Ultramarine 1 Flash vs GPT-5.6 Luna: due modelli che non compaiono mai sulla stessa classifica

La prima cosa da notare in questo abbinamento è ciò che manca nel grafico del fornitore stesso. Paper Instruments ha pubblicato Ultramarine 1 Flash il 14 ottobre 2026 con sei tabelle di benchmark e un grafico costo-qualità che copre una trentina di configurazioni di modello.GPT-5.6 Luna non è sul grafico. Non a basso sforzo, non a medio, non a massimo. Il suo gemello GPT-5.6 Sol è presente a ogni livello di sforzo; un modello chiamato GPT-6 Luna è presente a 58,3 per 0,11 $ per attività; GPT-5.6 Luna non compare affatto. E dall'altro lato, Artificial Analysis ha una voce per GPT-5.6 Luna — Intelligence Index 37, 0,18 $ per attività completata, 115,4 token di output al secondo — e nessuna voce per Ultramarine 1 Flash in assoluto. Due modelli rilasciati a tre mesi di distanza, entrambi pensati per lavoro a basso costo e ad alto volume, e nessuna terza parte ha mai misurato uno dei due su un benchmark che contenga l'altro.

Quell'assenza è il confronto. GPT-5.6 Luna è il livello veloce ed efficiente in termini di costi di OpenAI della famiglia GPT-5.6, rilasciato il 9 luglio 2026, che riporta un punteggio indipendente su un composito di dieci valutazioni. Ultramarine 1 Flash è un post-training con apprendimento per rinforzo di GLM-5.3 Flash, con un prezzo di 0,15 $ per l'input / 0,50 $ per l'output per milione di token, progettato per produrre cartelle di lavoro Excel, presentazioni e promemoria Word anziché risposte, e che riporta soltanto i numeri del suo produttore. Tutto ciò che segue riguarda ciò che si può e ciò che non si può concludere da questa configurazione.

Dove si trovano effettivamente i due record

I numeri di Luna sono misurazioni di Artificial Analysis sulla stessa API di OpenAI. Quelli di Ultramarine sono le tariffe pubblicate di Paper Instruments e le sue valutazioni pubblicate, con il dato sul contesto tratto dalla configurazione di addestramento nel suo rapporto tecnico.

• Punteggio indipendente — Intelligence Index 37 al massimo sforzo, quarto su 148 modelli della sua classe, per GPT-5.6 Luna, contro nessuna valutazione indipendente di alcun tipo per Ultramarine 1 Flash.

• Prezzo di input, sui listini — 0,20 $ per milione di token contro 0,15 $. Il modello Paper Instruments costa il 25% in meno già in ingresso.

• Prezzo dell'output — 1,20 $ vs 0,50 $ per milione. 2,4x, il divario più ampio della coppia.

• Input in cache — $0,02 per milione (sconto del 90%) per Luna contro $0,03 (sconto dell'80%). Un centesimo di differenza, a favore di OpenAI.

• Contesto — 1.050.000 token sul listino di Luna rispetto ai 131.072 nella configurazione di addestramento di Ultramarine. Otto volte la finestra, e l'unica riga in cui il divario non è affatto stretto.

• Output massimo — 128.000 token vs non pubblicato.

• Costo misurato per attività completata — 0,18 $ sull'Intelligence Index per Luna (sforzo massimo) vs 0,13 $ su PI Knowledge Work per Ultramarine 1 Flash. Due suite diverse, due tipi diversi di attività, due numeri che sembrano comparabili e non lo sono.

• Primo token — 121,46 secondi per Luna al massimo sforzo sull'API di OpenAI, rispetto a una mediana di 1,85 secondi per la sua fascia di prezzo; non pubblicato per Ultramarine 1 Flash in alcuna forma.

Il primo token in due minuti, e perché è un'impostazione anziché un difetto

Quel valore di 121,46 secondi merita una sezione a sé, perché è il tipo di numero che viene citato come un difetto quando in realtà è un parametro.

GPT-5.6 Luna, con il massimo sforzo di ragionamento, svolge la sua deliberazione prima di emettere qualsiasi cosa. Sull'Intelligence Index produce 115,4 token di output al secondo una volta avviato e 150 milioni di token di output in totale per completare la suite — 41º su 60 nella sua classe quanto a verbosità, descritto da Artificial Analysis come alquanto verboso rispetto a una mediana di 95 milioni. Il punteggio dell'Indice, 37, è misurato a quell'impostazione massima.

Il modello supporta uno sforzo configurabile, il che significa che gli stessi pesi che impiegano due minuti per iniziare possono essere regolati a un livello che risponde immediatamente, con un punteggio inferiore. OpenAI non pubblica alcuna suddivisione per livello di sforzo nel record di Artificial Analysis, quindi l'entità di tale calo non è resa nota — una chiamata predefinita si colloca da qualche parte al di sotto di 37, di una quantità che nessuno al di fuori di OpenAI ha misurato. Per una fase di fan-out in cui cento chiamate a basso costo abbozzano ciascuna qualcosa di breve, questa è la configurazione giusta. Per il singolo compito difficile alla fine di una catena, lo è lo sforzo massimo. Entrambi sono lo stesso modello e nessuno dei due è configurato in modo errato.

Ultramarine 1 Flash non pubblica alcun dato sulla latenza, alcun dato sul throughput e alcun tempo al primo token. Il suo rapporto tecnico divulga però l'inviluppo operativo entro cui è stato addestrato e valutato — 131.072 token di contesto, un limite di 250 turni sul loop dell'agente, compattazione attivata all'85% della finestra o quando restano 30.000 token — e un harness costruito per compattare la propria memoria di lavoro è un harness costruito per lavori lunghi. Questa è un'inferenza sulla forma del compito, non una prova sulla velocità, e la posizione onesta è che un lato di questo confronto ha un problema di latenza misurato e l'altro lato non ha alcuna misurazione.

Cosa misura un benchmark sui deliverable che un indice di intelligenza non può misurare

Il motivo per cui i due modelli non si incontrano mai non è un caso di pianificazione. I benchmark misurano cose diverse di proposito.

L'Intelligence Index che assegna a Luna il suo 37 è un composito di dieci valutazioni — AA-Briefcase, GDPval-AA, AutomationBench e altre — ciascuna con risposte che un correttore può verificare. È questo che lo rende riproducibile, ed è il motivo per cui un valutatore senza alcun interesse in nessun modello può eseguirlo e pubblicare un numero comparabile per tutti.

PI Knowledge Work è stato creato proprio perché le parti riproducibili del lavoro professionale non sono le parti che contano. Un memo di due diligence non si compila. Un board deck non ha test unitari. Un modello di prezzo con una previsione live al suo interno sarà sbagliato in un modo che un correttore a scelta multipla non può vedere. Così Paper Instruments ha scritto invece delle rubriche, una per compito, con ciascun criterio tracciato come un confine sulle risposte accettabili anziché come una richiesta di una sola. Il suo report contrappone un criterio sovradattato che rifiuta due risposte corrette su tre a uno vago che ne accetta tre sbagliate, poi mostra la versione riscritta che corrisponde al confine — il che è una giusta dimostrazione del perché questo sia difficile e un giusto avvertimento su quanto peso dovrebbe avere un singolo punteggio di rubrica.

A quanto ammontano davvero quei numeri, detto chiaramente: Ultramarine 1 Flash ottiene 59,3 su quella suite a 0,13 $ per attività. GPT-5.6 Sol, il fratello maggiore di Luna, ottiene 55,1 a 2,09 $, e compare in tutte e sei le tabelle di Paper Instruments — 45,4 su JobBench contro il 62,9 di Ultramarine, 46,8 su FrontierFinance contro 53,3, 51,5 su APEX-Agents 1.1 contro 57,0. Il fornitore riferisce che la sua suite è correlata con l'Artificial Analysis Intelligence Index a r = 0,81, che è un numero serio e di seconda mano. Nessuna terza parte ha messo alla prova Ultramarine 1 Flash su alcunché.

Il confronto che viene misurato allo stesso modo su entrambi i lati

C'è esattamente una classe di misurazione in questo abbinamento in cui il numero di nessuna delle due parti dipende dalla metodologia dell'altra: l'efficienza dei token, misurata all'interno di un'unica suite da un unico harness.

Artificial Analysis registra GPT-5.6 Luna a 150 milioni di token di output per completare l'Intelligence Index, il 58% in più rispetto alla mediana di 95 milioni della sua classe. Quel dato sta dietro ai 0,18 $ per attività — un modello veloce che scrive molto non è il modo più economico per acquistare un'attività completata, e la classifica di verbosità rende visibile il motivo.

Paper Instruments fa l'affermazione opposta sul proprio modello, e lo fa in modo verificabile anziché asserito. Su tutti e sei i suoi benchmark, Ultramarine 1 Flash ha emesso il 6,5% in meno di token di output rispetto a GLM-5.3 Flash, il modello da cui è stato post-addestrato — 30,5 milioni contro 32,7 milioni, ragionamento incluso — ottenendo punteggi più alti su ognuno dei sei. In entrambi i lati di quel confronto si usa lo stesso harness sugli stessi compiti, quindi non è vulnerabile alla critica che aleggia su tutto il resto qui. È anche la direzione che non viene gratis: il post-addestramento porta tanto spesso a modelli più loquaci quanto a modelli più silenziosi.

Per chiunque abbia una bolletta dominata dai token di output, questo è il fatto più trasferibile del rilascio. Non dice che Ultramarine 1 Flash sia più parsimonioso di GPT-5.6 Luna. Dice che la relazione «il più corto dei due in base al modello base» ha tenuto, su una suite che nessuno al di fuori dell'azienda ha riprodotto.

Eseguire il test autonomamente

GPT-5.6 Luna è servito su OrcaRouter a $0,20 per l'input e $1,20 per l'output per milione di token, con il livello di sforzo impostato per richiesta. È il prezzo di listino del fornitore passato così com'è, senza nulla in più per token, il che conta per un modello il cui prezzo è già cambiato una volta — il taglio dell'80% applicato da OpenAI all'inizio dell'anno si riflette qui senza che nessuno abbia rinegoziato un contratto. Lo stesso endpoint raggiunge GPT-5.6 Sol, Claude Fable 5, DeepSeek V4 Flash e GLM-5.3 Flash, l'ultimo dei quali è la base da cui è stato addestrato Ultramarine 1 Flash ed è servito alla stessa tariffa di $0,15 / $0,50.

Ultramarine 1 Flash non è nel nostro catalogo; la via per arrivarci è l'API del fornitore stesso e le piattaforme di terze parti che lo rivendono. Questa asimmetria è la forma pratica di questo confronto. Uno di questi due modelli puoi metterlo oggi in un percorso di produzione con un fallback instradato dietro e un p50 misurato davanti a te. L'altro lo sperimenti sull'endpoint del fornitore e lo giudichi dal suo output.

Qual è il test che vale la pena eseguire, ed è economico: inviare lo stesso lotto di documenti a entrambi, con lo sforzo predefinito di Luna e al suo massimo, e confrontare gli artefatti e le fatture. L'intero argomento dello specialista è che il suo output richiede meno rilavorazione. È misurabile in un pomeriggio ed è l'unica prova che risolverebbe un abbinamento in cui nessuno ha pubblicato una classifica condivisa.

La posizione, espressa come ciò che è noto e ciò che non lo è

Noto, con una fonte: GPT-5.6 Luna ottiene 37 su un indice costruito da dieci valutazioni verificabili, a 0,18 $ per attività completata, con una finestra di 1.050.000 token e un primo token che può richiedere poco più di due minuti al livello di impegno che fa guadagnare il 37. È economico per token, capace per la sua fascia e — secondo la misurazione di Artificial Analysis stessa — incline a scrivere il 58% in più rispetto ai suoi pari.

Riportato dal suo produttore, non riprodotto: Ultramarine 1 Flash ottiene 59,3 su una suite di deliverable finanziari, legali, consulenziali e operativi valutata con rubrica, a 0,13 $ per attività, contro gli 8,19 $ di Claude Fable 5 a 57,8 e i 2,09 $ di GPT-5.6 Sol a 55,1, e supera il proprio modello base su tutte e sei le suite generando il 6,5% di token in meno.

Non è noto: se qualcosa di tutto ciò regge a un documento che nessuno di Paper Instruments ha scritto, come si comporta la latenza del modello sotto carico, e se la riga «Pesi del modello in arrivo» sulla pagina del fornitore si traduce in un rilascio effettivo.

Qualunque articolo che scelga un vincitore da ciò se l'è inventato. Quel che si può dire con chiarezza è che se ti serve un punteggio verificato prima di impegnarti, GPT-5.6 Luna è l'unico modello di questa coppia ad averne uno; e se il tuo lavoro è un prodotto da consegnare anziché una risposta, l'affermazione interessante sta tutta dall'altra parte e non è stata testata da nessuno che non fosse pagato per testarla.

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.