Ultramarine 1 Flash vs Gemini 3.5 Flash-Lite: fornire un artefatto e rispondere a una domanda sono due prodotti diversi

Inizia con la frase che chiude la discussione invece di quella che la apre. Gemini 3.5 Flash-Lite accetta testo, immagini, voce e video e restituisce testo. Ultramarine 1 Flash prende testo e restituisce una cartella di lavoro Excel, una presentazione PowerPoint o un documento Word, modificati sul posto, dopo aver letto e scritto nei sistemi aziendali in cui il lavoro risiede. Entrambi sono economici. Il modello di Google ottiene 22 sull'Artificial Intelligence Index a $0,19 per attività completata; Paper Instruments riporta $0,13 per attività sulla propria suite interna. I numeri sono abbastanza vicini che la storia dei costi è un pareggio, e ciò che resta è la domanda se stai comprando una risposta o comprando un prodotto finito — perché su questa domanda questi due modelli non sono affatto nello stesso mercato.

Inoltre, non sono stati costruiti nello stesso momento né per lo stesso motivo. Gemini 3.5 Flash-Lite ha raggiunto la disponibilità generale a luglio 2026 come il livello più conveniente di Google, posizionandosi a circa un quinto del prezzo di 3.6 Flash. Ultramarine 1 Flash è stato pubblicato il 14 ottobre 2026 come post-training di apprendimento per rinforzo di GLM-5.3 Flash, pensato per un deliverable pronto per il cliente piuttosto che per una risposta.

Le righe delle specifiche, entrambi i lati

I valori di Ultramarine sono le tariffe API pubblicate da Paper Instruments e le sue valutazioni pubblicate; il suo valore relativo al contesto è la configurazione di addestramento indicata nel rapporto tecnico. I valori di Gemini sono il listino prezzi di Google più le misurazioni di Artificial Analysis, contrassegnate come tali dove sono misurazioni.

• Prezzo di input — Ultramarine 1 Flash $0,15 per milione di token vs Gemini 3.5 Flash-Lite $0,30. G​oogle costa il doppio in ingresso.

• Prezzo di output — $0,50 rispetto a $2,50 per milione. 5 volte, ed è questa la voce in cui il costo di un job documentale si accumula davvero.

• Input in cache — $0,03 per milione (sconto dell'80%) vs $0,03 (sconto del 90%). Lo stesso numero assoluto, raggiunto con sconti diversi.

• Finestra di contesto — 131.072 token nella configurazione di addestramento rispetto a 1.048.576. Google ne detiene 8 volte di più.

• Output massimo — non pubblicato rispetto a 65.536 token.

• Input — lavoro su testo e documenti vs testo, immagine, parlato e video.

Costo per attività completata — 0,13 $ su PI Knowledge Work contro 0,19 $ sull'Intelligence Index. Il secondo dei due numeri in apertura, e quello con cui bisogna essere più cauti.

• Velocità di output — non pubblicata per Ultramarine 1 Flash rispetto a 425,0 token di output al secondo per Gemini 3.5 Flash-Lite, quarto più veloce tra 148 modelli della sua categoria.

Il numero di latenza all'interno del numero di velocità

Gemini 3.5 Flash-Lite è uno dei modelli più veloci mai misurati. È anche lento a iniziare. Artificial Analysis registra un tempo al primo token di 8,13 secondi sull'API di Google stessa, contro una mediana di 1,85 secondi per i modelli di una fascia di prezzo comparabile. Il modello trasmette in streaming a 425 token al secondo una volta avviato e impiega otto secondi per avviarsi.

Non è un difetto; è una proprietà del percorso di servizio, e ti dice per quali carichi di lavoro è stato progettato quel tier. Un job di classificazione batch, una pipeline di estrazione, un agente in background — nessuno di loro nota un avvio di otto secondi, e tutti traggono un enorme beneficio dal completare una risposta da 500 token in circa un secondo. Un essere umano in attesa di una risposta in chat non nota nient'altro. La parola "Flash" descrive il throughput, non la reattività, e le due cose non sono la stessa misura.

Ultramarine 1 Flash non ha alcun dato pubblicato sulla velocità o sulla latenza. Né da Paper Instruments, né da terze parti. Non esiste alcun fondamento per affermare che sia più veloce o più lento del modello di Google, e chiunque vi dica il contrario sta desumendo dall'architettura invece di leggere un numero. Ciò che il rapporto tecnico rivela è l'inviluppo operativo entro cui è stato addestrato: un contesto di 131.072 token, un massimo di 250 turni nel ciclo dell'agente e una compattazione del contesto attivata all'85% della finestra o quando restano 30.000 token, a seconda di quale evento si verifichi prima. Un'impalcatura che compatta il proprio contesto per progettazione è un'impalcatura costruita per lavori lunghi che altrimenti andrebbero in overflow — il che è un indizio sulla forma dei suoi compiti, non una misura di quanto rapidamente li produca.

Quanto vale un "task" dipende da chi ha scritto il benchmark

Lo $0,13 e lo $0,19 sembrano comparabili e misurano cose diverse, e questa è la parte del confronto che una tabella affiancata ti nasconderà.

L'Intelligence Index è un composito di dieci valutazioni — matematica, programmazione, ragionamento, lavoro agentico. I suoi compiti hanno risposte che un valutatore può verificare. Il 22 di Gemini 3.5 Flash-Lite è un punteggio reale assegnato da un valutatore che non ha alcun interesse nel modello, e il suo $0.19 è un costo misurato per compito completato su quella suite. Google ha anche il più lusinghiero dei due record di verbosità: 59 milioni di token di output per completare l'Index, classificato 23° su 60 e descritto come piuttosto conciso rispetto a una mediana di 95 milioni. È un modello progettato per non divagare.

PI Knowledge Work non è questo. È una suite di deliverable pronti per il cliente, valutati in base a una rubrica redatta per ciascun compito, perché un memo di due diligence non ha una risposta corretta con cui confrontarsi. Ultramarine 1 Flash ottiene 59,3 lì a 0,13 $ per compito, contro Claude Fable 5 a 57,8 per 8,19 $ e GPT-5.6 Sol a 55,1 per 2,09 $. Il fornitore riferisce che la sua suite correla con l'Artificial Analysis Intelligence Index a r = 0,81 — un numero serio, e di seconda mano. Un compito su una suite non è un compito sull'altra: una domanda di ragionamento può essere di poche centinaia di token, e un board deck è una lunga esecuzione agentica che produce un file. Le due cifre per compito non sono unità della stessa cosa, e sottrarle è aritmetica su un errore di categoria.

Ciò che sopravvive a quella critica è più ristretto ma davvero utile. Paper Instruments ha misurato l'efficienza dei token rispetto a qualcosa di diverso da sé stesso: su tutti e sei i suoi benchmark, Ultramarine 1 Flash ha emesso il 6,5% in meno di token di output rispetto al modello GLM-5.3 Flash da cui discende — 30,5 milioni contro 32,7 milioni, ragionamento incluso — superandolo però su ognuno dei sei. Stessa suite, stesso harness, entrambe le parti misurate. Su un tariffario per token, un modello che scrive meno per un risultato migliore è uno sconto applicato due volte.

Due modelli funzionanti su una chiave

Gemini 3.5 Flash-Lite è servito su OrcaRoutera $0,30 in input e $2,50 in output per milione di token, il prezzo di listino del provider passato direttamente, con nulla aggiunto per token — così un cambio di tariffa di G​oogle è attivo qui lo stesso giorno, senza alcun deploy da parte nostra. Accanto a esso ci sono i modelli a cui questo confronto continua a fare riferimento: GPT-5.6 Sol, Claude Fable 5 e GLM-5.3 Flash, la base da cui è stato addestrato Ultramarine 1 Flash, sono tutti raggiungibili dallo stesso endpoint e con la stessa chiave.

Questo conta più per questa combinazione che per un tipico confronto diretto, perché il carico di lavoro è misto. Una pipeline documentale costruita attorno a una finestra da un milione di token e a quattro modalità di input è una pipeline diversa da una costruita attorno a un agente che produce deliverable, e le due di solito coesistono nello stesso team. Una regola di routing può trattenere gli input scansionati o audiovisivi sul modello di Google e indirizzare altrove il percorso testo-deliverable, con un fallback dichiarato se la prima scelta non funziona — un solo contratto invece di due, e nessuna modifica al codice quando cambi idea su quale modello debba ricevere i lavori lunghi.

Ultramarine 1 Flash di per sé non è nel nostro catalogo; la via di accesso oggi è l'API del fornitore stesso e le piattaforme di terze parti che lo rivendono.

Come deciderei davvero

Due situazioni, e si risolvono in modo pulito.

Se l'input contiene qualsiasi cosa che non sia testo — un contratto fotografato, una registrazione di una chiamata, una cattura dello schermo, una guida video — il modello di Google è l'unico dei due che può accettare la richiesta. Non è una preferenza, è un confine di capacità, e pone fine al confronto per quel carico di lavoro.

Se l'output è ciò per cui si paga — un modello, una presentazione, una nota, un documento che qualcuno aprirà e modificherà — allora la domanda diventa se uno specialista post-addestrato batte un generalista efficiente, e Ultramarine 1 Flash è lo specialista. Le prove a sostegno sono del fornitore, sui benchmark del fornitore, un giorno dopo il rilascio, e vanno lette come un'ipotesi più che come un risultato. Ma è un'ipotesi specifica e verificabile: delle quattro suite su sei in cui Paper Instruments è in testa, i margini più ampi si registrano su JobBench e FrontierFinance, le due più vicine al lavoro concretamente consegnabile; su APEX-Agents 1.1 e DiligenceBench, che sono compiti di agent-loop e di ricerca, guidano Gemini 3.8 Flash e Claude Fable 5, mentre Ultramarine 1 Flash si piazza terzo.

La questione irrisolta non è quale modello sia migliore. È se il comportamento di produzione dei deliverable sopravvive al contatto con documenti che nessuno all'interno di Paper Instruments ha scritto. L'azienda ha pubblicato il proprio metodo con un livello di dettaglio sufficiente a invitare esattamente quel test, e non ha pubblicato i pesi che permetterebbero a qualcuno di eseguirlo senza passare attraverso la sua API. Entrambi questi fatti sono cruciali, e solo uno dei due probabilmente cambierà presto.

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.