Ultramarine 1 Flash vs. Claude Haiku 4.5: dos números de costo por tarea que no miden lo mismo

Los dos modelos de esta comparación publican un costo por tarea, y la tentación es poner las cifras una junto a la otra y restarlas. Paper Instruments dice que Ultramarine 1 Flash termina un trabajo por $0.13. Artificial Analysis mide Claude Haiku 4.5, en su configuración de razonamiento, en $0.28 por tarea del Intelligence Index completada. Uno cuesta menos de la mitad que el otro, y si esa fuera la imagen completa, la decisión tomaría diez segundos. No es la imagen completa, porque esas dos cifras provienen de suites distintas que le piden al modelo hacer cosas diferentes, y entender qué suite se parece a tu trabajo es la comparación entera. Las tarifas en sí están aún más separadas: $0.15 por millón de entrada y $0.50 de salida para el modelo de Paper Instruments frente a $1.00 y $5.00 para el de Anthropic: una brecha de 6.7x en la entrada y de 10x en la salida.

Hay una segunda asimetría. Claude Haiku 4.5 tiene una puntuación publicada por un laboratorio que no es su creador. Ultramarine 1 Flash tiene una puntuación publicada por la empresa que lo entrenó, en una suite que esa empresa creó. Ambos hechos importan más aquí que cualquier número de benchmark individual, y ninguno aparece en una comparación lado a lado.

Las dos tarjetas de tarifas, y la línea que no es la misma en ambas

Las cifras de Ultramarine son los precios de API publicados por Paper Instruments y sus propias evaluaciones publicadas. El precio de Claude Haiku 4.5 es la tarifa de Anthropic; sus cifras de evaluación son mediciones de Artificial Analysis, etiquetadas como tales.

• Entrada — Ultramarine 1 Flash $0,15 por millón de tokens vs Claude Haiku 4.5 $1,00. El modelo de A​nthropic cuesta 6,7 veces más en la entrada.

• Entrada en caché — 0,03 $ frente a 0,10 $ por millón, un descuento del 90 % del lado de Anthropic frente a un descuento del 80 % del lado de Paper Instruments. La brecha absoluta se mantiene amplia; la proporcional se estrecha.

• Salida — $0.50 vs. $5.00 por millón. 10x, y esta es la línea donde la diferencia realmente se nota, porque el trabajo con documentos genera una gran cantidad de salida.

• Contexto — 131.072 tokens en la configuración de entrenamiento que especifica el informe técnico frente a 200.000 en la tarjeta de tarifas de Haiku. A​nthropic tiene aproximadamente 1,5 veces más.

• Salida máxima — no publicada por Paper Instruments vs. 64.000 tokens para Claude Haiku 4.5. Una celda en blanco en la lista.

• Entradas — Claude Haiku 4.5 acepta cargas de texto, imágenes y archivos. Ultramarine 1 Flash está construido en torno al trabajo con texto y documentos; su base, GLM-5.3 Flash, es multimodal de forma nativa, pero Paper Instruments no publica una lista de modalidades para el derivado.

• Costo medido por tarea completada — $0.13 en PI Knowledge Work para Ultramarine 1 Flash frente a $0.28 en el Intelligence Index para Claude Haiku 4.5 (reasoning). Los números que la gente se citará entre sí. La siguiente sección explica por qué no son la misma unidad.

Qué cubre realmente cada puntuación

El registro publicado de Claude Haiku 4.5 viene en dos configuraciones y vale la pena separarlas, porque un resultado de búsqueda normalmente te mostrará la incorrecta. Artificial Analysis incluye la configuración sin razonamiento con un Índice de Inteligencia de 15 y 87,3 tokens de salida por segundo. La configuración con razonamiento —la que lleva una cifra de coste por tarea asociada, y la que se usa en todo este artículo— mide un Índice de Inteligencia de 17, 90,0 tokens de salida por segundo, $1,00 de entrada y $5,00 de salida por millón, un descuento de caché del 90 %, $0,28 por tarea de Índice completada y 78 millones de tokens de salida de verbosidad. Su ventana de contexto es de 200.000 tokens con un recorte de conocimiento de julio de 2025, y acepta texto e imagen.

El Intelligence Index se compone de evaluaciones de matemáticas, programación, razonamiento y capacidades agénticas. Ninguna de las pruebas que lo componen pide a un modelo que elabore una presentación para la junta directiva, un memorándum de diligencia debida o un modelo de Excel con una previsión en tiempo real incorporada, porque esos artefactos no tienen una única respuesta correcta y una prueba comparativa que los puntuara necesitaría una rúbrica por tarea.

Lo cual es exactamente lo que Paper Instruments construyó, y exactamente por lo que la comparación no puede ser una resta. PI Knowledge Work es un conjunto de entregables listos para el cliente en finanzas, derecho, consultoría y operaciones, calificados tarea por tarea por un modelo de calificación por rúbrica conforme a rúbricas elaboradas. Ultramarine 1 Flash obtiene 59.3 allí a $0.13 por tarea. Una puntuación de 59.3 en una rúbrica de entregables documentales y una puntuación de 17 en un índice de matemáticas y programación no son cantidades comparables. Tampoco lo es la cifra de costo, porque una tarea de uno de los conjuntos puede ser un orden de magnitud más larga que una tarea del otro.

Lo que la combinación sí respalda es más limitado y, aun así, útil. A Claude Haiku 4.5 lo ha medido alguien sin intereses en juego, en pruebas en las que no participó nadie de Anthropic. Ultramarine 1 Flash, no. Eso no es una crítica a las cifras de Paper Instruments —la empresa divulga las suyas con un detalle inusual—, pero es una diferencia en el tipo de evidencia disponible, y un comprador que ponga la elección ante un comité de riesgos se topará con ella de inmediato.

Donde Claude Haiku 4.5 gana sin discusión

Tres lugares, y ninguno de ellos tiene que ver con ser más inteligente.

La entrada multimodal es la más clara. Un contrato escaneado, una captura de pantalla de una hoja de cálculo rota, una fotografía de una pizarra — todo eso entra en Claude Haiku 4.5 a través de una interfaz que la ha soportado, sin cambios, durante un año. Ultramarine 1 Flash se basa en un modelo base que lee imágenes y video, pero el proveedor no publica ninguna lista de modalidades para su derivado, y ningún ejemplo en el informe técnico se basa en una imagen que el modelo tenga que mirar. Si tus documentos llegan escaneados, esto decide la cuestión por sí solo.

La madurez operativa es la segunda. Un modelo con un año de tráfico de producción a sus espaldas ha tenido sus modos de fallo descubiertos y documentados por personas a las que no se les pagaba por encontrarlos. Un modelo que se publicó el 14 de octubre de 2026 no, y la primera semana de cualquier endpoint nuevo es cuando uno aprende cómo se comporta bajo carga.

La verificación independiente es la tercera, y es la que se acumula. Cada mes adicional de vida de Haiku 4.5 es otro mes en el que alguien lo puso a prueba con su propio trabajo y anotó lo que ocurrió.

Donde la brecha se cierra hasta casi nada — y por qué la aritmética es engañosa

El 10x del titular en la salida es real, y en un trabajo con documentos largos produce exactamente la factura que predecirías. Lo que el titular oculta es que la economía por tarea de los dos modelos puede converger, porque una tarea en PI Knowledge Work no es la misma cantidad de trabajo que una tarea en Intelligence Index — y porque, en la práctica, el modelo de A​nthropic es uno que hace un uso intensivo de la caché.

En el lado de Paper Instruments hay un número contraintuitivo que vale la pena leer con atención. En sus seis benchmarks, Ultramarine 1 Flash genera un 6,5 % menos de tokens de salida que el modelo GLM-5.3 Flash del que se deriva mediante postentrenamiento —30,5 millones frente a 32,7 millones, razonamiento incluido— y aun así obtiene mejores puntuaciones en los seis. Que la eficiencia de tokens mejore no es la dirección habitual en un proceso de postentrenamiento y, en una tarifa por millón de tokens, es un segundo descuento acumulado sobre el primero. Esa es la única comparación en la página de Paper Instruments en la que ambos lados se miden con el mismo método en la misma suite, lo que la convierte en el número más fiable del lanzamiento.

En cambio, Claude Haiku 4.5 es el modelo más barato en una comparación que nadie publicita: a $0.28 por tarea de Index completada, tiene un precio pensado para una suite cuyas tareas son más cortas y menos agénticas que un memorando de diligencia debida. Ponga un entregable legal o financiero real delante de cada uno y la cifra de $0.13 nunca estuvo midiendo la misma unidad de trabajo que la de $0.28.

Ambos modelos están en una sola clave a través de OrcaRouter si quieres zanjar esto empíricamente en lugar de leer. Claude Haiku 4.5 se ofrece a $1.00 y $5.00 por millón de tokens con nada añadido por token — el precio de lista del proveedor se traslada directamente, así que un cambio de tarifa del proveedor se aplica en nuestro lado el mismo día, lo que, para un modelo cuyo precio ya se ha movido antes, no es una propiedad trivial. Pasar los mismos veinte documentos por ambos y leer las facturas cuesta menos que la reunión sobre cuál elegir, y produce un número en lugar de una discusión.

La decisión, formulada como una bifurcación

Si la entrada es un documento que alguien escaneó o una captura de pantalla, la respuesta es Claude Haiku 4.5 y no hay nada más que discutir.

Si la entrada es texto y la salida es un entregable terminado —un modelo, una presentación, un memorando— y el volumen es lo suficientemente alto como para que $0.15 frente a $1.00 en la entrada cambie la forma del proyecto, Ultramarine 1 Flash merece una prueba piloto en tu propio trabajo. Tiene un día de vida. Los $0.13 son reportados por el proveedor sobre un conjunto de pruebas creado por el proveedor, y aún no existe ninguna evaluación independiente. Pero la tarifa es real, la comparación de eficiencia de tokens está medida de la única forma en que puede medirse con honestidad, y las mejoras sobre su propio modelo base en los cuatro benchmarks que lidera son consistentes en lugar de seleccionadas a conveniencia.

Si tu carga de trabajo incluye ambas cosas, lo útil no es elegir. Una regla de enrutamiento puede mantener la ruta de documentos escaneados en el modelo A​nthropic y enviar la ruta de texto a entregable al que, de los dos, supere tu umbral de calidad con una muestra — y si el más nuevo falla, la solicitud pasa al más antiguo sin cambiar el código y sin firmar un segundo contrato.

Lo que resolvería la cuestión abierta es una única evaluación independiente de Ultramarine 1 Flash en una batería de pruebas que su creador no escribió. Hasta que eso exista, la postura honesta es que Claude Haiku 4.5 es el modelo cuyo comportamiento puedes predecir y Ultramarine 1 Flash es el modelo cuyo precio te gustaría poder usar. Nada de lo publicado hoy dice que no puedas. Nada de lo publicado hoy, excepto la página del propio proveedor, dice que puedas.

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.