Ultramarine 1 Flash 対 Claude Haiku 4.5：同じものを測っていない2つのタスクあたりコスト数値

この比較に登場する2つのモデルはどちらもタスクあたりのコストを公表しており、その数字を横に並べて引き算したくなるのが人情だ。Paper Instrumentsによると、Ultramarine 1 Flashは1件のジョブを0.13ドルで完了する。Artificial AnalysisはClaude Haiku 4.5を、その推論構成において、完了したIntelligence Indexタスク1件あたり0.28ドルと測定している。一方はもう一方の半分未満であり、もしそれで全体像が語り尽くされるなら、判断は10秒で済むだろう。だがそうではない。この2つの数値は、モデルに異なる作業を求める別々のスイートから出てきたものであり、どちらのスイートが自分の仕事に似ているかを見極めることこそが、この比較のすべてなのだ。料金そのものの差はさらに大きい。Paper Instrumentsのモデルは入力100万トークンあたり0.15ドル、出力0.50ドルであるのに対し、Anthropicのモデルは1.00ドルと5.00ドル——入力で6.7倍、出力で10倍の開きがある。

第2の非対称性がある。Claude Haiku 4.5には、その開発元ではない研究所による公開スコアがある。Ultramarine 1 Flashには、それを学習させた企業が、その企業自身の構築したスイートで公表したスコアがある。ここでは、どちらの事実も、どんな単一のベンチマーク数値よりも重要であり、どちらも横並び比較には現れない。

2つの料金表、そして両方で同じではない行

Ultramarine の数値は、Paper Instruments が公開している API 価格と、同社が公開している独自の評価です。Claude Haiku 4.5 の価格は Anthropic の料金表であり、その評価数値は Artificial Analysis による測定値で、その旨が明記されています。

• 入力 — Ultramarine 1 Flash は100万トークンあたり0.15ドル、Claude Haiku 4.5 は1.00ドル。Anthropicのモデルは入力で6.7倍のコストがかかります。

• キャッシュ済み入力 — 100万あたり $0.03 対 $0.10。Anthropic 側の 90% 割引に対し、Paper Instruments 側は 80% 割引。絶対的な差は依然として大きいが、割合の差は縮まる。

• 出力 — 100万あたり$0.50対$5.00。10倍、そして実際に差が効いてくるのはこの項目です。なぜなら、ドキュメント作業では大量の出力が生成されるからです。

• コンテキスト — 技術レポートが明記するトレーニング構成では131,072トークン、Haikuの料金表では200トークン。Anthropicの方がおよそ1.5倍多くを保持している。

• 最大出力 — Paper Instrumentsによる未公開、Claude Haiku 4.5の64,000トークンに対して。リスト内の空白セル1つ。

• 入力 — Claude Haiku 4.5 はテキスト、画像、ファイルのアップロードを受け付けます。Ultramarine 1 Flash はテキストとドキュメント作業を中心に構築されており、そのベースである GLM-5.3 Flash はネイティブにマルチモーダルですが、Paper Instruments はその派生版のモダリティ一覧を公開していません。

• 完了したタスクあたりの計測コスト — Ultramarine 1 Flash の PI Knowledge Work では $0.13、Claude Haiku 4.5 (reasoning) の Intelligence Index では $0.28。人々が互いに引用し合うことになる数字だ。次のセクションでは、なぜこれらが同じ単位ではないのかを説明する。

各スコアが実際にカバーする範囲

Claude Haiku 4.5の公表されている記録には2つの構成があり、それらは分けて考える価値がある。検索結果では通常、間違った方の構成が表示されるからだ。Artificial Analysisは、非推論構成をIntelligence Index 15、毎秒87.3出力トークンとして掲載している。推論構成 — タスクあたりのコスト数値が付随するもの、そして本記事が全体を通して用いるもの — は、Intelligence Index 17、毎秒90.0出力トークン、入力100万トークンあたり$1.00、出力100万トークンあたり$5.00、90%のキャッシュ割引、完了したIndexタスクあたり$0.28、冗長性は7800万出力トークンと測定される。そのコンテキストウィンドウは200,000トークンで、知識カットオフは2025年7月、テキストと画像を受け付ける。

Intelligence Indexは、数学、コーディング、推論、エージェント的評価から構成されている。その構成要素であるテストのどれも、モデルに取締役会向け資料、デューデリジェンス・メモ、あるいは中にライブ予測を組み込んだExcelモデルを作成するよう求めてはいない。なぜなら、そうした成果物には単一の正解がなく、それらを採点するベンチマークにはタスクごとのルーブリックが必要になるからだ。

まさにそれが Paper Instruments の構築したものであり、まさにこの比較が引き算ではあり得ない理由である。PI Knowledge Work は、金融、法務、コンサルティング、オペレーションにおけるクライアントにそのまま提供できる成果物のスイートであり、ルーブリック採点モデルによって、作成済みのルーブリックに照らしてタスクごとに採点される。Ultramarine 1 Flash はそこで 59.3 を記録し、タスクあたり $0.13 である。文書成果物のルーブリックでの 59.3 というスコアと、数学・コーディング指標での 17 というスコアは、比較できる量ではない。コストの数値も同様に比較できない。なぜなら、一方のスイートのタスクは、他方のタスクより桁違いに長くなり得るからだ。

この組み合わせが実際に裏付けているのは、より限定的だが、依然として有用なものだ。Claude Haiku 4.5 は、それに利害関係のない人物によって、Anthropic の誰も設計していないテストで測定されている。Ultramarine 1 Flash は測定されていない。これは Paper Instruments の数値に対する批判ではない——同社はその手法を異例なほど詳細に開示している——が、提示される証拠の種類が異なるということであり、この選択をリスク委員会に諮る買い手はすぐにその違いに気づくだろう。

Claude Haiku 4.5 が議論の余地なく勝利する点

3つの場所、そしてそのどれもが、より賢くなることについてではありません。

マルチモーダル入力については、これが最も明確だ。スキャンした契約書、壊れたスプレッドシートのスクリーンショット、ホワイトボードの写真——それらはすべて、1年にわたり変わらずマルチモーダル入力をサポートしてきたインターフェースを通じて Claude Haiku 4.5 に投入できる。Ultramarine 1 Flash は画像と動画を読み取るベースモデルを土台にしているが、ベンダーはその派生モデルについてモダリティ一覧を公開しておらず、技術レポートのどの例も、モデルが実際に見なければならない画像に依拠していない。書類がスキャンされて届くなら、この点だけで答えは決まる。

運用成熟度が2つ目の理由だ。1年間の本番トラフィックを経てきたモデルなら、その障害モードは、それを見つけるために報酬を得ているわけではない人々によって発見され、文書化されている。2026年10月14日に公開されたモデルはそうではないし、どんな新しいエンドポイントでも最初の1週間は、負荷がかかったときに何をするのかを学ぶ時期だ。

独立的な検証は3つ目であり、複利的に効いてくるものだ。Haiku 4.5の寿命が1か月延びるごとに、誰かが自分の仕事でそれを使い、起きたことを書き留めた1か月が積み重なる。

差がほとんどなくなるのはどこか — そして、なぜその計算は誤解を招くのか

見出しにある出力10倍というのは本当で、長い文書のジョブでは、まさに予想どおりの請求額になる。その見出しが隠しているのは、両モデルのタスクあたりの経済性が収束しうるという点だ。PI Knowledge Work におけるタスクは Intelligence Index におけるタスクと同じ作業量ではないし、Anthropic のモデルは実際のところキャッシュが大きく効くモデルだからである。

Paper Instruments 側には、ちゃんと読む価値のある直感に反する数字がある。その6つのベンチマークすべてにおいて、Ultramarine 1 Flash は、ポストトレーニング元である GLM-5.3 Flash モデルよりも出力トークンが6.5%少ない——推論を含めて3050万対3270万——それでいて6つすべてでより良いスコアを出している。改善するトークン効率は、ポストトレーニング実行における通常の方向性ではない。そして100万トークンあたりの料金表では、最初の割引にさらに積み重なる2つ目の割引になる。それは Paper Instruments ページ上で、両側が同じスイート上で同じ手法によって測定されている唯一の比較であり、このリリースで最も信頼できる数字となっている。

それに対して、Claude Haiku 4.5 は、誰も宣伝していないある比較ではより安価なモデルだ。完了した Index タスクあたり $0.28 という価格は、デューデリジェンス・メモよりもタスクが短く、エージェント性が低いスイート向けに設定されている。それぞれに実際の法務または財務の成果物を提示してみれば、$0.13 という数字は $0.28 のそれと同じ作業単位を測っていたわけでは決してなかった。

両方のモデルは1つのキーを使い、OrcaRouter経由で利用できます — 読んで判断するのではなく、実際に試して決着をつけたいのであれば。Claude Haiku 4.5は100万トークンあたり$1.00と$5.00で提供されており、トークンごとの上乗せは一切ありません — プロバイダーの定価がそのまま適用されるため、ベンダー側の料金改定は同日に当社側でも反映されます。これは、過去に価格が動いたことのあるモデルにとって、些細な性質ではありません。同じ20件の文書を両方で処理して請求書を確認する方が、どちらを選ぶかを話し合う会議よりも安くつき、しかも議論ではなく数字が得られます。

分岐として述べられた決定

入力が誰かがスキャンした文書やスクリーンショットであれば、答えはClaude Haiku 4.5であり、これ以上議論することは何もありません。

入力がテキストで、出力が完成した成果物——モデル、スライド資料、メモ——であり、入力コストが$0.15か$1.00かでプロジェクトの形が変わるほど量が多ければ、Ultramarine 1 Flashは自分の仕事で試験導入する価値がある。これはまだ登場から1日しか経っていない。$0.13はベンダーが報告した、ベンダー構築のスイートによる数字であり、独立した評価はまだ存在しない。しかし、料金表は実在し、トークン効率の比較は正直に測れる唯一の方法で測られており、それが首位に立つ4つのベンチマークにおける自社ベースモデルからの改善は、恣意的に選ばれたものではなく一貫している。

ワークロードにその両方が含まれるなら、有効な手はどちらかを選ぶことではない。ルーティングルールを使えば、スキャン文書の経路はA​nthropicモデルに固定し、テキストから成果物を生成する経路は、サンプルで品質基準をクリアした方のモデルへ送ることができる。そして新しい方のモデルが倒れても、コードを変更することなく、二つ目の契約に署名することもなく、リクエストは古い方へ流れる。

未解決の問いを解決するのは、Ultramarine 1 Flash を、その製作者が作成していないスイートで評価した単一の独立した評価だろう。それが存在するまでは、正直な立場としては、Claude Haiku 4.5 は挙動を予測できるモデルであり、Ultramarine 1 Flash はその価格で使えるようになりたいモデルだ。今日公表されているものは、使えないとは何も言っていない。今日公表されているものは、ベンダー自身のページを除いて、使えるとは何も言っていない。

このような比較は、失敗モードが表面化する場でもあります。このクラスのモデルの背後にある、記録されたAIインシデントやエージェント障害は、OrcaRouter AIインシデントアーカイブ に集められており、各エントリーには独自の情報源、重大度、信頼度グレード、異議ありフラグが付されています。