Ultramarine 1 Flash vs Gemini 3.5 Flash-Lite: Menyampaikan Artefak dan Menjawab Pertanyaan Adalah Dua Produk yang Berbeda

Mulailah dengan kalimat yang mengakhiri argumen, bukan kalimat yang memulainya. Gemini 3.5 Flash-Lite menerima teks, gambar, ucapan, dan video lalu mengembalikan teks. Ultramarine 1 Flash menerima teks dan mengembalikan buku kerja Excel, dek PowerPoint, atau dokumen Word, yang diedit di tempatnya, setelah membaca dan menulis ke sistem bisnis tempat pekerjaan itu berada. Keduanya murah. Model Google mencetak skor 22 pada Artificial Intelligence Index dengan biaya $0,19 per tugas yang diselesaikan; Paper Instruments melaporkan $0,13 per tugas pada suite internalnya sendiri. Angka-angkanya cukup berdekatan sehingga cerita biaya menjadi seri, dan yang tersisa hanyalah pertanyaan apakah Anda membeli sebuah jawaban atau membeli sebuah hasil yang siap pakai — karena dalam pertanyaan itu, kedua model ini sama sekali tidak berada di pasar yang sama.

Keduanya juga tidak dibangun pada waktu yang sama atau untuk alasan yang sama. Gemini 3.5 Flash-Lite mencapai ketersediaan umum pada Juli 2026 sebagai tingkat paling hemat biaya dari Google, dengan harga sekitar seperlima dari harga 3.6 Flash. Ultramarine 1 Flash diterbitkan pada 14 Oktober 2026 sebagai pasca-pelatihan pembelajaran penguatan dari GLM-5.3 Flash, yang ditujukan untuk hasil yang siap diserahkan kepada klien alih-alih balasan.

Garis spesifikasi, kedua sisi

Angka-angka Ultramarine adalah tarif API terbitan Paper Instruments dan evaluasi terbitannya sendiri; angka konteksnya adalah konfigurasi pelatihan yang dinyatakan dalam laporan teknis. Angka-angka G​emini adalah daftar tarif G​oogle ditambah pengukuran Artificial Analysis, yang diberi label di mana itu merupakan pengukuran.

• Harga input — Ultramarine 1 Flash $0,15 per juta token vs Gemini 3.5 Flash-Lite $0,30. Google 2x lebih mahal di sisi input.

• Harga output — $0,50 vs $2,50 per juta. 5x, dan inilah pos di mana biaya sebuah pekerjaan dokumen benar-benar terakumulasi.

Input yang di-cache — $0,03 per juta (diskon 80%) vs $0,03 (diskon 90%). Angka absolut yang sama, dicapai melalui diskon yang berbeda.

• Jendela konteks — 131.072 token dalam konfigurasi pelatihan vs 1.048.576. G​oogle memiliki 8x lebih banyak.

• Output maksimum — tidak dipublikasikan vs 65.536 token.

• Masukan — pekerjaan teks dan dokumen vs teks, gambar, ucapan, dan video.

• Biaya per tugas yang diselesaikan — $0,13 pada PI Knowledge Work vs $0,19 pada Intelligence Index. Angka kedua dari dua angka di bagian pembuka, dan yang paling perlu diwaspadai.

• Kecepatan keluaran — tidak dipublikasikan untuk Ultramarine 1 Flash vs 425,0 token keluaran per detik untuk Gemini 3.5 Flash-Lite, tercepat keempat dari 148 model di kelasnya.

Angka latensi di dalam angka kecepatan

Gemini 3.5 Flash-Lite adalah salah satu model tercepat yang pernah diukur siapa pun. Model ini juga lambat untuk memulai. Artificial Analysis mencatat waktu ke token pertama sebesar 8,13 detik pada API milik G​oogle sendiri, dibandingkan dengan median 1,85 detik untuk model di tingkat harga yang sebanding. Model ini melakukan streaming dengan kecepatan 425 token per detik setelah mulai, tetapi butuh delapan detik untuk memulai.

Itu bukan cacat; itu adalah properti dari jalur penyajian, dan itu memberi tahu Anda beban kerja mana yang dirancang untuk tier tersebut. Pekerjaan klasifikasi batch, pipeline ekstraksi, agen latar belakang — tidak satu pun dari mereka memperhatikan waktu mulai delapan detik, dan semuanya sangat diuntungkan dengan menyelesaikan respons 500 token dalam sekitar satu detik. Manusia yang menunggu balasan chat tidak memperhatikan hal lain. Kata "Flash" menggambarkan throughput, bukan responsivitas, dan keduanya bukan pengukuran yang sama.

Ultramarine 1 Flash tidak memiliki angka kecepatan atau latensi yang dipublikasikan sama sekali. Bukan dari Paper Instruments, bukan dari pihak ketiga mana pun. Tidak ada dasar untuk mengklaim bahwa model ini lebih cepat atau lebih lambat daripada model Google, dan siapa pun yang mengatakan sebaliknya menyimpulkan dari arsitektur, bukan membaca angka. Yang memang diungkapkan laporan teknis adalah rentang operasional tempat model ini dilatih: konteks 131,072 token, maksimum 250 giliran pada loop agen, dan pemadatan konteks yang dipicu pada 85% jendela atau ketika tersisa 30,000 token, mana yang lebih dulu. Harness yang memadatkan konteksnya secara desain adalah harness yang dibangun untuk pekerjaan panjang yang jika tidak akan meluap — yang merupakan petunjuk tentang bentuk tugasnya dan bukan pengukuran seberapa cepat ia menghasilkannya.

Nilai sebuah "tugas" bergantung pada siapa yang menulis benchmark tersebut.

$0.13 dan $0.19 terlihat sebanding dan mengukur hal yang berbeda, dan inilah bagian dari perbandingan yang akan disembunyikan dari Anda oleh tabel berdampingan.

The Intelligence Index adalah komposit dari sepuluh evaluasi — matematika, pengodean, penalaran, kerja agentik. Tugas-tugasnya memiliki jawaban yang dapat diperiksa oleh penilai. Skor 22 milik Gemini 3.5 Flash-Lite adalah skor nyata dari evaluator yang tidak berkepentingan terhadap model tersebut, dan $0,19-nya adalah biaya terukur per tugas yang diselesaikan di seluruh rangkaian tersebut. Google juga memiliki catatan verbositas yang lebih menguntungkan di antara keduanya: 59 juta token keluaran untuk menyelesaikan The Intelligence Index, berada di peringkat ke-23 dari 60 dan digambarkan sebagai ringkas dibandingkan median 95 juta. Itu adalah model yang direkayasa untuk tidak bertele-tele.

PI Knowledge Work bukan itu. Itu adalah rangkaian deliverables siap-klien yang dinilai berdasarkan rubrik yang dibuat untuk setiap tugas, karena memo due diligence tidak punya jawaban benar sebagai pembanding. Ultramarine 1 Flash mencetak skor 59,3 di sana dengan biaya $0,13 per tugas, dibandingkan Claude Fable 5 pada 57,8 dengan biaya $8,19 dan GPT-5.6 Sol pada 55,1 dengan biaya $2,09. Vendor melaporkan bahwa rangkaiannya berkorelasi dengan Artificial Analysis Intelligence Index pada r = 0,81 — angka yang serius, dan angka dari tangan kedua. Satu tugas pada satu rangkaian bukanlah tugas pada rangkaian lainnya: pertanyaan penalaran bisa beberapa ratus token, dan board deck adalah proses agentic panjang yang menghasilkan file. Kedua angka per tugas itu bukan satuan dari hal yang sama, dan mengurangkannya adalah aritmetika atas kekeliruan kategori.

Yang bertahan dari kritik itu memang lebih sempit, tetapi sungguh berguna. Paper Instruments mengukur efisiensi token terhadap sesuatu selain dirinya sendiri: di seluruh enam tolok ukurnya, Ultramarine 1 Flash menghasilkan 6,5% lebih sedikit token keluaran daripada model GLM-5.3 Flash yang menjadi asalnya — 30,5 juta berbanding 32,7 juta, termasuk penalaran — sekaligus mengalahkannya pada setiap dari keenam tolok ukur tersebut. Rangkaian uji yang sama, perangkat uji yang sama, kedua sisi diukur. Pada daftar tarif per token, model yang menulis lebih sedikit untuk hasil yang lebih baik adalah diskon yang berlaku dua kali.

Dua model yang berfungsi pada satu kunci

Gemini 3.5 Flash-Lite dilayani di OrcaRouter dengan harga $0.30 untuk input dan $2.50 untuk output per juta token, harga daftar penyedia diteruskan langsung tanpa tambahan per token — jadi perubahan tarif Google langsung berlaku di sini pada hari yang sama, tanpa perlu deploy di sisi kami. Di sampingnya terdapat model-model yang terus dirujuk perbandingan ini: GPT-5.6 Sol, Claude Fable 5 dan GLM-5.3 Flash, dasar tempat Ultramarine 1 Flash dilatih, semuanya dapat diakses dari endpoint yang sama dan kunci yang sama.

Hal itu lebih penting untuk pasangan ini daripada untuk perbandingan head-to-head yang biasa, karena beban kerjanya bersifat campuran. Pipeline dokumen yang dibangun di sekitar jendela satu juta token dan empat modalitas masukan adalah pipeline yang berbeda dari pipeline yang dibangun di sekitar agen yang menghasilkan deliverable, dan keduanya biasanya hidup berdampingan dalam tim yang sama. Aturan perutean dapat mempertahankan masukan pindaian atau audiovisual pada model G​oogle dan mengirim jalur teks-ke-deliverable ke tempat lain, dengan fallback yang dideklarasikan jika pilihan pertama gagal — satu kontrak alih-alih dua, dan tanpa perubahan kode saat Anda berubah pikiran tentang model mana yang mendapatkan pekerjaan panjang.

Ultramarine 1 Flash sendiri tidak ada di katalog kami; jalur akses saat ini adalah API milik vendor itu sendiri dan platform pihak ketiga yang menjualnya kembali.

Bagaimana saya sebenarnya akan memutuskan

Dua situasi, dan keduanya terselesaikan dengan rapi.

Jika inputnya berisi apa pun yang bukan teks — kontrak yang difoto, rekaman panggilan, tangkapan layar, video panduan — model Google adalah satu-satunya dari keduanya yang dapat menerima permintaan itu. Itu bukan preferensi, melainkan batas kemampuan, dan itu mengakhiri perbandingan untuk beban kerja tersebut.

Jika output adalah hal yang dibayar — sebuah model, dek, memo, dokumen yang akan dibuka dan diedit seseorang — maka pertanyaannya menjadi apakah spesialis pasca-pelatihan mengalahkan generalis efisien, dan Ultramarine 1 Flash adalah spesialis itu. Bukti untuk itu berasal dari vendor, pada tolok ukur vendor, satu hari setelah rilis, dan harus dibaca sebagai hipotesis, bukan temuan. Tetapi ini adalah hipotesis yang spesifik dan dapat diuji: pada empat dari enam suite yang dipimpin Paper Instruments, margin terbesar ada pada JobBench dan FrontierFinance, dua yang paling dekat dengan pekerjaan nyata yang dapat diserahkan; pada APEX-Agents 1.1 dan DiligenceBench, yang merupakan tugas loop agen dan riset, Gemini 3.8 Flash dan Claude Fable 5 memimpin dan Ultramarine 1 Flash berada di posisi ketiga.

Pertanyaan yang belum terjawab bukanlah model mana yang lebih baik. Pertanyaannya adalah apakah perilaku yang menghasilkan keluaran yang dapat diserahkan tetap bertahan saat bersentuhan dengan dokumen yang tidak ditulis oleh siapa pun di Paper Instruments. Perusahaan itu telah menerbitkan metodenya dengan cukup rinci untuk mengundang tepat uji tersebut, dan belum menerbitkan bobot yang akan memungkinkan seseorang menjalankannya tanpa melalui API-nya. Kedua fakta itu berperan penting, dan hanya satu di antaranya yang mungkin segera berubah.

Perbandingan seperti ini juga menjadi tempat munculnya mode kegagalan: insiden AI yang terdokumentasi dan kegagalan agen di balik model di kelas ini dikumpulkan di OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda disengketakan.