Ultramarine 1 Flash vs Gemini 3.5 Flash-Lite: Entregar un artefacto y responder una pregunta son dos productos diferentes

Empieza por la línea que cierra el argumento, no por la que lo abre. Gemini 3.5 Flash-Lite acepta texto, imágenes, voz y video y devuelve texto. Ultramarine 1 Flash toma texto y devuelve un libro de Excel, una presentación de PowerPoint o un documento de Word, editados in situ, después de haber leído y escrito en los sistemas empresariales en los que reside el trabajo. Ambos son baratos. El modelo de Google obtiene 22 en el Artificial Intelligence Index a $0.19 por tarea completada; Paper Instruments reporta $0.13 por tarea en su propia suite interna. Las cifras son lo bastante cercanas como para que la historia de costos sea un empate, y lo que queda es la pregunta de si estás comprando una respuesta o comprando un entregable — porque en esa pregunta estos dos modelos no están en el mismo mercado en absoluto.

Tampoco se crearon al mismo tiempo ni por el mismo motivo. Gemini 3.5 Flash-Lite alcanzó la disponibilidad general en julio de 2026 como el nivel más rentable de Google, con un precio de aproximadamente una quinta parte del de 3.6 Flash. Ultramarine 1 Flash se publicó el 14 de octubre de 2026 como un postentrenamiento de aprendizaje por refuerzo de GLM-5.3 Flash, orientado a un entregable listo para el cliente más que a una respuesta.

Las líneas de especificación, ambos lados

Las cifras de Ultramarine son las tarifas de API publicadas por Paper Instruments y sus propias evaluaciones publicadas; su cifra de contexto es la configuración de entrenamiento indicada en el informe técnico. Las cifras de G​emini son la lista de precios de G​oogle más las mediciones de Artificial Analysis, etiquetadas cuando son mediciones.

• Precio de entrada — Ultramarine 1 Flash $0.15 por millón de tokens frente a Gemini 3.5 Flash-Lite $0.30. G​oogle es 2 veces más caro de entrada.

• Precio de salida — $0.50 vs $2.50 por millón. 5x, y esta es la línea donde realmente se acumula el costo de un trabajo de documentos.

• Entrada en caché — 0,03 $ por millón (80 % de descuento) vs. 0,03 $ (90 % de descuento). El mismo número absoluto, alcanzado mediante descuentos diferentes.

• Ventana de contexto — 131.072 tokens en la configuración de entrenamiento frente a 1.048.576. Google tiene 8 veces más.

• Salida máxima — no publicada vs 65,536 tokens.

• Entradas — trabajo con texto y documentos frente a texto, imagen, voz y vídeo.

• Costo por tarea completada — $0.13 en PI Knowledge Work frente a $0.19 en Intelligence Index. El segundo de los dos números de la apertura, y el que requiere más cuidado.

• Velocidad de salida — no publicada para Ultramarine 1 Flash frente a 425,0 tokens de salida por segundo para Gemini 3.5 Flash-Lite, el cuarto más rápido de 148 modelos en su clase.

El número de latencia dentro del número de velocidad

Gemini 3.5 Flash-Lite es uno de los modelos más rápidos que se hayan medido. También tarda en empezar. Artificial Analysis registra un tiempo hasta el primer token de 8,13 segundos en la propia API de Google, frente a una mediana de 1,85 segundos para modelos de un segmento de precio comparable. El modelo transmite a 425 tokens por segundo una vez que arranca y tarda ocho segundos en arrancar.

Eso no es un defecto; es una propiedad de la ruta de servicio, y te dice para qué cargas de trabajo se diseñó el nivel. Un trabajo de clasificación por lotes, un pipeline de extracción, un agente en segundo plano — ninguno de ellos nota un inicio de ocho segundos, y todos se benefician enormemente de terminar una respuesta de 500 tokens en aproximadamente un segundo. Un humano que espera una respuesta de chat no nota nada más. La palabra "Flash" describe el rendimiento, no la capacidad de respuesta, y las dos no son la misma medición.

Ultramarine 1 Flash no tiene ninguna cifra publicada de velocidad ni de latencia en absoluto. Ni de Paper Instruments, ni de ningún tercero. No hay base para afirmar que sea más rápido o más lento que el modelo de Google, y quien te diga lo contrario lo está infiriendo de la arquitectura en lugar de leer un número. Lo que sí revela el informe técnico es la envolvente operativa dentro de la cual se entrenó: un contexto de 131.072 tokens, un máximo de 250 turnos en el bucle del agente y una compactación de contexto activada al 85 % de la ventana o cuando queden 30.000 tokens, lo que ocurra primero. Un arnés que compacta su contexto por diseño es un arnés construido para trabajo largo que, de otro modo, se desbordaría —lo cual es una pista sobre la forma de sus tareas y no una medición de la rapidez con que las produce.

Cuánto vale una "tarea" depende de quién escribió el benchmark

Los $0.13 y los $0.19 parecen comparables y miden cosas diferentes, y esta es la parte de la comparación que una tabla lado a lado te ocultará.

El Intelligence Index es un compuesto de diez evaluaciones: matemáticas, programación, razonamiento, trabajo agéntico. Sus tareas tienen respuestas que un evaluador puede comprobar. El 22 de Gemini 3.5 Flash-Lite es una puntuación real de un evaluador sin intereses en el modelo, y sus $0.19 son un costo medido por tarea completada en esa suite. Google también tiene el más halagador de los dos registros de verbosidad: 59 millones de tokens de salida para completar el Index, clasificado en el puesto 23 de 60 y descrito como bastante conciso frente a una mediana de 95 millones. Ese es un modelo diseñado para no divagar.

PI Knowledge Work no es eso. Es un conjunto de entregables listos para el cliente, calificados según una rúbrica redactada para cada tarea, porque un memo de diligencia debida no tiene una respuesta correcta con la que comparar. Ultramarine 1 Flash obtiene 59.3 allí a $0.13 por tarea, frente a Claude Fable 5 con 57.8 por $8.19 y GPT-5.6 Sol con 55.1 por $2.09. El proveedor informa que su suite se correlaciona con el Artificial Analysis Intelligence Index con r = 0.81 — una cifra seria, y de segunda mano. Una tarea de una suite no es una tarea de la otra: una pregunta de razonamiento puede ser unos cientos de tokens, y una presentación para el consejo es una larga ejecución agéntica que produce un archivo. Las dos cifras por tarea no son unidades de lo mismo, y restarlas es hacer aritmética sobre un error de categoría.

Lo que sobrevive a esa crítica es más limitado, pero genuinamente útil. Paper Instruments midió la eficiencia de tokens contra algo distinto de sí mismo: en sus seis benchmarks, Ultramarine 1 Flash emitió un 6,5 % menos de tokens de salida que el modelo GLM-5.3 Flash del que desciende —30,5 millones frente a 32,7 millones, razonamiento incluido—, a la vez que lo superaba en cada uno de los seis. La misma suite, el mismo harness, ambos lados medidos. En una tabla de precios por token, un modelo que escribe menos para obtener un mejor resultado es un descuento aplicado dos veces.

Dos modelos funcionales en una sola tecla

Gemini 3.5 Flash-Lite se sirve en OrcaRouter a $0.30 de entrada y $2.50 de salida por millón de tokens, el precio de lista del proveedor pasado directamente, con nada añadido por token — así que un cambio de tarifa de Google se aplica aquí el mismo día, sin necesidad de un despliegue por nuestra parte. Junto a él están los modelos a los que esta comparación se refiere una y otra vez: GPT-5.6 Sol, Claude Fable 5 y GLM-5.3 Flash, la base sobre la que se entrenó Ultramarine 1 Flash, todos accesibles desde el mismo endpoint y la misma clave.

Eso importa más para esta combinación que para una comparación directa típica, porque la carga de trabajo es mixta. Un pipeline de documentos diseñado en torno a una ventana de un millón de tokens y cuatro modalidades de entrada es un pipeline distinto de uno diseñado en torno a un agente que produce entregables, y los dos suelen coexistir en el mismo equipo. Una regla de enrutamiento puede mantener la entrada escaneada o audiovisual en el modelo de Google y enviar la ruta de texto a entregable a otro lugar, con una alternativa declarada si falla la primera opción: un contrato en lugar de dos, y sin cambios en el código cuando cambias de opinión sobre qué modelo recibe los trabajos largos.

Ultramarine 1 Flash en sí no está en nuestro catálogo; la vía de acceso actual es la API propia del proveedor y las plataformas de terceros que lo revenden.

Cómo decidiría yo en realidad

Dos situaciones, y se resuelven sin complicaciones.

Si la entrada contiene algo que no sea texto —un contrato fotografiado, una grabación de llamada, una captura de pantalla, un recorrido en video—, el modelo de Google es el único de los dos que puede aceptar la solicitud. Eso no es una preferencia, es un límite de capacidad, y pone fin a la comparación para esa carga de trabajo.

Si el resultado es aquello por lo que se paga —un modelo, una presentación, una nota, un documento que una persona abrirá y editará—, entonces la pregunta pasa a ser si un especialista posentrenado supera a un generalista eficiente, y Ultramarine 1 Flash es el especialista. La evidencia de eso es del proveedor, en los benchmarks del proveedor, un día después del lanzamiento, y debería leerse como una hipótesis y no como un hallazgo. Pero es una hipótesis específica y comprobable: en las cuatro de las seis suites en las que Paper Instruments lidera, los márgenes más amplios están en JobBench y FrontierFinance, las dos más cercanas al trabajo entregable real; en APEX-Agents 1.1 y DiligenceBench, que son tareas de bucle de agente y de investigación, Gemini 3.8 Flash y Claude Fable 5 lideran y Ultramarine 1 Flash queda en tercer lugar.

La cuestión no resuelta no es qué modelo es mejor. Es si el comportamiento que produce entregables sobrevive al contacto con documentos que nadie en Paper Instruments escribió. La empresa ha publicado su método con suficiente detalle como para invitar exactamente a esa prueba, y no ha publicado los pesos que permitirían a alguien ejecutarlo sin pasar por su API. Ambos hechos son determinantes, y es probable que solo uno de ellos cambie pronto.

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.