Ultramarine 1 Flash לעומת Gemini 3.5 Flash-Lite: מסירת ארטיפקט ומענה על שאלה הם שני מוצרים שונים
- OrcaחדשOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 60 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 762 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 39 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 2230 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-09-1040אינטליגנציה
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- AnthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 לכל 1M טוקנים · 57 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 לכל 1M טוקנים · 122 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642אינטליגנציה72כתיבת קוד
- DeepSeekDeepSeek: DeepSeek V4 Flash Vision (Exp)2026-08-21$0.22 / $0.66 לכל 1M טוקנים · 204 tok/s
- z-aiZ.ai: GLM 5.32026-08-1845אינטליגנציה75כתיבת קוד
התחל בשורה שמסיימת את הטיעון ולא בזו שפותחת אותו. Gemini 3.5 Flash-Lite מקבל טקסט, תמונות, דיבור וווידאו ומחזיר טקסט. Ultramarine 1 Flash מקבל טקסט ומחזיר חוברת עבודה של Excel, מצגת PowerPoint או מסמך Word, שנערכו במקום, לאחר שקרא וכתב למערכות העסקיות שבהן העבודה חיה. שניהם זולים. המודל של Google מקבל 22 ב-Artificial Intelligence Index במחיר של 0.19 דולר למשימה שהושלמה; Paper Instruments מדווחת על 0.13 דולר למשימה במערך הפנימי שלה. המספרים קרובים מספיק כדי שסיפור העלויות הוא תיקו, ומה שנשאר הוא השאלה אם אתה קונה תשובה או קונה תוצר מוגמר — כי בשאלה הזו שני המודלים האלה בכלל לא נמצאים באותו שוק.
הם גם לא נבנו באותו זמן או מאותה סיבה. Gemini 3.5 Flash-Lite הגיע לזמינות כללית ביולי 2026 כדרג החסכוני ביותר של Google, כשמחירו עומד על כחמישית ממחירו של 3.6 Flash. Ultramarine 1 Flash פורסם ב-14 באוקטובר 2026 כפוסט-אימון בלמידת חיזוק של GLM-5.3 Flash, שנועד לתוצר מוכן ללקוח ולא לתשובה.
קווי המפרט, משני הצדדים
הנתונים של Ultramarine הם תעריפי ה-API המפורסמים של Paper Instruments וההערכות המפורסמות שלה; נתון ההקשר שלה הוא תצורת האימון הנקובה בדוח הטכני. הנתונים של Gemini הם המחירון של Google בתוספת מדידות של Artificial Analysis, המסומנים היכן שהם מדידות.
• מחיר קלט — Ultramarine 1 Flash $0.15 למיליון טוקנים לעומת Gemini 3.5 Flash-Lite $0.30. Google יקר פי 2 בכניסה.
• מחיר הפלט — 0.50$ לעומת 2.50$ למיליון. פי 5, וזה הסעיף שבו העלות של עבודת מסמך למעשה מצטברת.
• קלט שמור במטמון — $0.03 למיליון (הנחה של 80%) לעומת $0.03 (הנחה של 90%). אותו מספר מוחלט, שהושג באמצעות הנחות שונות.
• חלון הקשר — 131,072 טוקנים בתצורת האימון לעומת 1,048,576. ל-Google יש פי 8 יותר.
• פלט מקסימלי — לא פורסם לעומת 65,536 אסימונים.
• קלטים — טקסט ועבודה עם מסמכים לעומת טקסט, תמונה, דיבור ווידאו.
• עלות לכל משימה שהושלמה — $0.13 ב-PI Knowledge Work לעומת $0.19 ב-Intelligence Index. המספר השני מבין שני המספרים בפתיחה, והמספר שדורש את מירב הזהירות.
• מהירות פלט — לא פורסם עבור Ultramarine 1 Flash לעומת 425.0 אסימוני פלט לשנייה עבור Gemini 3.5 Flash-Lite, הרביעי במהירותו מבין 148 מודלים בקטגוריה שלו.
מספר זמן ההשהיה שבתוך מספר המהירות
Gemini 3.5 Flash-Lite הוא אחד המודלים המהירים ביותר שמישהו מדד. הוא גם איטי להתחיל. Artificial Analysis מתעד זמן עד לאסימון הראשון של 8.13 שניות ב-API של Google עצמה, לעומת חציון של 1.85 שניות עבור מודלים ברמת מחיר דומה. המודל מזרים 425 אסימונים לשנייה מרגע שהוא מתחיל, ולוקח לו שמונה שניות להתחיל.
זה אינו פגם; זו תכונה של מסלול ההגשה, והיא מספרת לך לאילו עומסי עבודה נועדה השכבה. משימת סיווג באצווה, צינור חילוץ, סוכן רקע — אף אחד מהם לא מבחין בהתנעה של שמונה שניות, וכולם מפיקים תועלת עצומה מלסיים תגובה בת 500 טוקנים בתוך כשנייה. אדם שממתין לתשובת צ'אט לא מבחין בשום דבר אחר. המילה "Flash" מתארת תפוקה, לא היענות, ושתי אלה אינן אותה מדידה.
ל-Ultramarine 1 Flash אין בכלל נתון מפורסם לגבי מהירות או השהיה. לא מ-Paper Instruments, ולא משום גורם שלישי. אין בסיס לטעון שהוא מהיר או איטי יותר מהמודל של Google, וכל מי שאומר לך אחרת מסיק זאת מהארכיטקטורה ולא קורא מספר. מה שהדוח הטכני כן חושף הוא את מעטפת ההפעלה שבתוכה הוא אומן: הקשר של 131,072 טוקנים, מקסימום של 250 סבבים בלולאת הסוכן, ודחיסת הקשר שמופעלת ב-85% מהחלון או כשנותרים 30,000 טוקנים, לפי המוקדם מביניהם. מערכת הרצה שדוחסת את ההקשר שלה מעצם תכנונה היא מערכת הרצה שנבנתה לעבודה ארוכה שאחרת הייתה עולה על גדותיה — וזה רמז לאופי המשימות שלה, ולא מדידה של כמה מהר היא מפיקה אותן.
כמה שווה „משימה” תלוי במי שכתב את הבנצ'מרק
ה-$0.13 וה-$0.19 נראים ברי השוואה ומודדים דברים שונים, וזהו החלק בהשוואה שטבלה זה לצד זה תסתיר ממך.
ה-Intelligence Index הוא שילוב של עשרה מבחנים — מתמטיקה, קידוד, הסקה, עבודה סוכנית. למשימות שלו יש תשובות שמעריך יכול לבדוק. הציון 22 של Gemini 3.5 Flash-Lite הוא ציון אמיתי ממעריך שאין לו אינטרס במודל, ו-$0.19 שלו מייצג עלות מדודה לכל משימה שהושלמה בכל אותה סדרת מבחנים. ל-Google יש גם את רשומת המילוליות המחמיאה יותר מבין השתיים: 59 מיליון טוקנים של פלט כדי להשלים את המדד, מדורגת במקום ה-23 מתוך 60 ומתוארת כתמציתית למדי לעומת חציון של 95 מיליון. זהו מודל שהונדס כדי לא לרברב.
PI Knowledge Work אינו כזה. זוהי חבילה של תוצרים מוכנים ללקוח הנמדדים לפי מחוון שנכתב עבור כל משימה, מפני שלתזכיר בדיקת נאותות אין תשובה נכונה שכנגדה אפשר לבדוק. Ultramarine 1 Flash משיג 59.3 שם בעלות של $0.13 למשימה, לעומת Claude Fable 5 עם 57.8 תמורת $8.19 ו-GPT-5.6 Sol עם 55.1 תמורת $2.09. הספק מדווח שהחבילה שלו מתואמת עם Artificial Analysis Intelligence Index ב-r = 0.81 — מספר רציני, וממקור שני. משימה על חבילה אחת אינה משימה על האחרת: שאלת הסקה יכולה להיות כמה מאות טוקנים, ומצגת לדירקטוריון היא ריצה סוכנית ארוכה שמייצרת קובץ. שני הנתונים למשימה אינם יחידות של אותו דבר, וחיסור שלהם הוא אריתמטיקה על שגיאת קטגוריה.
מה ששורד את הביקורת הזו הוא צר יותר אך שימושי באמת. Paper Instruments מדדה יעילות טוקנים מול משהו שאינו עצמה: בכל ששת הבנצ'מרקים שלה, Ultramarine 1 Flash הפיק 6.5% פחות טוקני פלט מאשר מודל GLM-5.3 Flash שממנו הוא נובע — 30.5 מיליון לעומת 32.7 מיליון, כולל הנמקה — תוך שהוא גובר עליו בכל אחד מהשישה. אותה חבילת מבחנים, אותה תשתית הרצה, שני הצדדים נמדדו. לפי תעריף מחיר לטוקן, מודל שכותב פחות למען תוצאה טובה יותר הוא הנחה שמיושמת פעמיים.
שני מודלים עובדים על מקש אחד
Gemini 3.5 Flash-Lite מוגש בOrcaRouter במחיר של $0.30 לקלט ו-$2.50 לפלט למיליון טוקנים, מחיר המחירון של הספק מועבר כמו שהוא כאשר שום דבר לא מתווסף לכל טוקן — כך ששינוי בתעריף של Google נכנס לתוקף כאן באותו יום, בלי פריסה מצדנו. לצידו ניצבים המודלים שההשוואה הזו ממשיכה להתייחס אליהם: GPT-5.6 Sol, Claude Fable 5 ו-GLM-5.3 Flash, הבסיס שממנו אומן Ultramarine 1 Flash, כולם נגישים מאותה נקודת קצה ומאותו מפתח.
זה חשוב יותר עבור הצימוד הזה מאשר עבור עימות ישיר טיפוסי, כי עומס העבודה מעורב. צינור עיבוד מסמכים הבנוי סביב חלון של מיליון טוקנים וארבעה אופני קלט הוא צינור שונה מזה הבנוי סביב סוכן המייצר תוצרים, והשניים בדרך כלל מתקיימים במקביל באותו צוות. כלל ניתוב יכול להחזיק קלט סרוק או אורקולי במודל של Google ולשלוח את נתיב הטקסט-לתוצר למקום אחר, עם חלופת גיבוי מוצהרת אם הבחירה הראשונה נכשלת — חוזה אחד במקום שניים, וללא שינוי קוד כשאתה משנה את דעתך לגבי איזה מודל מקבל את המשימות הארוכות.
Ultramarine 1 Flash עצמו אינו נמצא בקטלוג שלנו; נתיב הגישה כיום הוא ה-API של הספק עצמו והפלטפורמות של צד שלישי שמוכרות אותו מחדש.
איך הייתי מחליט בפועל
שני מצבים, והם נפתרים בצורה נקייה.
אם הקלט מכיל משהו שאינו טקסט — חוזה מצולם, הקלטת שיחה, צילום מסך, סיור וידאו — המודל של גוגל הוא היחיד מבין השניים שיכול לקבל את הבקשה. זו אינה העדפה, זהו גבול של יכולת, והוא מסיים את ההשוואה עבור עומס העבודה הזה.
אם הפלט הוא הדבר שעבורו משלמים — מודל, מצגת, תזכיר, מסמך שאדם יפתח ויערוך — אזי נשאלת השאלה אם מומחה שעבר אימון-המשך (post-training) גובר על ג'נרליסט יעיל, ו-Ultramarine 1 Flash הוא המומחה. הראיות לכך הן של הספק, לפי מדדי הספק, יום אחד לאחר ההשקה, ויש לקרואן כהשערה ולא כממצא. אך זוהי השערה ספציפית וניתנת לבדיקה: בארבע מתוך שש סוויטות שבהן Paper Instruments מוביל, השוליים הגדולים ביותר הם ב-JobBench וב-FrontierFinance, השניים הקרובים ביותר לעבודת תוצר ממשית; ב-APEX-Agents 1.1 וב-DiligenceBench, שהן משימות של לולאות סוכן ומחקר, Gemini 3.8 Flash ו-Claude Fable 5 מובילים ו-Ultramarine 1 Flash מדורג שלישי.
השאלה שלא נפתרה אינה איזה מודל טוב יותר. היא אם ההתנהגות שמפיקה תוצרים מחזיקה מעמד במפגש עם מסמכים שאיש ב-Paper Instruments לא כתב. החברה פרסמה את השיטה שלה בפירוט מספק כדי להזמין בדיוק את המבחן הזה, ולא פרסמה את המשקולות שיאפשרו למישהו להריץ אותו בלי לעבור דרך ה-API שלה. שתי העובדות האלה נושאות משקל, ורק אחת מהן עשויה להשתנות בקרוב.
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.
השוואות במאמר הזה3
זוהה מתוך המאמר הזה · בנצ'מרקים: Artificial Analysis · מתעדכן יומית
