Ultramarine 1 Flash מול GPT-5.6 Luna: שני מודלים שלעולם לא מופיעים על אותו לוח תוצאות

הדבר הראשון שיש לשים לב אליו בצימוד הזה הוא מה שחסר מהגרף של הספק עצמו. Paper Instruments פרסמה את Ultramarine 1 Flash ב-14 באוקטובר 2026 עם שש טבלאות בנצ'מרק ותרשים עלות-איכות המכסה שלושים ומשהו תצורות מודל. GPT-5.6 Lunaאינו מופיע בתרשים. לא ברמת מאמץ נמוכה, לא בבינונית, לא במקסימלית. המודל האח שלו, GPT-5.6 Sol, נמצא שם בכל רמת מאמץ; מודל בשם GPT-6 Luna נמצא שם עם 58.3 תמורת $0.11 למשימה; GPT-5.6 Luna אינו מופיע כלל. ובצד השני, ל-Artificial Analysis יש רשומה עבור GPT-5.6 Luna — Intelligence Index 37, $0.18 למשימה שהושלמה, 115.4 אסימוני פלט בשנייה — ואין שום רשומה ל-Ultramarine 1 Flash. שני מודלים שיצאו בהפרש של שלושה חודשים, שניהם מכוונים לעבודה זולה בנפח גבוה, ואף גורם שלישי לא מדד מעולם את אחד מהם בבנצ'מרק שמכיל את האחר.

ההיעדר הזה הוא ההשוואה. GPT-5.6 Luna היא הדרגה המהירה והחסכונית של OpenAI ממשפחת GPT-5.6, שהושקה ב-9 ביולי 2026, ונושאת ציון עצמאי במדד משולב של עשר הערכות. Ultramarine 1 Flash הוא פוסט-אימון בלמידת חיזוק של GLM-5.3 Flash, במחיר של $0.15 לקלט / $0.50 לפלט למיליון טוקנים, שנבנה כדי להפיק חוברות עבודה של Excel, מצגות ותזכירי Word ולא תשובות, ונושא רק את המספרים של היצרן שלו. כל מה שלהלן עוסק במה שניתן ולא ניתן להסיק מההסדר הזה.

היכן שתי הרשומות נמצאות בפועל

המספרים של Luna הם מדידות של Artificial Analysis ב-API של OpenAI עצמה. אלה של Ultramarine הם התעריפים המפורסמים של Paper Instruments וההערכות המפורסמות שלה, כאשר נתון ההקשר שלה נלקח מתצורת האימון בדוח הטכני שלה.

• ציון עצמאי — מדד האינטליגנציה 37 במאמץ מרבי, רביעי מתוך 148 מודלים בקטגוריה שלו, עבור GPT-5.6 Luna לעומת היעדר הערכה עצמאית מכל סוג שהוא עבור Ultramarine 1 Flash.

• מחיר קלט, לפי כרטיסי התעריפים — $0.20 למיליון טוקנים לעומת $0.15. המודל Paper Instruments זול ב-25% בכניסה.

• מחיר הפלט — $1.20 לעומת $0.50 למיליון. פי 2.4, הפער הרחב ביותר בזיווג.

• קלט במטמון — $0.02 למיליון (90% הנחה) עבור Luna לעומת $0.03 (80% הנחה). הפרש של סנט, לטובת OpenAI.

• הקשר — 1,050,000 טוקנים במחירון של Luna לעומת 131,072 בתצורת האימון של Ultramarine. פי שמונה מהחלון, וזו השורה היחידה שבה הפער אינו צמוד.

• פלט מקסימלי — 128,000 טוקנים לעומת לא מפורסם.

• עלות נמדדת לכל משימה שהושלמה — $0.18 ב-Intelligence Index עבור Luna (מאמץ מקסימלי) לעומת $0.13 ב-PI Knowledge Work עבור Ultramarine 1 Flash. שתי ערכות שונות, שני סוגים שונים של משימות, שני מספרים שנראים ברי השוואה אך אינם.

• טוקן ראשון — 121.46 שניות עבור Luna במאמץ מקסימלי ב-API של OpenAI, לעומת חציון של 1.85 שניות בדרג המחיר שלה; לא פורסם עבור Ultramarine 1 Flash בשום צורה.

הטוקן הראשון לאחר שתי דקות, ולמה זה הגדרה ולא פגם

הנתון הזה של 121.46 שניות ראוי לסעיף משל עצמו, כי זה מסוג המספרים שמצוטטים כפגם כשהם למעשה פרמטר.

GPT-5.6 Luna, במאמץ החשיבה המקסימלי, מריץ את תהליך השיקול שלו לפני שהוא פולט משהו. במדד Intelligence Index הוא מפיק 115.4 אסימוני פלט בשנייה מרגע שהוא מתחיל, ו-150 מיליון אסימוני פלט בסך הכול כדי להשלים את מערך המבחנים — במקום ה-41 מתוך 60 במחלקה שלו במילוליות, ותואר על ידי Artificial Analysis כמילולי במידה מסוימת לעומת חציון של 95 מיליון. ציון של 37 במדד נמדד בהגדרה המקסימלית הזו.

המודל תומך במאמץ ניתן להגדרה, כלומר אותן משקולות שלוקחות שתי דקות להתחיל יכולות להיות מכווננות לרמה שמגיבה מיד, בציון נמוך יותר. OpenAI אינה מפרסמת פירוט לפי מאמץ ברשומה של Artificial Analysis, ולכן גודל הירידה אינו ידוע — קריאת ברירת מחדל נמצאת אי-שם מתחת ל-37, בשיעור שאיש מחוץ ל-OpenAI לא מדד. עבור שלב פאן-אאוט שבו מאה קריאות זולות שכל אחת מנסחת משהו קצר, זו התצורה הנכונה. עבור המשימה הקשה היחידה בסוף שרשרת, מאמץ מקסימלי הוא התצורה הנכונה. שניהם אותו מודל ואף אחד מהם אינו מוגדר לא נכון.

Ultramarine 1 Flash אינו מפרסם נתון השהיה, נתון תפוקה, ולא זמן עד לטוקן הראשון. הדוח הטכני שלו כן חושף את מעטפת הפעולה שבתוכה הוא אומן ונבחן — 131,072 טוקנים של הקשר, תקרה של 250 סבבים בלולאת הסוכן, כיווץ שמופעל ב-85% מהחלון או כשנותרים 30,000 טוקנים — ותשתית שנבנתה לכווץ את זיכרון העבודה של עצמה היא תשתית שנבנתה למשימות ארוכות. זו הסקה לגבי צורת המשימה, לא ראיה לגבי מהירות, והעמדה הכנה היא שלצד אחד של ההשוואה הזו יש בעיית השהיה מדודה, ולצד האחר אין מדידה.

מה מודד בנצ'מרק של תוצר שאינדקס אינטליגנציה אינו יכול למדוד

הסיבה לכך ששני המודלים אינם נפגשים לעולם אינה מקרה של תזמון. הבנצ׳מרקים מודדים דברים שונים בכוונה.

מדד האינטליגנציה שמעניק ל-Luna את ה-37 שלה הוא שילוב של עשר הערכות — AA-Briefcase, GDPval-AA, AutomationBench ואחרות — שלכל אחת מהן יש תשובות שבודק יכול לבדוק. זה מה שהופך אותו לניתן לשחזור, וזו הסיבה שמעריך שאין לו אינטרס באף מודל יכול להריץ אותו ולפרסם מספר בר-השוואה לכולם.

PI Knowledge Work נבנה בדיוק משום שהחלקים הניתנים לשחזור בעבודה מקצועית אינם החלקים שחשובים. תזכיר בדיקת נאותות אינו עובר קומפילציה. למצגת דירקטוריון אין בדיקות יחידה. מודל תמחור שכלולה בו תחזית חיה יהיה שגוי בדרך שמעריך מבוסס שאלות רב-ברירה לא יכול לראות. לכן Paper Instruments כתבה רובריקות במקום זאת, אחת לכל משימה, כאשר כל קריטריון משורטט כגבול על פני תשובות מקובלות ולא כדרישה לתשובה אחת. הדוח שלה מעמיד זה מול זה קריטריון מותאם-יתר שדוחה שתיים משלוש תשובות נכונות, לעומת קריטריון מעורפל שמקבל שלוש תשובות שגויות, ואז מראה את הגרסה המחודשת תואמת את הגבול — וזו המחשה הוגנת לכך שזה קשה, ואזהרה הוגנת לגבי המשקל שצריך לייחס לציון רובריקה בודד.

מה שהמספרים המתקבלים באמת שווים, במילים פשוטות: Ultramarine 1 Flash מקבל 59.3 באותה חבילת מבחנים במחיר של 0.13 דולר למשימה. GPT-5.6 Sol, האח הגדול של Luna, מקבל 55.1 במחיר של 2.09 דולר, ומופיע בכל ששת הטבלאות של Paper Instruments — 45.4 ב-JobBench לעומת 62.9 של Ultramarine, 46.8 ב-FrontierFinance לעומת 53.3, 51.5 ב-APEX-Agents 1.1 לעומת 57.0. הספק מדווח שחבילת המבחנים שלו נמצאת במתאם עם מדד הבינה של Artificial Analysis בשיעור r = 0.81, וזה מספר רציני, אבל מספר מיד שנייה. אף צד שלישי לא הריץ את Ultramarine 1 Flash על שום דבר.

ההשוואה שנמדדת באותו אופן בשני הצדדים

יש בדיוק סוג מדידה אחד בזיווג הזה שבו המספר של אף אחד מהצדדים אינו תלוי במתודולוגיה של האחר: יעילות טוקנים, הנמדדת בתוך סוויטה אחת על ידי הרנס אחד.

Artificial Analysis מתעדת את GPT-5.6 Luna ב-150 מיליון טוקנים בפלט כדי להשלים את מדד האינטליגנציה, 58% מעל החציון של 95 מיליון במחלקה שלו. הנתון הזה עומד מאחורי ה-0.18 דולר למשימה — מודל מהיר שכותב הרבה מאוד אינו הדרך הזולה ביותר לקנות משימה מוגמרת, ודירוג המילוליות הופך את הסיבה לגלויה.

Paper Instruments מציגה טענה הפוכה לגבי המודל שלה עצמה, ועושה זאת באופן שניתן לבדוק ולא רק להצהיר. בכל ששת מבחני הבנצ'מרק שלה, Ultramarine 1 Flash הפיק 6.5% פחות טוקנים בפלט מאשר GLM-5.3 Flash, המודל שממנו עבר אימון-על — 30.5 מיליון לעומת 32.7 מיליון, כולל חשיבה — בעוד שהשיג ציונים גבוהים יותר בכל אחד מהשישה. שני הצדדים של ההשוואה הזו הם אותה תשתית הרצה על אותן משימות, כך שהיא אינה חשופה לביקורת שמרחפת מעל כל השאר כאן. זה גם הכיוון שלא מגיע בחינם: תהליכי אימון-על נעשים פטפטניים יותר באותה תדירות שהם נעשים שקטים יותר.

לכל מי שהחשבון שלו נשלט על ידי טוקני פלט, זו העובדה הניתנת להעברה ביותר בפרסום. היא לא אומרת ש-Ultramarine 1 Flash חסכוני יותר מ-GPT-5.6 Luna. היא אומרת שהיחס "הקצר מבין השניים לפי מודל הבסיס" התקיים, על סוויטה שאיש מחוץ לחברה לא שחזר.

הרצת הבדיקה בעצמך

GPT-5.6 Luna מוצע ב-OrcaRouter במחיר של $0.20 לקלט ו-$1.20 לפלט למיליון טוקנים, כאשר רמת המאמץ נקבעת לכל בקשה. זהו מחיר המחירון של הספק כפי שהוא, כאשר דבר לא מתווסף לכל טוקן, וזה חשוב עבור מודל שמחירו כבר זז פעם אחת — הקיצוץ של 80% ש-OpenAI יישמה מוקדם יותר השנה משתקף כאן בלי שאיש ניהל מחדש משא ומתן על חוזה. אותה נקודת קצה מגיעה גם אל GPT-5.6 Sol, Claude Fable 5, DeepSeek V4 Flash ו-GLM-5.3 Flash, כשהאחרון שבהם הוא הבסיס שממנו אומן Ultramarine 1 Flash והוא מוצע באותו תעריף זהה של $0.15 / $0.50.

Ultramarine 1 Flash אינו בקטלוג שלנו; הנתיב אליו הוא ה-API של הספק עצמו והפלטפורמות של צד שלישי שמוכרות אותו מחדש. אי-הסימטריה הזאת היא הצורה המעשית של ההשוואה הזאת. אחד משני הדגמים האלה אפשר להכניס היום למסלול ייצור, עם גיבוי מנותב מאחוריו ו-p50 מדוד לפניך. את האחר מפעילים כפיילוט על נקודת הקצה של הספק ושופטים אותו לפי הפלט שלו עצמו.

מהי הבדיקה ששווה להריץ, והיא זולה: לשלוח את אותה אצוות מסמכים לשניהם, ברמת המאמץ המוגדרת כברירת מחדל של Luna וברמת המקסימום שלה, ולהשוות את התוצרים ואת החשבוניות. כל הטיעון של המומחה הוא שהפלט שלו דורש פחות עבודה מחדש. אפשר למדוד זאת בתוך אחר צהריים, וזו הראיה היחידה שתכריע בשידוך שבו איש לא פרסם לוח תוצאות משותף.

העמדה, כפי שהיא מנוסחת: מה שידוע ומה שלא.

ידוע, עם מקור: GPT-5.6 Luna משיג ציון 37 במדד שנבנה מעשר הערכות ברות-בדיקה, בעלות של $0.18 למשימה שהושלמה, עם חלון של 1,050,000 טוקנים, וטוקן ראשון שעשוי לארוך קצת יותר משתי דקות ברמת המאמץ שמניבה את ה-37. הוא זול לכל טוקן, מסוגל ביחס לרמתו, ו—לפי המדידה של Artificial Analysis עצמה—נוטה לכתוב 58% יותר מהעמיתים שלו.

דווח על ידי יצרניתו, ללא שחזור: Ultramarine 1 Flash משיג 59.3 במערך מדורג לפי מחוון של תוצרי עבודה בתחומי הפיננסים, המשפטים, הייעוץ והתפעול, בעלות של 0.13 דולר למשימה, לעומת 8.19 דולר עבור Claude Fable 5 עם 57.8 ו-2.09 דולר עבור GPT-5.6 Sol עם 55.1, והוא גובר על מודל הבסיס של עצמו בכל ששת המערכים תוך יצירת 6.5% פחות טוקנים.

לא ידוע: אם משהו מכל זה שורד מסמך שאיש ב-Paper Instruments לא כתב, איך נראית השהיית המודל תחת עומס, והאם השורה "משקולות המודל בקרוב" בעמוד הספק מתממשת לשחרור בפועל.

כל מאמר שבוחר מנצח מתוך זה — המציא אחד. מה שאפשר לומר בבירור הוא שאם אתה זקוק לציון מאומת לפני שאתה מתחייב, GPT-5.6 Luna הוא המודל היחיד בצמד הזה שיש לו כזה, ואם העבודה שלך היא תוצר מסירה ולא תשובה, הטענה המעניינת נמצאת כולה בצד השני ולא נבדקה על ידי אף אחד שלא שולם כדי לבדוק אותה.

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.