Ultramarine 1 Flash : Paper Instruments livre un modèle livrable à 0,13 $ par tâche

Paper Instruments a publié Ultramarine 1 Flash le 14 octobre 2026, et le chiffre que l'entreprise met en avant n'est pas un score de benchmark. C'est un prix : 0,13 $ pour accomplir une tâche sur PI Knowledge Work, la suite interne de l'entreprise dédiée aux travaux de finance, de droit, de conseil et d'opérations. Le modèle dont l'exécution de la même tâche coûte 8,19 $ — Claude Fable 5 en raisonnement maximal — y obtient 57,8. Ultramarine 1 Flash obtient 59,3. Lisez ce duo comme le présente le fournisseur, et vous avez un modèle qui surpasse un système de pointe pour environ un soixante-troisième du coût. Lisez-le plus attentivement, et vous obtenez quelque chose de plus étroit et de plus intéressant : un modèle conçu pour un type de résultat précis, facturé au tarif que pratique son propre modèle de base, avec le benchmark qui l'atteste rédigé par l'entreprise qui le vend.

Le modèle de base mérite d'être mentionné d'emblée, car il explique l'essentiel du prix. Ultramarine 1 Flash est un post-entraînement de GLM-5.3 Flash, le modèle multimodal natif de 320B au total / 18B actifs de Z.ai, amélioré par apprentissage par renforcement à grande échelle plutôt que construit de zéro. Ses tarifs API sont de 0,15 $ par million de tokens d'entrée, 0,03 $ pour l'entrée mise en cache et 0,50 $ en sortie — identiques à ceux de GLM-5.3 Flash, ce que signifie « identique à GLM-5.3 Flash » dans le bloc tarifaire du fournisseur lui-même.

Ce qui a été livré, et ce qui n’est encore qu’une promesse

Deux choses sont vraies le jour de la sortie, et l’écart entre elles est l’histoire qu’une bonne partie de la couverture médiatique va aplatir.

L'API Ultramarine est en ligne. Vous pouvez lui confier du travail dès aujourd'hui et payer les tarifs ci-dessus. La page d'accueil y renvoie via une simple ligne « Ultramarine API → ».

Les poids ne le sont pas. La même page indique « Poids du modèle bientôt disponibles », et le rapport technique décrit GLM-5.3 Flash comme « un solide modèle de base ouvert » — ce qui est une affirmation sur la base, pas sur le dérivé. Ultramarine 1 Flash est, à l'heure actuelle, un endpoint hébergé fermé avec une intention d'ouverture des poids. Savoir s'il finira par être réellement ouvert est la plus grande question ouverte à son sujet, et c'est celle à laquelle beaucoup de résumés de seconde main ont déjà répondu par supposition plutôt que par vérification.

Ce qui est passé en open source le jour de la sortie, c’est l’échafaudage. Le harness d’agent Feather, qui est l’environnement dans lequel le modèle a été entraîné et dans lequel il est évalué, est publié sous forme de dépôt. Il en va de même pour paper-docx, paper-pptx et paper-xlsx, les forks de Paper Instruments des bibliothèques Python Office standard, que le modèle utilise pour produire des classeurs Excel, des présentations PowerPoint et des documents Word. Ces forks existent parce que, de l’aveu même de l’entreprise, les agents qui pilotent python-docx et compagnie « rencontrent des lacunes d’API, basculent dans de l’OOXML brut et créent des corruptions et des régressions silencieuses ».

Les six benchmarks, y compris les deux qu'il perd

Paper Instruments évalués sur six suites. Ultramarine 1 Flash arrive en tête de quatre d'entre elles et n'arrive pas en tête de deux, ce qui est un résumé plus utile que la moyenne.

• JobBench — 62,9 pour Ultramarine 1 Flash, devant Gemini 3.8 Flash à 60,6 et DeepSeek V4.1 Flash à 60,4, avec Claude Fable 5 à 57,4 et GPT-5.6 Sol à 45,4.

• PI Knowledge Work, la suite interne — 59,3, devant Claude Fable 5 à 57,8 et GPT-5.6 Sol à 55,1.

• FrontierFinance — 53,3, devant GLM-5.3 Flash à 50,7 et Gemini 3.8 Flash à 50,0.

• AutomationBench — deuxième. DeepSeek V4.1 Flash le remporte avec 51,3 contre les 50,2 d’Ultramarine.

• DiligenceBench — troisième. Gemini 3.8 Flash est en tête avec 53,1, Claude Fable 5 est deuxième avec 52,9, Ultramarine 1 Flash est à 50,6.

• APEX-Agents 1.1 — troisième. Gemini 3.8 Flash à 64,3 et Claude Fable 5 à 63,6 le franchissent tous les deux ; Ultramarine 1 Flash se situe à 57,0, encore bien devant GPT-5.6 Sol à 51,5 et DeepSeek V4.1 Flash à 39,5.

Le schéma des pertes est cohérent et mérite d’être nommé : Ultramarine 1 Flash est le plus fort lorsque le livrable est un document et le plus faible lorsque la tâche consiste en une boucle d’agent en direct sur des systèmes. DiligenceBench est une évaluation d’agent de recherche sur actions ; APEX-Agents est une suite agentique. AutomationBench relève de l’automatisation. Les deux benchmarks que son propre éditeur a construits autour de livrables bureautiques sont les deux qu’il remporte avec la plus large marge.

Pourquoi les scores ressemblent à ça

Presque tout le travail professionnel n’est pas vérifiable par un parseur. Un mémo de due diligence ne se compile pas et une présentation au conseil d’administration n’a pas de tests unitaires, il n’existe donc aucune expression régulière qui dise si l’un est correct. C’est le problème que Paper Instruments a entrepris d’attaquer, et sa réponse est citable mot pour mot : « nous passons à l’échelle la synthèse de tâches non vérifiables dans le travail de connaissance agentique ».

Le mécanisme est un programme d’apprentissage. Quatre domaines — finance, droit, conseil, opérations — se déploient en 19 domaines de pratique et 88 types d’environnements distincts, chacun échantillonnant une taxonomie d’axes : format de livrable, conflits de sources, parties prenantes, phase de transaction. L’entreprise situe l’espace de configuration nominal entre 10⁷ et 10¹⁰ combinaisons par domaine de pratique, ce qui constitue autant une défense contre l’effondrement des modes qu’une affirmation d’échelle. Chaque environnement est un espace de travail réel : un système de fichiers construit à partir de documents déposés auprès de la SEC via EDGAR, de rapports d’analystes et de contrats synthétisés, ainsi que des systèmes de référence actifs — ERP, CRM, WMS, MES, GRC — accessibles via MCP, HTTP et CLI.

L'évaluation est le point où cela devient inhabituel. Chaque tâche est livrée avec une grille d'évaluation, et chaque critère est rédigé pour délimiter les réponses acceptables plutôt que pour en exiger une. L'exemple détaillé du rapport oppose lui-même un critère surajusté qui rejette deux des trois réponses correctes à un critère vague qui accepte trois réponses fausses, puis montre la version réécrite correspondant à la frontière. Les livrables sont analysés et transmis à un évaluateur de grille d'évaluation — le paquet open source de l'entreprise, avec GPT-5.6 Terra comme modèle juge. L'entraînement s'est déroulé avec un contexte de 131 072 jetons, un plafond de 250 tours pour l'agent et un compactage à 85 % de la fenêtre.

Cette conception est à l'origine à la fois du résultat et de la réserve. C'est la raison pour laquelle un modèle aussi bon marché peut obtenir un score proche d'un système de pointe sur des tâches documentaires : la distribution des tâches a été fabriquée pour ressembler à du travail documentaire. C'est aussi la raison pour laquelle ces chiffres ont besoin d'une étiquette. Il s'agit des propres benchmarks du fournisseur, notés par le propre juge du fournisseur, sur des tâches rédigées par le fournisseur. Paper Instruments rapporte que PI Knowledge Work est corrélé à l'Artificial Analysis Intelligence Index à r = 0,81, ce qui est un chiffre sérieux et une réponse partielle — mais une corrélation du côté du fournisseur reste du côté du fournisseur. Aucun tiers n'a encore publié d'évaluation indépendante d'Ultramarine 1 Flash, et le modèle n'a qu'un jour.

L'affirmation qui ne tient pas sur le graphique

Ce qu’il y a de plus défendable dans cette version est aussi ce dont on parle le moins : le modèle génère 6,5 % de tokens de sortie en moins que sa base sur les six benchmarks. 30,5 millions contre 32,7 millions, raisonnement inclus. Sur une facture par tâche, c’est la différence entre un modèle moins cher et un modèle moins cher qui est aussi moins coûteux à exécuter, et c’est le genre d’ingénierie qui se voit sur une facture plutôt que dans un classement.

L’affirmation qui ne tient pas tout à fait, c’est celle de la frontière coût-qualité. Sur PI Knowledge Work, GPT-6 Luna, avec le raisonnement maximal, obtient 58,3 à 0,11 $ par tâche. Le meilleur score d’Ultramarine 1 Flash est de 59,3 à 0,13 $. Un point et deux cents, c’est un écart suffisamment faible pour que « se situe sur la frontière coût-qualité au point de prix le plus attractif » relève d’une déclaration de positionnement plutôt que d’un fait — ce que le graphique du fournisseur lui-même, à son crédit, indique à quiconque lit au-delà de l’entrée phare. Un modèle à un point derrière, pour deux cents de moins, constitue une véritable alternative pour les gros volumes, et la version honnête de cette annonce est qu’Ultramarine 1 Flash se trouve à l’avant d’un petit groupe plutôt que seul sur une frontière.

Là où ça convient, si tu veux appeler ça comme ça.

Ultramarine 1 Flash n'est pas un modèle polyvalent et ne prétend pas l'être. Il prend du texte en entrée et produit en sortie un classeur Excel, une présentation PowerPoint ou un document Word, avec la capacité d'agir au sein d'un système d'entreprise pendant qu'il s'en acquitte. Si votre charge de travail est un document, c'est désormais l'un des moyens crédibles les plus économiques de le produire.

Ultramarine 1 Flash ne figure pas dans notre catalogue. Le modèle à partir duquel il est post-entraîné est le suivant : GLM-5.3 Flash est servi sur OrcaRouter à 0,15 $ en entrée et 0,50 $ en sortie par million de tokens, avec rien d'ajouté par token, et le tarif correspond au prix catalogue du fournisseur répercuté tel quel, donc si Z.ai modifie le chiffre, le chiffre servi change le jour même. Cela compte plus que d'habitude pour une sortie comme celle-ci, car tout l'argument d'Ultramarine 1 Flash repose sur une arithmétique faite à partir de la grille tarifaire d'un modèle de base. Par ailleurs, quatre des modèles auxquels il est comparé — GPT-5.6 Sol, DeepSeek V4.1 Flash, Gemini 3.8 Flash et Kimi K3 — sont accessibles depuis le même point de terminaison, ce qui signifie que vous pouvez mettre la comparaison du fournisseur à l'épreuve sur vos propres documents plutôt que sur les siens.

Qu'est-ce qui changerait l'évaluation ?

Trois choses, par ordre décroissant de leur importance.

Une évaluation indépendante sur une suite que personne chez Paper Instruments n’a écrite. Le fournisseur a ouvert la voie à cela en publiant la corrélation avec un indice tiers ; l’étape suivante est que quelqu’un d’autre publie le score.

Les poids. « Coming soon » est un texte de remplacement, et tant qu'il n'est pas concrétisé, « modèle ouvert » est une description d'intention que la publication n'étaye pas. S'ils finissent par arriver, un modèle à 18B de paramètres actifs, affiné pour le travail documentaire, devient quelque chose que vous pouvez exécuter vous-même, et le chiffre de 0,13 $ cesse d'être le seul moyen d'acheter cette capacité.

Un benchmark qu’il ne remporte pas par construction. Les quatre suites où il arrive en tête vous disent qu’il est bon dans ce sur quoi il a été entraîné. Les deux où il est à la traîne vous indiquent où un agent généraliste bat encore un spécialiste. Toute personne qui prépare un pipeline d’agents juridique ou financier devrait lire ces deux lignes et la ligne à 0,13 $ ensemble, puis décider laquelle décrit sa charge de travail.

C'est aussi dans des comparaisons comme celle-ci que les modes de défaillance apparaissent : les incidents d'IA et les défaillances d'agents documentés derrière les modèles de cette classe sont recueillis dans l'OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et un indicateur de contestation.