Ultramarine 1 Flash 対 Gemini 3.5 Flash-Lite：成果物を届けることと質問に答えることは、別の製品である

議論を始める一言ではなく、議論を終わらせる一言から始めよ。 Gemini 3.5 Flash-Liteはテキスト、画像、音声、動画を受け取り、テキストを返します。 Ultramarine 1 Flashはテキストを受け取り、Excelブック、PowerPointデッキ、またはWord文書を返します。それらは、その仕事が存在する業務システムに対して読み書きを行ったうえで、その場で編集されたものです。どちらも安価です。GoogleのモデルはArtificial Intelligence Indexで22点、完了タスクあたり$0.19を記録しています。Paper Instrumentsは自社の内部スイートでタスクあたり$0.13と報告しています。数字は十分に近く、コストの話は互角であり、残るのは、あなたが答えを買っているのか成果物を買っているのかという問いです—なぜなら、その問いにおいて、この2つのモデルはまったく同じ市場にはいないからです。

また、両者は同じ時期に作られたわけでも、同じ理由で作られたわけでもない。Gemini 3.5 Flash-Liteは、Googleで最もコスト効率の高いティアとして2026年7月に一般提供を開始し、その価格は3.6 Flashのおよそ5分の1だった。Ultramarine 1 Flashは、返答ではなくクライアントにそのまま提示できる成果物を目指して、GLM-5.3 Flashの強化学習による事後学習として2026年10月14日に公開された。

両側のスペック行

Ultramarineの数値は、Paper Instrumentsが公開しているAPI料金と同社が公開している評価によるもので、そのコンテキスト数値は技術レポートに記載されたトレーニング構成です。Geminiの数値は、Googleの料金表にArtificial Analysisの測定値を加えたもので、測定値である箇所にはその旨が表示されています。

• 入力価格 — Ultramarine 1 Flash は100万トークンあたり$0.15、Gemini 3.5 Flash-Lite は$0.30。G​oogle は入力では2倍高価です。

• 出力価格 — 100万あたり$0.50 対 $2.50。5倍であり、ドキュメントジョブのコストが実際に積み上がるのはこの項目です。

• キャッシュ入力 — 100万あたり$0.03（80%オフ）対 $0.03（90%オフ）。同じ絶対数値に、異なる割引で到達している。

• コンテキストウィンドウ — トレーニング構成では 131,072 トークン、それに対して 1,048,576。G​oogle は 8 倍多く保有している。

• 最大出力 — 非公開 vs 65,536トークン

• 入力 — テキストと文書の処理 対 テキスト、画像、音声、動画。

• 完了したタスクあたりのコスト — PI Knowledge Work では $0.13、Intelligence Index では $0.19。冒頭に挙げた2つの数値のうちの2つ目であり、最も注意すべきもの。

• 出力速度 — {{1}}Ultramarine 1 Flash{{/1}}は未公開、{{3}}Gemini 3.5 Flash-Lite{{/3}}は{{2}}425.0{{/2}}出力トークン/秒で、同クラス{{4}}148モデル{{/4}}中4番目に速い。

速度の数値の中にあるレイテンシの数値

Gemini 3.5 Flash-Liteは、これまでに誰かが計測した中で最速のモデルの1つです。また、起動も遅いです。Artificial Analysisによると、Google自身のAPIにおける初回トークンまでの時間は8.13秒で、同程度の価格帯のモデルの中央値である1.85秒と対照的です。このモデルは、一度開始すれば毎秒425トークンでストリーミングしますが、開始までに8秒かかります。

それは欠陥ではなく、サービング経路の特性であり、その階層がどのワークロード向けに設計されたのかを示している。バッチ分類ジョブ、抽出パイプライン、バックグラウンドエージェント――どれも8秒の起動には気づかず、500トークンの応答を約1秒で完了できることに絶大な恩恵を受ける。チャットの返信を待つ人間が気にするのは、ほかのことではない。「Flash」という言葉が表しているのは応答性ではなくスループットであり、この二つは同じ指標ではない。

Ultramarine 1 Flash には、公開された速度やレイテンシの数値が一切ない。Paper Instruments からも、第三者からも。G​oogle のモデルより速いとも遅いとも主張する根拠はなく、そうでないと言う人は、数値を読んでいるのではなくアーキテクチャから推測しているだけだ。技術レポートが開示しているのは、それが学習された動作範囲である。131,072 トークンのコンテキスト、エージェントループの最大 250 ターン、そしてウィンドウの 85% に達したとき、または残り 30,000 トークンになったときのいずれか早い方で発動するコンテキスト圧縮。設計上コンテキストを圧縮するハーネスは、そうしなければあふれてしまう長い作業のために作られたハーネスだ——これはタスクの形についての手がかりであり、それらをどれだけ速く生成するかの測定値ではない。

「タスク」の価値は、誰がベンチマークを書いたかによって決まる

$0.13 と $0.19 は比べられるように見えて、実際には別々のものを測っています。そしてこここそが、横並びの表では見えなくなってしまう比較の部分なのです。

Intelligence Indexは、数学、コーディング、推論、エージェント作業という10種類の評価を組み合わせた複合指標だ。そのタスクには、採点者が確認できる答えがある。Gemini 3.5 Flash-Liteの22は、このモデルに利害関係を持たない評価者による実際のスコアであり、その$0.19は、このスイート全体で完了したタスク1件あたりの実測コストである。Googleはまた、2つの冗長性記録のうち、より好ましい方も持っている。Indexを完了するのに出力トークン5900万で、60中23位、中央値9500万に対してかなり簡潔だと評されている。それは、とりとめもなく話さないように設計されたモデルである。

PI Knowledge Workはそういうものではない。これは、各タスクのために作成されたルーブリックに照らして採点されるクライアント向け成果物のスイートである。なぜなら、デューデリジェンス・メモには照合すべき正解が存在しないからだ。Ultramarine 1 Flashはそこで59.3を記録し、タスクあたり0.13ドルである。これに対し、Claude Fable 5は57.8で8.19ドル、GPT-5.6 Solは55.1で2.09ドルだ。ベンダーは、自社スイートがArtificial Analysis Intelligence Indexと r = 0.81 で相関すると報告している——ただならない数字であり、しかも又聞きの数字だ。一方のスイートにおけるタスクは、他方のスイートにおけるタスクではない。推論問題は数百トークンで済むこともあり、取締役会向け資料はファイルを生成する長いエージェント実行である。両者のタスクあたりの数値は同じものの単位ではなく、それらを差し引くのはカテゴリー錯誤に対して行う算術である。

その批判を生き延びるものは、より限定的ではあるが、確かに有用だ。Paper Instrumentsは、トークン効率を自分自身以外の対象と比較して測定した。同社の6つのベンチマークすべてにおいて、Ultramarine 1 Flashは、その派生元であるGLM-5.3 Flashモデルより出力トークンが6.5%少なかった——推論を含めて3,050万対3,270万——一方で、6つすべてで相手を上回った。同じスイート、同じハーネス、双方とも測定済みだ。トークン単位の料金表で見れば、より良い結果をより少ない出力で出すモデルは、二重に効いてくる割引だ。

1つのキーで2つの動作モデル

Gemini 3.5 Flash-Lite はOrcaRouterにて、入力 $0.30、出力 $2.50（100万トークンあたり）で提供されています。これはプロバイダーの定価をそのまま適用したもので、トークンあたりの上乗せは一切ありません — つまり Google の料金改定は、当社側でデプロイすることなく同日にここへ反映されます。その傍らには、この比較で繰り返し言及してきたモデルたちが並びます。GPT-5.6 Sol、Claude Fable 5、そして Ultramarine 1 Flash の学習元となったベースモデル GLM-5.3 Flash のいずれも、同じエンドポイントと同じキーから利用できます。

その点は、典型的な一対一の比較よりも、この組み合わせのほうが重要だ。ワークロードが混在しているからだ。100万トークンのウィンドウと4つの入力モダリティを中心に構築されたドキュメントパイプラインは、成果物を生成するエージェントを中心に構築されたパイプラインとは別物であり、通常、この2つは同じチーム内で共存している。ルーティングルールを使えば、スキャン入力や音声視覚入力をGoogleのモデルに留め、テキストから成果物へのパスは別のモデルへ送ることができる。第一候補が失敗した場合に備えてフォールバックを宣言しておけば、2つではなく1つの契約で済み、長いジョブをどちらのモデルに担当させるかを変更してもコード変更は不要だ。

Ultramarine 1 Flash 自体は当社のカタログにはありません。現在のアクセス経路は、ベンダー自身の API と、それを再販するサードパーティのプラットフォームです。

私なら実際にどう決断するか

2つの状況があり、どちらもきれいに解決します。

入力にテキスト以外のもの——撮影された契約書、通話録音、スクリーンキャプチャ、ビデオウォークスルー——が含まれている場合、2つのうちGoogleのモデルだけがそのリクエストを受け付けられます。これは好みではなく、能力の境界であり、そのワークロードにおける比較はそこで終わります。

成果物そのもの——モデル、スライド資料、メモ、人が開いて編集する文書——が対価の対象なら、問題は、ポストトレーニング済みの専門特化型が効率的な汎用型を上回るかどうかになり、Ultramarine 1 Flash はその専門特化型だ。その根拠はベンダー提供のもので、ベンダーのベンチマーク上の、リリースから1日後の結果であり、確定した知見ではなく仮説として読むべきだ。しかしそれは具体的で検証可能な仮説だ。Paper Instruments が首位に立つ6つのスイートのうち4つでは、最大の差は JobBench と FrontierFinance で、この2つは実際の成果物作業に最も近い。エージェントループとリサーチのタスクである APEX-Agents 1.1 と DiligenceBench では、Gemini 3.8 Flash と Claude Fable 5 が首位で、Ultramarine 1 Flash は3位だ。

未解決なのは、どちらのモデルが優れているかではない。Paper Instrumentsの誰も書いていない文書に触れたとき、成果物を生み出す振る舞いが生き残るかどうかだ。同社は、まさにそのテストを招くのに十分な詳細さで手法を公開しているが、同社のAPIを経由せずに誰かがそれを実行できるようにする重みは公開していない。これらの事実はどちらも根幹に関わるものであり、すぐに変わりそうなのはそのうち一方だけだ。

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。