Ultramarine 1 Flash vs. GPT-5.6 Luna: Zwei Modelle, die nie auf derselben Bestenliste auftauchen

Das Erste, was bei dieser Gegenüberstellung auffällt, ist, was im eigenen Diagramm des Anbieters fehlt. Paper Instruments veröffentlichte Ultramarine 1 Flash am 14. Oktober 2026 mit sechs Benchmark-Tabellen und einem Kosten-Qualitäts-Diagramm, das rund dreißig Modellkonfigurationen abdeckt. GPT-5.6 Luna taucht nicht im Diagramm auf. Nicht bei geringem Aufwand, nicht bei mittlerem, nicht bei maximalem. Sein Geschwistermodell GPT-5.6 Sol ist dort bei jeder Aufwandsstufe vertreten; ein Modell namens GPT-6 Luna ist dort mit 58,3 für 0,11 $ pro Aufgabe vertreten; GPT-5.6 Luna taucht überhaupt nicht auf. Und auf der anderen Seite hat Artificial Analysis einen Eintrag für GPT-5.6 Luna – Intelligence Index 37, 0,18 $ pro abgeschlossener Aufgabe, 115,4 Ausgabe-Token pro Sekunde – und überhaupt keinen Eintrag für Ultramarine 1 Flash. Zwei Modelle, die drei Monate auseinander veröffentlicht wurden, beide auf kostengünstige Arbeit mit hohem Volumen ausgerichtet, und keine dritte Partei hat jemals eines von ihnen anhand eines Benchmarks gemessen, der das andere enthält.

Dieses Fehlen ist der Vergleich. GPT-5.6 Luna ist OpenAIs schnelle, kosteneffiziente Stufe aus der GPT-5.6-Familie, veröffentlicht am 9. Juli 2026, und trägt eine unabhängige Punktzahl über einen Verbund aus zehn Evaluierungen. Ultramarine 1 Flash ist ein Reinforcement-Learning-Nachtraining von GLM-5.3 Flash, bepreist mit 0,15 $ Eingabe / 0,50 $ Ausgabe pro Million Tokens, entwickelt, um Excel-Arbeitsmappen, Präsentationsfolien und Word-Memos statt Antworten zu erzeugen, und führt nur die Zahlen seines Herstellers an. Alles Folgende dreht sich darum, was aus dieser Anordnung geschlossen werden kann und was nicht.

Wo die beiden Datensätze tatsächlich liegen

Lunas Zahlen sind Messungen von Artificial Analysis auf der eigenen API von OpenAI. Die Zahlen von Ultramarine sind die von Paper Instruments veröffentlichten Preise und die eigenen veröffentlichten Evaluierungen, wobei die Kontextgröße aus der Trainingskonfiguration im eigenen technischen Bericht übernommen wurde.

• Unabhängige Bewertung — Intelligence Index 37 bei maximalem Aufwand, vierter von 148 Modellen in seiner Klasse, für GPT-5.6 Luna gegenüber keinerlei unabhängiger Bewertung für Ultramarine 1 Flash.

• Input-Preis, auf den Tarifkarten — $0,20 pro Million Tokens vs. $0,15. Das Paper Instruments-Modell ist beim Input 25 % günstiger.

Ausgabepreis — 1,20 $ vs. 0,50 $ pro Million. Faktor 2,4, der größte Unterschied im Paarvergleich.

• Zwischengespeicherte Eingabe — 0,02 $ pro Million (90 % Rabatt) für Luna gegenüber 0,03 $ (80 % Rabatt). Ein Cent Unterschied, zu OpenAIs Gunsten.

• Kontext — 1.050.000 Tokens auf Lunas Preisliste vs. 131.072 in Ultramarines Trainingskonfiguration. Achtmal so groß wie das Fenster, und die eine Zeile, in der der Abstand nicht knapp ist.

• Maximale Ausgabe — 128.000 Token vs. nicht veröffentlicht.

• Gemessene Kosten pro abgeschlossener Aufgabe — 0,18 $ beim Intelligence Index für Luna (maximaler Aufwand) gegenüber 0,13 $ bei PI Knowledge Work für Ultramarine 1 Flash. Zwei verschiedene Suiten, zwei verschiedene Arten von Aufgaben, zwei Zahlen, die vergleichbar aussehen und es nicht sind.

• Erstes Token — 121,46 Sekunden für Luna bei maximalem Aufwand über OpenAIs API, gegenüber einem Median von 1,85 Sekunden für seine Preisklasse; für Ultramarine 1 Flash in keiner Form veröffentlicht.

Zwei Minuten bis zum ersten Token – und warum es sich dabei um eine Einstellung und nicht um einen Fehler handelt

Diese 121,46-Sekunden-Angabe verdient einen eigenen Abschnitt, denn sie ist die Art von Zahl, die als Defekt zitiert wird, obwohl sie eigentlich ein Parameter ist.

GPT-5.6 Luna führt bei maximalem Reasoning-Aufwand seine Abwägung durch, bevor es überhaupt etwas ausgibt. Im Intelligence Index erzeugt es 115,4 Ausgabe-Tokens pro Sekunde, sobald es beginnt, und insgesamt 150 Millionen Ausgabe-Tokens, um die Suite zu absolvieren – Platz 41 von 60 in seiner Klasse bei der Ausführlichkeit, von Artificial Analysis gegenüber einem Median von 95 Millionen als etwas wortreich beschrieben. Der Index-Score von 37 wird bei dieser maximalen Einstellung gemessen.

Das Modell unterstützt konfigurierbaren Aufwand. Das heißt: Dieselben Gewichte, die zwei Minuten bis zum Start brauchen, lassen sich auf eine Stufe einstellen, die sofort antwortet – bei niedrigerer Punktzahl. OpenAI veröffentlicht im Artificial-Analysis-Datensatz keine Aufschlüsselung nach Aufwand, daher ist das Ausmaß dieses Rückgangs nicht bekannt – ein Standardaufruf liegt irgendwo unter 37, und zwar um einen Betrag, den niemand außerhalb von OpenAI gemessen hat. Für einen Fan-out-Schritt, bei dem hundert günstige Aufrufe jeweils etwas Kurzes entwerfen, ist das die richtige Konfiguration. Für die eine schwierige Aufgabe am Ende einer Kette ist maximaler Aufwand die richtige Wahl. Beide sind dasselbe Modell, und keine der beiden ist falsch konfiguriert.

Ultramarine 1 Flash veröffentlicht keine Latenzangabe, keine Durchsatzangabe und keine Zeit bis zum ersten Token. Der technische Bericht legt jedoch den Betriebsbereich offen, innerhalb dessen das Modell trainiert und evaluiert wurde – 131.072 Token Kontext, eine Obergrenze von 250 Turns für die Agenten-Schleife, Kompaktierung ausgelöst bei 85 % des Fensters oder wenn 30.000 Token verbleiben –, und ein Harness, der darauf ausgelegt ist, sein eigenes Arbeitsgedächtnis zu kompaktieren, ist ein Harness für lange Aufgaben. Das ist eine Schlussfolgerung über den Zuschnitt der Aufgabe, kein Beleg über Geschwindigkeit, und die ehrliche Position ist, dass eine Seite dieses Vergleichs ein gemessenes Latenzproblem hat und die andere Seite keine Messung.

Was ein lieferbarer Benchmark misst, was ein Intelligenzindex nicht messen kann

Der Grund, warum die beiden Modelle nie aufeinandertreffen, ist kein Zufall der Terminplanung. Die Benchmarks messen absichtlich verschiedene Dinge.

Der Intelligence Index, der Luna ihre 37 verleiht, ist ein zusammengesetztes Maß aus zehn Evaluierungen – AA-Briefcase, GDPval-AA, AutomationBench und andere –, wobei jede Antworten enthält, die ein Bewerter überprüfen kann. Das macht ihn reproduzierbar, und deshalb kann ein Evaluator ohne Eigeninteresse an irgendeinem Modell ihn durchführen und eine vergleichbare Zahl für alle veröffentlichen.

PI Knowledge Work wurde genau deshalb entwickelt, weil die reproduzierbaren Teile professioneller Arbeit nicht die Teile sind, auf die es ankommt. Ein Diligence-Memo lässt sich nicht kompilieren. Ein Board-Deck hat keine Unit-Tests. Ein Preismodell mit einer Live-Prognose darin wird auf eine Weise falsch sein, die ein Multiple-Choice-Bewerter nicht sehen kann. Also schrieb Paper Instruments stattdessen Rubriken, eine pro Aufgabe, wobei jedes Kriterium als Grenze über akzeptable Antworten gezogen wurde und nicht als Forderung nach einer einzigen. Der Bericht von Paper Instruments stellt ein überangepasstes Kriterium, das zwei von drei richtigen Antworten zurückweist, einem vagen gegenüber, das drei falsche akzeptiert, und zeigt dann die neu geschriebene Version, die zur Grenze passt — was eine faire Darstellung dessen ist, warum dies schwierig ist, und eine faire Warnung davor, wie viel Gewicht eine einzelne Rubrikbewertung tragen sollte.

Was die resultierenden Zahlen wert sind, nüchtern gesagt: Ultramarine 1 Flash erzielt 59,3 in dieser Suite bei 0,13 $ pro Aufgabe. GPT-5.6 Sol, Lunas größeres Geschwister, erzielt 55,1 bei 2,09 $ und erscheint in allen sechs Tabellen von Paper Instruments – 45,4 bei JobBench gegenüber 62,9 von Ultramarine, 46,8 bei FrontierFinance gegenüber 53,3, 51,5 bei APEX-Agents 1.1 gegenüber 57,0. Der Anbieter berichtet, dass seine Suite mit dem Artificial Analysis Intelligence Index mit r = 0,81 korreliert, was eine beachtliche Zahl ist – und eine aus zweiter Hand. Keine unabhängige Drittpartei hat Ultramarine 1 Flash auf irgendetwas getestet.

Der Vergleich, der auf beiden Seiten auf die gleiche Weise gemessen wird

In dieser Paarung gibt es genau eine Klasse von Messungen, bei der die Zahl keiner der beiden Seiten von der Methodik der anderen abhängt: Token-Effizienz, gemessen innerhalb einer einzigen Suite durch einen einzigen Harness.

Artificial Analysis verzeichnet GPT-5.6 Luna mit 150 Millionen Ausgabe-Tokens, um den Intelligence Index abzuschließen, 58 % über dem 95-Millionen-Median seiner Klasse. Hinter den 0,18 $ pro Aufgabe steckt diese Zahl – ein schnelles Modell, das sehr viel schreibt, ist nicht der günstigste Weg, eine fertige Aufgabe zu kaufen, und das Ausführlichkeits-Ranking macht den Grund sichtbar.

Paper Instruments erhebt über sein eigenes Modell die gegenteilige Behauptung und tut dies auf eine Weise, die überprüfbar ist statt bloß behauptet. Über alle sechs seiner Benchmarks hinweg gab Ultramarine 1 Flash 6,5 % weniger Ausgabe-Tokens aus als GLM-5.3 Flash, das Modell, von dem es nachtrainiert wurde – 30,5 Millionen gegenüber 32,7 Millionen, Reasoning eingeschlossen – und erzielte dabei auf jeder der sechs eine höhere Punktzahl. Beide Seiten dieses Vergleichs sind derselbe Harness auf denselben Aufgaben, daher ist er nicht anfällig für die Kritik, die über allem anderen hier schwebt. Es ist außerdem die Richtung, die nicht kostenlos zu haben ist: Nachtrainingsläufe werden ebenso oft geschwätziger wie ruhiger.

Für alle, deren Rechnung von Output-Tokens dominiert wird, ist das die am ehesten übertragbare Tatsache in der Veröffentlichung. Sie besagt nicht, dass Ultramarine 1 Flash sparsamer ist als GPT-5.6 Luna. Sie besagt, dass die Relation „die kürzere der beiden je Basismodell“ Bestand hatte – in einer Suite, die niemand außerhalb des Unternehmens reproduziert hat.

Den Test selbst durchführen

GPT-5.6 Luna wird auf OrcaRouter angeboten zu $0,20 für Input und $1,20 für Output pro Million Tokens, wobei die Effort-Stufe pro Anfrage festgelegt wird. Das ist der Listenpreis des Anbieters, durchgereicht ohne Aufschlag pro Token, was für ein Modell zählt, dessen Preis sich bereits einmal geändert hat — die 80%-Senkung, die OpenAI früher im Jahr vorgenommen hat, spiegelt sich hier wider, ohne dass jemand einen Vertrag neu verhandeln muss. Derselbe Endpunkt erreicht GPT-5.6 Sol, Claude Fable 5, DeepSeek V4 Flash und GLM-5.3 Flash, wobei letzteres die Basis ist, aus der Ultramarine 1 Flash trainiert wurde, und zum identischen Tarif von $0,15 / $0,50 angeboten wird.

Ultramarine 1 Flash ist nicht in unserem Katalog; der Weg dorthin führt über die eigene API des Anbieters und die Drittanbieter-Plattformen, die es weiterverkaufen. Diese Asymmetrie ist die praktische Form dieses Vergleichs. Eines dieser beiden Modelle können Sie heute in einen Produktionspfad einbinden, mit einem gerouteten Fallback dahinter und einer gemessenen p50 vor sich. Das andere testen Sie auf dem Endpunkt des Anbieters und beurteilen es anhand seiner eigenen Ausgabe.

Welcher Test lohnt sich, und er ist günstig: Schicken Sie denselben Dokumenten-Batch an beide – bei Lunas Standardaufwand und bei maximalem Aufwand – und vergleichen Sie die Artefakte und die Rechnungen. Das ganze Argument des Spezialisten ist, dass seine Ausgabe weniger Nacharbeit erfordert. Das ist an einem Nachmittag messbar, und es ist der einzige Beweis, der eine Paarung entscheiden würde, bei der niemand eine gemeinsame Rangliste veröffentlicht hat.

Die Position, formuliert als das, was bekannt ist und was nicht

Bekannt, mit einer Quelle: GPT-5.6 Luna erzielt 37 auf einem Index, der aus zehn überprüfbaren Bewertungen besteht, bei 0,18 $ pro abgeschlossener Aufgabe, mit einem Kontextfenster von 1.050.000 Tokens und einem ersten Token, das bei der Aufwandsstufe, die die 37 einbringt, etwas mehr als zwei Minuten dauern kann. Es ist günstig pro Token, leistungsfähig für seine Klasse und neigt – nach der eigenen Messung von Artificial Analysis – dazu, 58 % mehr zu schreiben als vergleichbare Modelle.

Vom Hersteller gemeldet, nicht reproduziert: Ultramarine 1 Flash erreicht 59,3 in einer rubrikbewerteten Suite aus Finance-, Legal-, Consulting- und Operations-Deliverables bei 0,13 $ pro Aufgabe, gegenüber 8,19 $ für Claude Fable 5 bei 57,8 und 2,09 $ für GPT-5.6 Sol bei 55,1, und es übertrifft sein eigenes Basismodell in allen sechs Suites, während es 6,5 % weniger Tokens generiert.

Unbekannt: ob irgendetwas davon ein Dokument übersteht, das niemand bei Paper Instruments geschrieben hat, wie die Latenz des Modells unter Last aussieht und ob die Zeile „Model weights coming soon“ auf der Seite des Anbieters in einer tatsächlichen Veröffentlichung mündet.

Jeder Artikel, der daraus einen Sieger kürt, hat einen erfunden. Was sich sauber sagen lässt, ist: Wenn du einen verifizierten Score brauchst, bevor du dich festlegst, ist GPT-5.6 Luna das einzige Modell in dieser Paarung, das einen hat; und wenn deine Arbeit ein Deliverable ist und keine Antwort, dann liegt die interessante Behauptung ganz auf der anderen Seite und wurde von niemandem getestet, der nicht dafür bezahlt wurde, sie zu testen.

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.