Ultramarine 1 Flash vs. GPT-5.6 Luna: dos modelos que nunca aparecen en la misma tabla de puntuaciones

Lo primero que hay que notar sobre este emparejamiento es lo que falta en el propio gráfico del proveedor. Paper Instruments publicó Ultramarine 1 Flash el 14 de octubre de 2026 con seis tablas de benchmarks y un gráfico de costo-calidad que abarca una treintena de configuraciones de modelos. GPT-5.6 Luna no está en el gráfico. Ni con esfuerzo bajo, ni con esfuerzo medio, ni con esfuerzo máximo. Su hermano GPT-5.6 Sol está ahí en todos los niveles de esfuerzo; un modelo llamado GPT-6 Luna está ahí con 58.3 a $0.11 por tarea; GPT-5.6 Luna no aparece en absoluto. Y por el otro lado, Artificial Analysis tiene una entrada para GPT-5.6 Luna —Intelligence Index 37, $0.18 por tarea completada, 115.4 tokens de salida por segundo— y ninguna entrada para Ultramarine 1 Flash en absoluto. Dos modelos lanzados con tres meses de diferencia, ambos orientados al trabajo barato de gran volumen, y ningún tercero ha medido jamás a uno de ellos en un benchmark que contenga al otro.

Esa ausencia es la comparación. GPT-5.6 Luna es el nivel rápido y rentable de OpenAI dentro de la familia GPT-5.6, lanzado el 9 de julio de 2026, y cuenta con una puntuación independiente en un compuesto de diez evaluaciones. Ultramarine 1 Flash es un post-entrenamiento de aprendizaje por refuerzo de GLM-5.3 Flash, con un precio de $0,15 de entrada / $0,50 de salida por millón de tokens, diseñado para producir libros de Excel, presentaciones y memorandos de Word en lugar de respuestas, y solo cuenta con los números de su creador. Todo lo que sigue trata sobre lo que se puede y no se puede concluir de esa disposición.

Dónde se encuentran realmente los dos registros

Los números de Luna son mediciones de Artificial Analysis en la propia API de OpenAI. Los de Ultramarine son las tarifas publicadas de Paper Instruments y sus propias evaluaciones publicadas, con su cifra de contexto tomada de la configuración de entrenamiento en su informe técnico.

• Puntuación independiente — Índice de Inteligencia 37 con esfuerzo máximo, cuarto de 148 modelos en su clase, para GPT-5.6 Luna frente a ninguna evaluación independiente de ningún tipo para Ultramarine 1 Flash.

• Precio de entrada, en las tarifas — $0.20 por millón de tokens frente a $0.15. El modelo Paper Instruments es 25% más barato de entrada.

• Precio de salida — 1,20 $ frente a 0,50 $ por millón. 2,4x, la mayor diferencia de la comparación.

• Entrada en caché — $0.02 por millón (90 % de descuento) para Luna frente a $0.03 (80 % de descuento). A un centavo de diferencia, a favor de OpenAI.

• Contexto — 1.050.000 tokens en la lista de tarifas de Luna frente a 131.072 en la configuración de entrenamiento de Ultramarine. Ocho veces la ventana, y la única línea en la que la diferencia no es estrecha.

• Salida máxima — 128.000 tokens frente a no publicado.

• Coste medido por tarea completada — 0,18 $ en el Intelligence Index para Luna (esfuerzo máximo) frente a 0,13 $ en PI Knowledge Work para Ultramarine 1 Flash. Dos suites distintas, dos tipos de tarea distintos, dos cifras que parecen comparables y no lo son.

• Primer token — 121,46 segundos para Luna con esfuerzo máximo en la API de OpenAI, frente a una mediana de 1,85 segundos para su categoría de precio; no publicado para Ultramarine 1 Flash de ninguna forma.

El primer token en dos minutos, y por qué es una configuración y no un defecto

Esa cifra de 121,46 segundos merece su propia sección, porque es el tipo de número que se cita como un defecto cuando en realidad es un parámetro.

GPT-5.6 Luna, con el máximo esfuerzo de razonamiento, ejecuta su deliberación antes de emitir cualquier cosa. En el Intelligence Index produce 115,4 tokens de salida por segundo una vez que comienza y 150 millones de tokens de salida en total para completar la suite — 41.º de 60 en su clase en cuanto a verbosidad, descrito por Artificial Analysis como algo verboso frente a una mediana de 95 millones. La puntuación de 37 en el Index se mide con esa configuración máxima.

El modelo admite esfuerzo configurable, lo que significa que los mismos pesos que tardan dos minutos en empezar pueden ajustarse a un nivel que responde de inmediato, con una puntuación más baja. OpenAI no publica ningún desglose por nivel de esfuerzo en el registro de Artificial Analysis, así que la magnitud de esa caída no se revela: una llamada predeterminada está en algún punto por debajo de 37, en una cantidad que nadie fuera de OpenAI ha medido. Para un paso de fan-out en el que cien llamadas baratas redactan algo corto cada una, esa es la configuración correcta. Para la única tarea difícil al final de una cadena, el máximo esfuerzo es la configuración correcta. Ambas corresponden al mismo modelo y ninguna está mal configurada.

Ultramarine 1 Flash no publica ninguna cifra de latencia, ninguna cifra de rendimiento ni ningún tiempo hasta el primer token. Su informe técnico sí revela la envolvente operativa dentro de la cual se entrenó y evaluó —131.072 tokens de contexto, un tope de 250 turnos en el bucle del agente, compactación activada al 85 % de la ventana o cuando quedan 30.000 tokens—, y un arnés diseñado para compactar su propia memoria de trabajo es un arnés diseñado para trabajos de larga duración. Eso es una inferencia sobre la forma de la tarea, no evidencia sobre la velocidad, y la postura honesta es que un lado de esta comparación tiene un problema de latencia medido y el otro lado no tiene medición alguna.

Qué mide un benchmark de entregables que un índice de inteligencia no puede

La razón por la que los dos modelos nunca se encuentran no es un accidente de programación. Los benchmarks miden cosas diferentes a propósito.

El Intelligence Index que le da a Luna su 37 es un compuesto de diez evaluaciones —AA-Briefcase, GDPval-AA, AutomationBench y otras—, cada una con respuestas que un evaluador puede comprobar. Eso es lo que lo hace reproducible, y es la razón por la que un evaluador sin interés en ningún modelo puede ejecutarlo y publicar una cifra comparable para todos.

PI Knowledge Work se construyó precisamente porque las partes reproducibles del trabajo profesional no son las partes que importan. Un memorando de diligencia debida no compila. Una presentación para el consejo no tiene pruebas unitarias. Un modelo de precios con un pronóstico en vivo incorporado estará equivocado de una manera que un evaluador de opción múltiple no puede ver. Así que Paper Instruments escribió rúbricas en su lugar, una por tarea, cada criterio trazado como un límite sobre las respuestas aceptables en lugar de como una exigencia de una sola. Su 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 que coincide con el límite, lo cual es una demostración justa de por qué esto es difícil y una advertencia justa sobre cuánto peso debería tener una sola puntuación de rúbrica.

Lo que valen los números resultantes, dicho claramente: Ultramarine 1 Flash obtiene 59.3 en esa suite a $0.13 por tarea. GPT-5.6 Sol, el hermano mayor de Luna, obtiene 55.1 a $2.09 y aparece en las seis tablas de Paper Instruments: 45.4 en JobBench frente a los 62.9 de Ultramarine, 46.8 en FrontierFinance frente a 53.3, 51.5 en APEX-Agents 1.1 frente a 57.0. El proveedor informa que su suite se correlaciona con el Artificial Analysis Intelligence Index en r = 0.81, que es una cifra seria y, además, de segunda mano. Ningún tercero ha probado Ultramarine 1 Flash en nada.

La comparación que se mide de la misma manera en ambos lados

Hay exactamente una clase de medición en este emparejamiento en la que el número de ninguno de los lados depende de la metodología del otro: la eficiencia de tokens, medida dentro de una única suite por un único harness.

Artificial Analysis registra GPT-5.6 Luna con 150 millones de tokens de salida para completar el Intelligence Index, un 58% por encima de la mediana de 95 millones para su clase. Esa cifra queda detrás de los $0.18 por tarea — un modelo rápido que escribe muchísimo no es la forma más barata de comprar una tarea terminada, y el ranking de verbosidad hace visible el motivo.

Paper Instruments hace la afirmación opuesta sobre su propio modelo, y lo hace de una manera que es comprobable en lugar de ser una mera aseveración. En la totalidad de sus seis benchmarks, Ultramarine 1 Flash emitió un 6,5 % menos de tokens de salida que GLM-5.3 Flash, el modelo a partir del cual fue post-entrenado —30,5 millones frente a 32,7 millones, incluido el razonamiento—, a la vez que obtuvo una puntuación más alta en cada uno de los seis. Ambos lados de esa comparación emplean el mismo arnés de evaluación en las mismas tareas, por lo que no es vulnerable a la crítica que pesa sobre todo lo demás aquí. También es la dirección que no se obtiene gratis: el post-entrenamiento vuelve a los modelos más locuaces con tanta frecuencia como más silenciosos.

Para cualquiera cuya factura esté dominada por los tokens de salida, ese es el hecho más transferible del lanzamiento. No dice que Ultramarine 1 Flash sea más frugal que GPT-5.6 Luna. Dice que se mantuvo la relación de que, por modelo base, uno de los dos es más corto, en un conjunto de pruebas que nadie fuera de la empresa ha reproducido.

Ejecutar la prueba tú mismo

GPT-5.6 Luna se sirve en OrcaRouter a $0.20 de entrada y $1.20 de salida por millón de tokens, con el nivel de esfuerzo configurado por solicitud. Ese es el precio de lista del proveedor trasladado sin nada añadido por token, lo cual es importante para un modelo cuyo precio ya cambió una vez — el recorte del 80% que OpenAI aplicó a principios de año se refleja aquí sin que nadie renegocie un contrato. El mismo endpoint da acceso a GPT-5.6 Sol, Claude Fable 5, DeepSeek V4 Flash y GLM-5.3 Flash, el último de los cuales es la base de la que se entrenó Ultramarine 1 Flash y se sirve a la misma tarifa de $0.15 / $0.50.

Ultramarine 1 Flash no está en nuestro catálogo; la ruta hacia él es la API propia del proveedor y las plataformas de terceros que lo revenden. Esa asimetría es la forma práctica de esta comparación. A uno de estos dos modelos puedes ponerlo hoy mismo en una ruta de producción con un fallback enrutado detrás y un p50 medido delante de ti. Al otro lo pilotas en el endpoint del proveedor y lo juzgas por su propia salida.

¿Cuál es la prueba que vale la pena ejecutar, y es barata: enviar el mismo lote de documentos a ambos, con el esfuerzo predeterminado de Luna y con su máximo, y comparar los artefactos y las facturas. Todo el argumento del especialista es que su salida necesita menos reelaboración. Eso es medible en una tarde y es la única evidencia que zanjaría un emparejamiento en el que nadie ha publicado un marcador compartido.

La posición, expresada como lo que se sabe y lo que no.

Conocido, con una fuente: GPT-5.6 Luna obtiene 37 puntos en un índice construido a partir de diez evaluaciones verificables, a 0,18 $ por tarea completada, con una ventana de 1.050.000 tokens y un primer token que puede tardar algo más de dos minutos con el nivel de esfuerzo que otorga esos 37. Es barato por token, competente para su categoría y —según la propia medición de Artificial Analysis— propenso a escribir un 58 % más que sus pares.

Reportado por su fabricante, sin reproducir: Ultramarine 1 Flash obtiene 59,3 en una suite de entregables de finanzas, legal, consultoría y operaciones calificada con rúbrica, a $0,13 por tarea, frente a $8,19 de Claude Fable 5 con 57,8 y $2,09 de GPT-5.6 Sol con 55,1, y supera a su propio modelo base en las seis suites mientras genera un 6,5 % menos de tokens.

Se desconoce si algo de eso sobrevive a un documento que nadie en Paper Instruments escribió, cómo se comporta la latencia del modelo bajo carga y si la frase «Pesos del modelo próximamente» de la página del proveedor se traduce en un lanzamiento real.

Cualquier artículo que elija un ganador a partir de eso se lo ha inventado. Lo que puede decirse con claridad es que, si necesitas una puntuación verificada antes de comprometerte, GPT-5.6 Luna es el único modelo de este emparejamiento que tiene una, y que, si tu trabajo es un entregable en lugar de una respuesta, la afirmación interesante está por completo del otro lado y no ha sido probada por nadie que no haya cobrado por probarla.

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.