Ultramarine 1 Flash vs Gemini 3.5 Flash-Lite : Livrer un artefact et répondre à une question sont deux produits différents

Commencez par la phrase qui clôt la discussion plutôt que par celle qui l'ouvre. Gemini 3.5 Flash-Lite accepte le texte, les images, la parole et la vidéo, et renvoie du texte. Ultramarine 1 Flash prend du texte et renvoie un classeur Excel, une présentation PowerPoint ou un document Word, modifié sur place, après avoir lu et écrit dans les systèmes métier où le travail se déroule. Les deux sont bon marché. Le modèle de Google obtient 22 sur l'Artificial Intelligence Index pour 0,19 $ par tâche accomplie ; Paper Instruments annonce 0,13 $ par tâche sur sa propre suite interne. Les chiffres sont suffisamment proches pour que l'argument du coût soit une égalité, et ce qui reste, c'est la question de savoir si vous achetez une réponse ou un livrable — car sur cette question, ces deux modèles ne se situent pas du tout sur le même marché.

Ils n'ont pas non plus été conçus en même temps ni pour la même raison. Gemini 3.5 Flash-Lite a atteint la disponibilité générale en juillet 2026 en tant que niveau le plus économique de Google, à environ un cinquième du prix de 3.6 Flash. Ultramarine 1 Flash a été publié le 14 octobre 2026 en tant que post-entraînement par apprentissage par renforcement de GLM-5.3 Flash, visant un livrable prêt pour le client plutôt qu'une réponse.

Les lignes de spécifications, des deux côtés

Les chiffres d’Ultramarine sont les tarifs API publiés de Paper Instruments et ses propres évaluations publiées ; son chiffre de contexte est la configuration d’entraînement indiquée dans le rapport technique. Les chiffres de G​emini sont la grille tarifaire de G​oogle plus les mesures d’Artificial Analysis, étiquetées là où il s’agit de mesures.

• Prix d'entrée — Ultramarine 1 Flash 0,15 $ par million de tokens contre Gemini 3.5 Flash-Lite 0,30 $. Google est 2 fois plus cher en entrée.

• Prix de sortie — 0,50 $ vs 2,50 $ par million. 5x, et c'est la ligne où le coût d'une tâche de document s'accumule réellement.

• Entrée mise en cache — 0,03 $ par million (80 % de réduction) contre 0,03 $ (90 % de réduction). Le même chiffre absolu, atteint par des remises différentes.

• Fenêtre de contexte — 131 072 jetons dans la configuration d'entraînement contre 1 048 576. G​oogle en détient 8 fois plus.

• Sortie maximale — non publiée vs 65 536 jetons.

• Entrées — travail sur texte et document vs texte, image, parole et vidéo.

• Coût par tâche terminée — 0,13 $ sur PI Knowledge Work contre 0,19 $ sur l’Intelligence Index. Le second des deux chiffres de l’ouverture, et celui avec lequel il faut être le plus prudent.

• Vitesse de sortie — non publiée pour Ultramarine 1 Flash contre 425,0 jetons de sortie par seconde pour Gemini 3.5 Flash-Lite, quatrième plus rapide sur 148 modèles de sa catégorie.

Le nombre de latence à l'intérieur du nombre de vitesse

Gemini 3.5 Flash-Lite est l'un des modèles les plus rapides que quiconque ait mesurés. Il est également lent à démarrer. Artificial Analysis enregistre un temps avant le premier token de 8,13 secondes sur l'API de G​oogle elle-même, contre une médiane de 1,85 seconde pour les modèles d'une catégorie de prix comparable. Le modèle diffuse à 425 tokens par seconde une fois lancé et met huit secondes à démarrer.

Ce n’est pas un défaut ; c’est une propriété du chemin de service, et cela vous indique pour quelles charges de travail ce palier a été conçu. Une tâche de classification par lots, un pipeline d’extraction, un agent en arrière-plan — aucun d’eux ne remarque un démarrage de huit secondes, et tous bénéficient énormément de terminer une réponse de 500 jetons en environ une seconde. Un humain qui attend une réponse dans un chat ne remarque rien d’autre. Le mot « Flash » décrit le débit, pas la réactivité, et les deux ne sont pas la même mesure.

Ultramarine 1 Flash n'a aucun chiffre publié de vitesse ou de latence, absolument aucun. Ni de Paper Instruments, ni d'aucun tiers. Il n'y a aucune base pour affirmer qu'il est plus rapide ou plus lent que le modèle de Google, et quiconque vous dit le contraire déduit à partir de l'architecture plutôt que de lire un chiffre. Ce que le rapport technique révèle, en revanche, c'est l'enveloppe de fonctionnement dans laquelle il a été entraîné : un contexte de 131 072 jetons, un maximum de 250 tours dans la boucle d'agent, et un compactage du contexte déclenché à 85 % de la fenêtre ou lorsqu'il reste 30 000 jetons, selon ce qui survient en premier. Un harnais qui compacte son contexte par conception est un harnais conçu pour un travail long qui, autrement, déborderait — ce qui donne une indication sur la forme de ses tâches et non une mesure de la vitesse à laquelle il les produit.

Ce que vaut une « tâche » dépend de qui a écrit le benchmark

Les 0,13 $ et les 0,19 $ semblent comparables et mesurent des choses différentes, et c’est la partie de la comparaison qu’un tableau côte à côte vous cachera.

L'Intelligence Index est un composite de dix évaluations — mathématiques, codage, raisonnement, travail agentique. Ses tâches ont des réponses qu'un correcteur peut vérifier. Le 22 de Gemini 3.5 Flash-Lite est un score réel provenant d'un évaluateur sans lien d'intérêt avec le modèle, et son 0,19 $ est un coût mesuré par tâche accomplie sur l'ensemble de cette suite. G​oogle détient aussi le plus flatteur des deux records de verbosité : 59 millions de jetons de sortie pour compléter l'Index, classé 23e sur 60 et décrit comme assez concis par rapport à une médiane de 95 millions. C'est un modèle conçu pour ne pas divaguer.

PI Knowledge Work n'est pas cela. C'est une suite de livrables prêts pour le client, notés selon une grille d'évaluation rédigée pour chaque tâche, car un mémo de due diligence n'a pas de réponse correcte à vérifier. Ultramarine 1 Flash y obtient 59,3 pour 0,13 $ par tâche, contre Claude Fable 5 à 57,8 pour 8,19 $ et GPT-5.6 Sol à 55,1 pour 2,09 $. Le fournisseur indique que sa suite présente une corrélation de r = 0,81 avec l'Artificial Analysis Intelligence Index — un chiffre sérieux, et de seconde main. Une tâche sur une suite n'est pas une tâche sur l'autre : une question de raisonnement peut faire quelques centaines de tokens, et une présentation au conseil d'administration est une longue exécution agentique qui produit un fichier. Les deux chiffres par tâche ne sont pas des unités de la même chose, et les soustraire revient à faire de l'arithmétique sur une erreur de catégorie.

Ce qui survit à cette critique est plus étroit, mais véritablement utile. Paper Instruments a mesuré l’efficacité en tokens par rapport à autre chose que lui-même : sur l’ensemble de ses six benchmarks, Ultramarine 1 Flash a émis 6,5 % de tokens de sortie en moins que le modèle GLM-5.3 Flash dont il descend — 30,5 millions contre 32,7 millions, raisonnement inclus — tout en le surpassant sur chacun des six. Même suite, même harnais, les deux côtés mesurés. Sur une grille tarifaire par token, un modèle qui écrit moins pour un meilleur résultat, c’est une réduction appliquée deux fois.

Deux modèles fonctionnels sur une seule clé

Gemini 3.5 Flash-Lite est servi sur OrcaRouter à 0,30 $ en entrée et 2,50 $ en sortie par million de tokens, le prix catalogue du fournisseur répercuté directement, sans aucun ajout par token — ainsi, un changement de tarif de G​oogle est effectif ici le jour même, sans déploiement de notre côté. À ses côtés se trouvent les modèles auxquels cette comparaison ne cesse de se référer : GPT-5.6 Sol, Claude Fable 5 et GLM-5.3 Flash, le modèle de base à partir duquel Ultramarine 1 Flash a été entraîné, sont tous accessibles depuis le même point de terminaison et la même clé.

Cela compte davantage pour ce couplage que pour un face-à-face typique, car la charge de travail est mixte. Un pipeline documentaire construit autour d'une fenêtre d'un million de tokens et de quatre modalités d'entrée est un pipeline différent de celui construit autour d'un agent producteur de livrables, et les deux coexistent généralement dans la même équipe. Une règle de routage peut retenir les entrées scannées ou audiovisuelles sur le modèle de Google et envoyer le chemin texte-vers-livrable ailleurs, avec un repli déclaré si le premier choix échoue — un seul contrat au lieu de deux, et aucun changement de code lorsque vous changez d'avis sur le modèle qui reçoit les tâches longues.

Ultramarine 1 Flash lui-même ne figure pas dans notre catalogue ; aujourd'hui, l'accès passe par l'API propre du fournisseur et par les plateformes tierces qui le revendent.

Comment je déciderais vraiment

Deux situations, et elles se résolvent proprement.

Si l’entrée contient quoi que ce soit qui ne soit pas du texte — un contrat photographié, un enregistrement d’appel, une capture d’écran, une visite guidée en vidéo — le modèle de Google est le seul des deux à pouvoir accepter la requête. Ce n’est pas une préférence, c’est une limite de capacité, et cela met fin à la comparaison pour cette charge de travail.

Si le résultat est ce pour quoi l’on paie — un modèle, une présentation, une note, un document qu’une personne ouvrira et modifiera —, alors la question devient de savoir si un spécialiste post-entraîné surpasse un généraliste efficace, et Ultramarine 1 Flash est ce spécialiste. Les éléments de preuve à l’appui sont ceux du fournisseur, sur les benchmarks du fournisseur, un jour après la sortie, et doivent être lus comme une hypothèse plutôt qu’un constat. Mais il s’agit d’une hypothèse précise et testable : sur les quatre des six suites où Paper Instruments est en tête, les écarts les plus importants concernent JobBench et FrontierFinance, les deux plus proches d’un véritable travail livrable ; sur APEX-Agents 1.1 et DiligenceBench, qui sont des tâches de boucle d’agent et de recherche, Gemini 3.8 Flash et Claude Fable 5 sont en tête et Ultramarine 1 Flash se classe troisième.

La question non résolue n’est pas de savoir quel modèle est meilleur. Elle est de savoir si le comportement de production de livrables survit au contact de documents que personne chez Paper Instruments n’a rédigés. L’entreprise a publié sa méthode avec suffisamment de détails pour susciter précisément ce test, et n’a pas publié les poids qui permettraient à quelqu’un de l’exécuter sans passer par son API. Ces deux faits sont déterminants, et un seul d’entre eux est susceptible de changer bientôt.

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.