Ultramarine 1 Flash: Paper Instruments lanza un modelo entregable a $0.13 por tarea

Paper Instruments publicó Ultramarine 1 Flash el 14 de octubre de 2026, y la cifra con la que la empresa abre no es una puntuación de referencia. Es un precio: $0,13 por completar una tarea en PI Knowledge Work, la suite interna de la firma para trabajos de finanzas, asuntos legales, consultoría y operaciones. El modelo que cuesta $8,19 por completar la misma tarea —Claude Fable 5 con razonamiento máximo— obtiene 57,8 ahí. Ultramarine 1 Flash obtiene 59,3. Lea ese par como lo plantea el proveedor y tendrá un modelo que supera a un sistema de frontera por aproximadamente una sexagésima tercera parte del costo. Léalo con más atención y tendrá algo más acotado y más interesante: un modelo creado para un tipo específico de resultado, con un precio a la tarifa que cobra su propio modelo base, y con la prueba de referencia que lo afirma escrita por la empresa que lo vende.

Vale la pena mencionar de entrada el modelo base, porque explica la mayor parte del precio. Ultramarine 1 Flash es un postentrenamiento de GLM-5.3 Flashel modelo multimodal nativo de 320B totales / 18B activos de Z.ai, mejorado mediante aprendizaje por refuerzo a gran escala en lugar de construido desde cero. Sus tarifas de API son $0,15 por millón de tokens de entrada, $0,03 de entrada en caché y $0,50 de salida — idénticas a las de GLM-5.3 Flash, que es lo que significa «lo mismo que GLM-5.3 Flash» en el propio bloque de precios del proveedor.

Lo que ya se entregó, y lo que todavía es una promesa

Dos cosas son ciertas el día del lanzamiento, y la brecha entre ellas es la historia que gran parte de la cobertura aplanará.

La Ultramarine API ya está disponible. Puedes enviarle trabajo hoy mismo y pagar las tarifas indicadas arriba. La página de destino enlaza con ella bajo una línea sencilla que dice «Ultramarine API →».

Los pesos, no. La misma página dice «Los pesos del modelo, próximamente», y el informe técnico describe GLM-5.3 Flash como «un potente modelo base abierto» —lo cual es una afirmación sobre la base, no sobre el derivado. Ultramarine 1 Flash es, en este momento, un endpoint alojado cerrado con la intención de abrir los pesos. Que termine siendo genuinamente abierto es la mayor pregunta abierta al respecto, y es la que muchos resúmenes indirectos ya han respondido por suposición en lugar de comprobarlo.

Lo que sí se hizo open source el día del lanzamiento fue el andamiaje. El arnés de agentes Feather, que es el entorno en el que se entrenó al modelo y en el que se lo evalúa, se publica como repositorio. También lo están paper-docx, paper-pptx y paper-xlsx, las bifurcaciones de Paper Instruments de las bibliotecas estándar de Office para Python, que el modelo usa para crear libros de Excel, presentaciones de PowerPoint y documentos de Word. Esas bifurcaciones existen porque, según el propio relato de la empresa, los agentes que manejan python-docx y compañía "se topan con lagunas en la API, caen en OOXML sin procesar y crean corrupciones y regresiones silenciosas".

Los seis benchmarks, incluidos los dos que pierde

Paper Instruments evaluados en seis suites. Ultramarine 1 Flash lidera cuatro de ellas y no lidera dos, lo cual es un resumen más útil que el promedio.

• JobBench — 62,9 para Ultramarine 1 Flash, por delante de Gemini 3.8 Flash con 60,6 y DeepSeek V4.1 Flash con 60,4, con Claude Fable 5 en 57,4 y GPT-5.6 Sol en 45,4.

• PI Knowledge Work, la suite interna — 59,3, por delante de Claude Fable 5 con 57,8 y GPT-5.6 Sol con 55,1.

• FrontierFinance — 53.3, por delante de GLM-5.3 Flash con 50.7 y Gemini 3.8 Flash con 50.0.

• AutomationBench — segundo. DeepSeek V4.1 Flash se lo lleva con 51,3 frente al 50,2 de Ultramarine.

• DiligenceBench — tercero. Gemini 3.8 Flash lidera con 53.1, Claude Fable 5 es segundo con 52.9, Ultramarine 1 Flash está en 50.6.

• APEX-Agents 1.1 — en tercer lugar. Gemini 3.8 Flash con 64,3 y Claude Fable 5 con 63,6 ambos lo superan; Ultramarine 1 Flash se sitúa en 57,0, todavía muy por delante de GPT-5.6 Sol con 51,5 y DeepSeek V4.1 Flash con 39,5.

El patrón en las pérdidas es consistente y merece que se le ponga nombre: Ultramarine 1 Flash es más fuerte cuando el entregable es un documento y más débil cuando la tarea es un bucle de agente en vivo sobre sistemas. DiligenceBench es una evaluación de agentes de investigación de acciones; APEX-Agents es una suite agéntica. AutomationBench es automatización. Los dos benchmarks que su propio publicador creó en torno a entregables de oficina son los dos que gana por el margen más amplio.

Por qué las puntuaciones se ven así

Casi todo el trabajo profesional no puede ser verificado por un analizador sintáctico. Un memorándum de diligencia debida no compila y una presentación para el consejo no tiene pruebas unitarias, así que no hay ninguna expresión regular que diga si uno es correcto. Ese es el problema que Paper Instruments se propuso atacar, y su respuesta es una que se puede citar textualmente: «escalamos la síntesis de tareas no verificables a lo largo del trabajo del conocimiento agéntico».

El mecanismo es un currículo. Cuatro dominios —finanzas, derecho, consultoría, operaciones— se expanden a 19 áreas de práctica y 88 tipos de entorno distintos, cada uno de los cuales muestrea una taxonomía de ejes: formato de entregable, conflictos entre fuentes, partes interesadas, etapa de la transacción. La empresa sitúa el espacio de configuración nominal en algún punto entre 10⁷ y 10¹⁰ combinaciones por área de práctica, lo cual es una defensa contra el colapso de modos tanto como una afirmación de escala. Cada entorno es un espacio de trabajo real: un sistema de archivos construido a partir de presentaciones de SEC EDGAR, informes de analistas y contratos sintetizados, además de sistemas de registro en vivo —ERP, CRM, WMS, MES, GRC— a los que se accede mediante MCP, HTTP y CLI.

La calificación es donde esto se vuelve inusual. Cada tarea se entrega con una rúbrica, y cada criterio está escrito para trazar un límite sobre respuestas aceptables en lugar de exigir una. El propio ejemplo desarrollado del informe contrasta un criterio sobreajustado que rechaza dos de tres respuestas correctas con uno vago que acepta tres incorrectas, y luego muestra la versión reescrita coincidiendo con el límite. Los entregables se procesan y se pasan a un calificador de rúbricas —el paquete de código abierto de la empresa, con GPT-5.6 Terra como modelo juez. El entrenamiento se ejecutó con un contexto de 131.072 tokens, un límite de 250 turnos del agente y compactación al 85 % de la ventana.

Ese diseño es el origen tanto del resultado como de la salvedad. Es la razón por la que un modelo tan barato puede obtener una puntuación cercana a la de un sistema de frontera en trabajo documental: la distribución de tareas se fabricó para parecerse al trabajo documental. También es la razón por la que las cifras necesitan una etiqueta. Estos son los benchmarks del propio proveedor, calificados por el propio evaluador del proveedor, en tareas que el proveedor escribió. Paper Instruments informa que PI Knowledge Work se correlaciona con el Artificial Analysis Intelligence Index con r = 0,81, lo cual es una cifra seria y una respuesta parcial, pero una correlación del lado del proveedor de la valla sigue estando del lado del proveedor de la valla. Ningún tercero ha publicado todavía una evaluación independiente de Ultramarine 1 Flash, y el modelo tiene un día de vida.

La afirmación que no se sostiene en el gráfico

Lo más defendible del lanzamiento es también lo menos citado: el modelo genera un 6,5 % menos de tokens de salida que su base en los seis benchmarks. 30,5 millones frente a 32,7 millones, razonamiento incluido. En una factura por tarea, esa es la diferencia entre un modelo más barato y un modelo más barato que además es más barato de ejecutar, y es el tipo de ingeniería que se refleja en una factura en lugar de en una tabla de clasificación.

La afirmación que no se sostiene del todo es la de la frontera de costo-calidad. En PI Knowledge Work, GPT-6 Luna con razonamiento máximo obtiene 58,3 a 0,11 $ por tarea. La mejor puntuación de Ultramarine 1 Flash es 59,3 a 0,13 $. Un punto y dos centavos es una diferencia lo bastante estrecha como para que "se sitúa en la frontera de costo-calidad en el punto de precio más atractivo" sea una declaración de posicionamiento y no un hecho — lo cual el propio gráfico del proveedor, hay que reconocerlo, muestra a cualquiera que lea más allá de la entrada del titular. Un modelo un punto por detrás y dos centavos más barato es una alternativa genuina para trabajo de volumen, y la versión honesta de este lanzamiento es que Ultramarine 1 Flash está a la cabeza de un pequeño grupo, y no solo en una frontera.

Donde encaje, si quieres llamarlo así

Ultramarine 1 Flash no es un modelo de propósito general y no pretende serlo. Entra texto y sale un libro de Excel, una presentación de PowerPoint o un documento de Word, con la capacidad de actuar dentro de un sistema empresarial mientras lo hace. Si tu carga de trabajo es un documento, esta es ahora una de las formas creíbles más económicas de producirlo.

Ultramarine 1 Flash no está en nuestro catálogo. El modelo a partir del cual se postentrena es: GLM-5.3 Flash se sirve en OrcaRouter a $0.15 de entrada y $0.50 de salida por millón de tokens con nada añadido por token, y la tarifa es el precio de lista del proveedor trasladado directamente, así que si Z.ai mueve la cifra, la cifra servida se mueve con ella el mismo día. Eso importa más de lo habitual en un lanzamiento como este, porque todo el argumento de Ultramarine 1 Flash es aritmética hecha contra la lista de precios de un modelo base. Por separado, cuatro de los modelos con los que se lo compara —GPT-5.6 Sol, DeepSeek V4.1 Flash, Gemini 3.8 Flash y Kimi K3— son accesibles desde el mismo endpoint, lo que significa que puedes poner a prueba la comparación del proveedor con tus propios documentos en lugar de con los suyos.

¿Qué cambiaría la evaluación?

Tres cosas, en orden descendente de cuánto importarían.

Una evaluación independiente sobre una suite que nadie en Paper Instruments escribió. El proveedor ha dado pie a esto al publicar la correlación con un índice de terceros; el siguiente paso es que alguien más publique la puntuación.

Los pesos. "Próximamente" es un marcador de posición, y hasta que se resuelva, "modelo abierto" es una descripción de intención que el lanzamiento no sustenta. Si llegan, un modelo de 18B activos ajustado para el trabajo con documentos se convierte en algo que puedes ejecutar tú mismo, y la cifra de $0.13 deja de ser la única forma de comprar esta capacidad.

Un benchmark que no gana por construcción. Las cuatro suites en las que lidera te dicen que es bueno en aquello para lo que fue entrenado. Las dos en las que va por detrás te dicen dónde un agente general todavía supera a un especialista. Cualquiera que planee un pipeline de agentes legales o financieros debería leer esas dos filas y la fila de $0.13 juntas, y decidir cuál describe su carga de trabajo.

Comparaciones como esta son también donde se manifiestan los modos de fallo: los incidentes de IA documentados y los fallos de agentes que hay detrás de los modelos de esta clase se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza y marca de disputa.