Ultramarine 1 Flash: Paper Instruments rilascia un modello utilizzabile a 0,13 $ per attività

Paper Instruments ha pubblicato Ultramarine 1 Flash il 14 ottobre 2026, e il numero che l'azienda mette in primo piano non è un punteggio di benchmark. È un prezzo: 0,13 $ per completare un compito su PI Knowledge Work, la suite interna dell'azienda per attività di finanza, legale, consulenza e operations. Il modello che costa 8,19 $ per completare lo stesso compito — Claude Fable 5 alla massima capacità di ragionamento — ottiene 57,8 in quella prova. Ultramarine 1 Flash ottiene 59,3. Leggi quella coppia nel modo in cui la presenta il fornitore e ottieni un modello che batte un sistema di frontiera a circa un sessantatreesimo del costo. Leggila con più attenzione e ottieni qualcosa di più ristretto e più interessante: un modello costruito per un tipo specifico di output, prezzato alla tariffa applicata dal suo stesso modello di base, con il benchmark che lo afferma scritto dall'azienda che lo vende.

Vale la pena dichiarare subito il modello di base, perché spiega gran parte del prezzo. Ultramarine 1 Flash è un post-training di GLM-5.3 Flash, il modello multimodale nativo da 320B totali / 18B attivi di Z.ai, migliorato tramite apprendimento per rinforzo su larga scala anziché costruito da zero. Le sue tariffe API sono $0,15 per milione di token di input, $0,03 per l'input in cache e $0,50 di output — identiche a quelle di GLM-5.3 Flash, che è ciò che significa "lo stesso di GLM-5.3 Flash" nel blocco prezzi del fornitore.

Cosa è stato rilasciato, e cosa è ancora una promessa

Due cose sono vere il giorno dell'uscita, e lo scarto tra loro è la storia che gran parte della copertura appiattirà.

L'API di Ultramarine è attiva. Puoi inviarle del lavoro già da oggi e pagare le tariffe indicate sopra. La landing page rimanda ad essa con una semplice riga "Ultramarine API →".

I pesi non lo sono. La stessa pagina dice "Pesi del modello in arrivo", e il rapporto tecnico descrive GLM-5.3 Flash come "un solido modello base aperto" — il che è un'affermazione sulla base, non sul derivato. Ultramarine 1 Flash è, in questo momento, un endpoint ospitato chiuso con l'intenzione di rendere aperti i pesi. Se finirà per essere realmente aperto è la più grande questione aperta al riguardo, ed è quella a cui molti riassunti di seconda mano hanno già risposto per supposizione anziché verificando.

Ciò che è diventato open il giorno del rilascio è l'impalcatura. L'harness per agenti Feather, ovvero l'ambiente in cui il modello è stato addestrato e in cui viene valutato, è pubblicato come repository. Lo stesso vale per paper-docx, paper-pptx e paper-xlsx, i fork di Paper Instruments delle librerie Office standard per Python, che il modello usa per creare cartelle di lavoro Excel, presentazioni PowerPoint e documenti Word. Quei fork esistono perché, secondo quanto dichiara l'azienda stessa, gli agenti che usano python-docx e affini "incappano in lacune delle API, scendono a OOXML grezzo e creano corruzioni e regressioni silenziose".

I sei benchmark, inclusi i due che perde

Paper Instruments valutati su sei suite. Ultramarine 1 Flash è in testa in quattro di esse e non lo è in due, il che rappresenta un riepilogo più utile della media.

• JobBench — 62,9 per Ultramarine 1 Flash, davanti a Gemini 3.8 Flash con 60,6 e DeepSeek V4.1 Flash con 60,4, con Claude Fable 5 a 57,4 e GPT-5.6 Sol a 45,4.

• PI Knowledge Work, la suite interna — 59,3, davanti a Claude Fable 5 a 57,8 e GPT-5.6 Sol a 55,1.

• FrontierFinance — 53,3, davanti a GLM-5.3 Flash a 50,7 e Gemini 3.8 Flash a 50,0.

• AutomationBench — secondo. DeepSeek V4.1 Flash se lo aggiudica con 51,3 contro il 50,2 di Ultramarine.

• DiligenceBench — terzo. Gemini 3.8 Flash è in testa con 53,1, Claude Fable 5 è secondo con 52,9, Ultramarine 1 Flash è a 50,6.

• APEX-Agents 1.1 — terzo. Gemini 3.8 Flash a 64.3 e Claude Fable 5 a 63.6 lo superano entrambi; Ultramarine 1 Flash si attesta a 57.0, ancora ben avanti a GPT-5.6 Sol a 51.5 e DeepSeek V4.1 Flash a 39.5.

Il pattern nelle perdite è coerente e merita di essere nominato: Ultramarine 1 Flash è più forte dove il deliverable è un documento e più debole dove il compito è un ciclo di agente live su sistemi. DiligenceBench è una valutazione di agenti per la ricerca azionaria; APEX-Agents è una suite agentica. AutomationBench è automazione. I due benchmark che il suo stesso publisher ha costruito attorno ai deliverable d'ufficio sono i due in cui vince con il margine più ampio.

Perché i punteggi appaiono così

Quasi tutto il lavoro professionale non è verificabile da un parser. Un memo di due diligence non si compila e una presentazione per il consiglio di amministrazione non ha test unitari, quindi non esiste una regex che dica se è corretto. Questo è il problema che Paper Instruments si è proposta di attaccare, e la sua risposta è una frase citabile alla lettera: "scaliamo la sintesi di attività non verificabili in tutto il lavoro cognitivo agentico".

Il meccanismo è un curriculum. Quattro domini — finanza, diritto, consulenza, operations — si espandono in 19 aree di pratica e 88 tipi di ambiente distinti, ognuno dei quali campiona una tassonomia di assi: formato dei deliverable, conflitti tra fonti, stakeholder, fase della transazione. L'azienda colloca lo spazio di configurazione nominale all'incirca tra 10⁷ e 10¹⁰ combinazioni per area di pratica, il che è una difesa dal mode collapse tanto quanto un'affermazione di scala. Ogni ambiente è uno spazio di lavoro reale: un filesystem costruito a partire da documenti SEC EDGAR, rapporti degli analisti e contratti sintetizzati, più sistemi di riferimento live — ERP, CRM, WMS, MES, GRC — raggiunti tramite MCP, HTTP e CLI.

La valutazione è il punto in cui tutto ciò diventa insolito. Ogni attività viene fornita con una rubrica, e ogni criterio è scritto per tracciare un confine su ciò che costituisce una risposta accettabile, anziché per richiederne una specifica. L'esempio svolto all'interno del report stesso mette a confronto un criterio sovradattato che respinge due risposte corrette su tre con uno vago che ne accetta tre sbagliate, per poi mostrare la versione riscritta che corrisponde al confine. Gli elaborati vengono analizzati e consegnati a un valutatore basato su rubrica — il pacchetto open source dell'azienda, con GPT-5.6 Terra come modello giudice. L'addestramento è stato eseguito con un contesto di 131.072 token, un tetto di 250 turni per l'agente e compattazione all'85% della finestra.

Quel design è all'origine sia del risultato sia della riserva. È il motivo per cui un modello così economico può ottenere un punteggio vicino a un sistema di frontiera sul lavoro documentale: la distribuzione dei task è stata fabbricata per assomigliare al lavoro documentale. È anche il motivo per cui ai numeri va apposta un'etichetta. Sono i benchmark del fornitore stesso, valutati dal giudice del fornitore stesso, su task scritti dal fornitore. Paper Instruments riporta che PI Knowledge Work è correlato all'Artificial Analysis Intelligence Index con r = 0,81, un numero serio e una risposta parziale — ma una correlazione dalla parte del fornitore resta comunque dalla parte del fornitore. Nessuna terza parte ha ancora pubblicato una valutazione indipendente di Ultramarine 1 Flash, e il modello ha un giorno di vita.

L'affermazione che non regge sul grafico

La cosa più difendibile del rilascio è anche la meno citata: il modello genera il 6,5% in meno di token di output rispetto alla sua base su tutti e sei i benchmark. 30,5 milioni contro 32,7 milioni, ragionamento incluso. Sul costo per singolo task, questa è la differenza tra un modello più economico e un modello più economico che è anche più economico da eseguire, ed è il tipo di ingegneria che si vede in una fattura piuttosto che in una classifica.

L'affermazione che non regge del tutto è quella relativa alla frontiera costo-qualità. Su PI Knowledge Work, GPT-6 Luna, al massimo livello di ragionamento, ottiene 58,3 a 0,11 $ per attività. Il miglior punteggio di Ultramarine 1 Flash è 59,3 a 0,13 $. Un punto e due centesimi sono un divario abbastanza stretto perché "si colloca sulla frontiera costo-qualità nel punto di prezzo più attraente" sia un'affermazione di posizionamento più che un fatto — cosa che il grafico dello stesso fornitore, a suo merito, riporta per chiunque legga oltre la voce principale. Un modello indietro di un punto e che costa due centesimi in meno è una vera alternativa per il lavoro su volumi, e la versione onesta di questo annuncio è che Ultramarine 1 Flash è in testa a un piccolo gruppo invece che da solo su una frontiera.

Dove si inserisce, se lo vuoi chiamare così

Ultramarine 1 Flash non è un modello di uso generale e non pretende di esserlo. È testo in input, e in output una cartella di lavoro Excel, una presentazione PowerPoint o un documento Word, con la capacità di agire all'interno di un sistema aziendale mentre lo fa. Se il tuo carico di lavoro è un documento, questo è ora uno dei modi più economici e credibili per produrlo.

Ultramarine 1 Flash non è nel nostro catalogo. Il modello da cui è post-addestrato è: GLM-5.3 Flash viene servito su OrcaRouter a $0,15 in input e $0,50 in output per milione di token con nulla aggiunto per token, e la tariffa è il prezzo di listino del fornitore passato direttamente, quindi se Z.ai sposta il numero, il numero servito si sposta con esso lo stesso giorno. Questo conta più del solito per un rilascio come questo, perché l'intero argomento a favore di Ultramarine 1 Flash è aritmetica fatta sul listino prezzi di un modello di base. Separatamente, quattro dei modelli con cui viene confrontato — GPT-5.6 Sol, DeepSeek V4.1 Flash, Gemini 3.8 Flash e Kimi K3 — sono raggiungibili dallo stesso endpoint, il che significa che puoi mettere alla prova il confronto del fornitore sui tuoi documenti invece che sui suoi.

Cosa cambierebbe la valutazione

Tre cose, in ordine decrescente di quanto conterebbero.

Una valutazione indipendente su una suite che nessuno di Paper Instruments ha scritto. Il fornitore ha invitato a farlo pubblicando la correlazione con un indice di terze parti; il passo successivo è che qualcun altro pubblichi il punteggio.

I pesi. “Prossimamente” è un segnaposto e, finché non si concretizza, “modello aperto” è una descrizione di intenti che il rilascio non avvalora. Se arrivano, un modello da 18B attivi ottimizzato per il lavoro documentale diventa qualcosa che puoi eseguire da solo, e la cifra di 0,13 $ smette di essere l’unico modo per acquistare questa capacità.

Un benchmark che non vince per costruzione. Le quattro suite in cui è in testa ti dicono che è bravo in ciò per cui è stato addestrato. Le due in cui è indietro ti dicono dove un agente generico batte ancora uno specialista. Chiunque stia pianificando una pipeline di agenti legali o finanziari dovrebbe leggere insieme quelle due righe e la riga da $0,13, e decidere quale descrive il proprio carico di lavoro.

Confronti come questo sono anche il punto in cui emergono le modalità di fallimento: gli incidenti AI documentati e i fallimenti degli agenti relativi ai modelli di questa classe sono raccolti in l'Archivio degli Incidenti AI di OrcaRouter, dove ogni voce riporta le proprie fonti, il livello di gravità, il grado di affidabilità e l'indicatore di contestazione.