Ultramarine 1 Flash: Paper Instruments משיקה מודל שניתן למסירה במחיר 0.13 דולר למשימה

Paper Instruments פרסמה את Ultramarine 1 Flash ב-14 באוקטובר 2026, והמספר שהחברה מובילה איתו אינו ציון בנצ'מרק. זה מחיר: $0.13 להשלים משימה אחת ב-PI Knowledge Work, החבילה הפנימית של החברה לעבודה בתחומי פיננסים, משפטים, ייעוץ ותפעול. המודל שעולה $8.19 להשלים את אותה משימה — Claude Fable 5 ברמת החשיבה המרבית — משיג שם 57.8. Ultramarine 1 Flash משיג 59.3. קראו את הצמד הזה כפי שהספק מציג אותו, ויש לכם מודל שמנצח מערכת חזיתית בערך באחד חלקי שישים ושלושה מהעלות. קראו אותו בזהירות רבה יותר, ויש לכם משהו צר יותר ומעניין יותר: מודל שנבנה לסוג מסוים של פלט, במחיר לפי התעריף שהמודל הבסיסי שלו גובה, כשהבנצ'מרק שאומר זאת נכתב על ידי החברה שמוכרת אותו.

כדאי להצהיר על מודל הבסיס כבר מההתחלה, כי הוא מסביר את רוב המחיר. Ultramarine 1 Flash הוא אימון-בתר של GLM-5.3 Flash, המודל הרב-מודאלי המקורי של Z.ai עם 320B בסך הכול / 18B פעילים, ששופר באמצעות למידת חיזוק בקנה מידה גדול ולא נבנה מאפס. תעריפי ה-API שלו הם $0.15 למיליון טוקני קלט, $0.03 לקלט שמור במטמון ו-$0.50 בפלט — זהים לאלה של GLM-5.3 Flash, וזה מה ש"זהה ל-GLM-5.3 Flash" בבלוק התמחור של הספק עצמו אומר.

מה יצא לפועל, ומה שעדיין בגדר הבטחה

שני דברים נכונים ביום היציאה, והפער ביניהם הוא הסיפור שהרבה מהסיקור ישטח.

ה-Ultramarine API כבר פעיל. אפשר לשלוח לו עבודה עוד היום ולשלם לפי התעריפים שלמעלה. דף הנחיתה מקשר אליו תחת שורה פשוטה "Ultramarine API →".

המשקלים – לא. באותו עמוד נכתב "משקלי המודל יגיעו בקרוב", והדוח הטכני מתאר את GLM-5.3 Flash כ"מודל בסיס פתוח וחזק" — כלומר אמירה על הבסיס, לא על הנגזרת. Ultramarine 1 Flash הוא, ברגע זה, נקודת קצה מתארחת סגורה עם כוונה לפתוח את המשקלים. האם בסופו של דבר הוא יהיה פתוח באמת היא השאלה הפתוחה הגדולה ביותר לגביו, והיא זו שהרבה סיכומים מיד שנייה כבר ענו עליה מתוך הנחה ולא מתוך בדיקה.

מה שכן נפתח ביום ההשקה הוא הפיגום. רתמת הסוכן Feather, שבתוכה הוכשר המודל ושבה הוא מוערך, פורסמה כמאגר. כך גם paper-docx, paper-pptx ו-paper-xlsx, הפורקים של Paper Instruments לספריות ה-Office הסטנדרטיות של Python, שבהם המודל משתמש כדי ליצור חוברות עבודה של Excel, מצגות PowerPoint ומסמכי Word. הפורקים האלה קיימים משום שלפי הסבר החברה עצמה, סוכנים שמפעילים את python-docx וכיוצא בהם ״נתקלים בפערים ב-API, נופלים ל-OOXML גולמי ויוצרים קלקולים ורגרסיות שקטים.״

ששת מבחני הביצועים, כולל השניים שבהם הוא מפסיד

Paper Instruments נבחנו על שש סוויטות. Ultramarine 1 Flash מוביל בארבע מהן ולא מוביל בשתיים, וזה סיכום שימושי יותר מהממוצע.

• JobBench — 62.9 עבור Ultramarine 1 Flash, מקדים את Gemini 3.8 Flash עם 60.6 ואת DeepSeek V4.1 Flash עם 60.4, בעוד Claude Fable 5 עם 57.4 ו-GPT-5.6 Sol עם 45.4.

• PI Knowledge Work, החבילה הפנימית — 59.3, מקדים את Claude Fable 5 עם 57.8 ואת GPT-5.6 Sol עם 55.1.

• FrontierFinance — 53.3, לפני GLM-5.3 Flash ב-50.7 ו-Gemini 3.8 Flash ב-50.0.

• AutomationBench — מקום שני. DeepSeek V4.1 Flash זוכה בו עם 51.3 לעומת 50.2 של Ultramarine.

• DiligenceBench — מקום שלישי. Gemini 3.8 Flash מוביל עם 53.1, Claude Fable 5 במקום השני עם 52.9, Ultramarine 1 Flash עם 50.6.

• APEX-Agents 1.1 — שלישי. Gemini 3.8 Flash עם 64.3 ו-Claude Fable 5 עם 63.6 — שניהם עוברים אותו; Ultramarine 1 Flash עומד על 57.0, עדיין הרבה לפני GPT-5.6 Sol עם 51.5 ו-DeepSeek V4.1 Flash עם 39.5.

הדפוס בהפסדים עקבי וראוי לשם: Ultramarine 1 הוא החזק ביותר כאשר התוצר הוא מסמך, והחלש ביותר כאשר המשימה היא לולאת סוכן חיה הפועלת על מערכות. DiligenceBench הוא הערכת סוכן למחקר מניות; APEX-Agents הוא חבילת סוכנים. AutomationBench הוא אוטומציה. שני המדדים שהמוציא לאור של Ultramarine 1 בנה בעצמו סביב תוצרי עבודה משרדיים הם אלה שבהם הוא מנצח בפער הגדול ביותר.

למה הציונים נראים כך

כמעט כל העבודה המקצועית אינה ניתנת לבדיקה על ידי מנתח. תזכיר בדיקת נאותות אינו מתקמפל ולמצגת דירקטוריון אין בדיקות יחידה, כך שאין שום ביטוי רגולרי שאומר אם אחד מהם נכון. זו הבעיה ש-Paper Instruments יצאה לתקוף, והתשובה שלה היא כזו שאפשר לצטט אותה מילה במילה: "אנחנו מרחיבים סינתזת משימות שאינה ניתנת לאימות על פני עבודת ידע סוכנית."

המנגנון הוא תוכנית לימודים. ארבעה תחומים — פיננסים, משפטים, ייעוץ, תפעול — מתרחבים ל-19 תחומי עיסוק ול-88 סוגי סביבות מובחנים, שכל אחד מהם דוגם טקסונומיה של צירים: פורמט תוצר, התנגשויות בין מקורות, בעלי עניין, שלב בעסקה. החברה מציבה את מרחב התצורה הנומינלי אי-שם בין 10⁷ ל-10¹⁰ צירופים לכל תחום עיסוק, וזהו גם אמצעי הגנה מפני קריסת מודים לא פחות מטענה לגבי היקף. כל סביבה היא סביבת עבודה אמיתית: מערכת קבצים שנבנתה מדיווחי SEC EDGAR, דוחות אנליסטים וחוזים מסונתזים, ובנוסף מערכות רשומה חיות — ERP, CRM, WMS, MES, GRC — הנגישות דרך MCP, HTTP ו-CLI.

הדירוג הוא המקום שבו זה נעשה יוצא דופן. כל משימה מגיעה עם מחוון, וכל קריטריון נכתב כדי לתחום גבול סביב תשובות קבילות ולא כדי לדרוש תשובה אחת. הדוגמה המפורטת של הדוח עצמו מעמידה זה מול זה קריטריון מותאם-יתר שדוחה שתיים משלוש תשובות נכונות לעומת קריטריון מעורפל שמקבל שלוש תשובות שגויות, ואז מציגה את הנוסח המשוכתב כמתאים לגבול. תוצרי ההגשה מנותחים ומועברים למעריך לפי מחוון — החבילה בקוד פתוח של החברה, עם GPT-5.6 Terra כמודל השופט. האימון רץ בהקשר של 131,072 טוקנים, עם תקרה של 250 תורות סוכן ודחיסה ב-85% מהחלון.

העיצוב הזה הוא המקור גם לתוצאה וגם להסתייגות. הוא הסיבה לכך שמודל כה זול יכול להשיג ציון הקרוב למערכת חזיתית בעבודת מסמכים: התפלגות המשימות יוצרה באופן מלאכותי כך שתידמה לעבודת מסמכים. הוא גם הסיבה לכך שהמספרים טעונים הסתייגות. אלה הם מדדי הספק עצמו, שנבדקו בידי השופט של הספק עצמו, על משימות שהספק עצמו כתב. Paper Instruments מדווחת ש-PI Knowledge Work מתאמת עם Artificial Analysis Intelligence Index ב-r = 0.81, וזהו מספר רציני ותשובה חלקית — אבל מתאם בצד שלו של הגדר הוא עדיין בצד שלו של הגדר. אף צד שלישי לא פרסם הערכה בלתי תלויה של Ultramarine 1 Flash עדיין, והמודל בן יום אחד בלבד.

הטענה שאינה מחזיקה בתרשים

הדבר שהכי קל להגן עליו בשחרור הוא גם הפחות מצוטט: המודל מייצר 6.5% פחות טוקני פלט מאשר הבסיס שלו בכל ששת מבחני הביצועים. 30.5 מיליון מול 32.7 מיליון, כולל הסקה. בחשבון לפי משימה, זה ההבדל בין מודל זול יותר למודל זול יותר שגם זול יותר להרצה, וזה מסוג ההנדסה שמופיעה בחשבונית ולא בלוח דירוג.

הטענה שלא ממש מחזיקה מעמד היא זו בדבר חזית העלות-איכות. במדד PI Knowledge Work, ‏GPT-6 Luna במצב חשיבה מקסימלי משיג 58.3 בעלות של $0.11 למשימה. הציון הטוב ביותר של Ultramarine 1 Flash הוא 59.3 ב-$0.13. פער של נקודה אחת ושני סנטים צר מספיק כדי ש"נמצא על חזית העלות-איכות בנקודת המחיר האטרקטיבית ביותר" יהיה הצהרת מיצוב ולא עובדה — מה שהתרשים של הספק עצמו, לזכותו ייאמר, מציג לכל מי שקורא מעבר לנתון הכותרתי. מודל שנמצא נקודה אחת מאחור ובשני סנטים פחות הוא חלופה אמיתית לעבודות נפח, והגרסה הכנה של ההשקה הזו היא ש-Ultramarine 1 Flash נמצא בחזית של אשכול קטן ולא לבדו על חזית.

איפה שזה מתאים, אם בא לך לקרוא לזה

Ultramarine 1 Flash אינו מודל לשימוש כללי ואינו מתיימר להיות כזה. הוא קלט טקסט, ופלט של חוברת עבודה של Excel, מצגת PowerPoint או מסמך Word, עם היכולת לפעול בתוך מערכת עסקית תוך כדי כך. אם עומס העבודה שלכם הוא מסמך, זו כעת אחת הדרכים הזולות והאמינות ביותר להפיק אותו.

Ultramarine 1 Flash אינו בקטלוג שלנו. המודל שממנו הוא עבר אימון-פוסט הוא: GLM-5.3 Flash מוגש ב-OrcaRouter בתעריף של $0.15 לקלט ו-$0.50 לפלט לכל מיליון טוקנים, כאשר דבר אינו מתווסף לטוקן, והתעריף הוא מחיר המחירון של הספק שמועבר ישירות, כך שאם Z.ai מזיזה את המספר, המספר המוגש זז איתה באותו יום. זה חשוב יותר מהרגיל עבור מהדורה כמו זו, מפני שכל הטיעון בעד Ultramarine 1 Flash הוא אריתמטיקה שנעשתה מול כרטיס התעריפים של מודל הבסיס. בנפרד, ארבעה מהמודלים שהוא נמדד מולם — GPT-5.6 Sol, DeepSeek V4.1 Flash, Gemini 3.8 Flash ו-Kimi K3 — נגישים מאותה נקודת קצה, מה שאומר שאפשר להעמיד את השוואת הספק למבחן על המסמכים שלך במקום על שלהם.

מה היה משנה את ההערכה?

שלושה דברים, לפי סדר יורד של מידת חשיבותם.

הערכה עצמאית אחת על חבילת בדיקות שאיש ב-Paper Instruments לא כתב. הספק הזמין זאת בכך שפרסם את המתאם עם מדד של צד שלישי; הצעד הבא הוא שמישהו אחר יפרסם את הציון.

המשקלים. "בקרוב" הוא מציין מקום, ועד שהוא יתממש, "מודל פתוח" הוא תיאור של כוונה שהשחרור אינו מגבה. אם הם יגיעו, מודל עם 18B פרמטרים פעילים המותאם לעבודה עם מסמכים יהפוך למשהו שתוכלו להריץ בעצמכם, והנתון של 0.13 דולר יפסיק להיות הדרך היחידה לרכוש את היכולת הזו.

בנצ'מרק שהוא לא מנצח בו מעצם הגדרתו. ארבע חבילות הבדיקה שבהן הוא מוביל אומרות לך שהוא טוב בדבר שאומן עליו. השתיים שבהן הוא מפגר אומרות לך היכן סוכן כללי עדיין מנצח מומחה. כל מי שמתכנן צינור סוכנים משפטי או פיננסי צריך לקרוא יחד את שתי השורות האלה ואת שורת ה-$0.13, ולהחליט איזו מהן מתארת את עומס העבודה שלו.

גם בהשוואות כמו זו מתגלים מצבי הכשל: התקריות המתועדות ב-AI וכשלי סוכנים מאחורי מודלים בקטגוריה הזו נאספים ב-OrcaRouter AI Incident Archive, שם כל רשומה נושאת את מקורותיה, החומרה, דרגת הוודאות ודגל המחלוקת שלה.