufgaben handelt, führen Gemini 3.8 Flash und Claude Fable 5, und Ultramarine 1 Flash belegt den dritten Platz.

Die ungeklärte Frage ist nicht, welches Modell besser ist. Sie ist, ob das Verhalten, das Deliverables erzeugt, den Kontakt mit Dokumenten übersteht, die niemand bei Paper Instruments geschrieben hat. Das Unternehmen hat seine Methode detailliert genug veröffentlicht, um genau diesen Test geradezu herauszufordern, und hat nicht die Gewichte veröffentlicht, mit denen jemand es ausführen könnte, ohne über seine API zu gehen. Beide Tatsachen sind tragend, und nur eine davon dürfte sich bald ändern.

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.