Ultramarine 1 Flash 対 GPT-5.6 Luna：同じスコアボードに決して登場しない2つのモデル

この組み合わせについてまず気づくべきなのは、ベンダー自身のチャートから欠けているものだ。Paper Instrumentsは2026年10月14日にUltramarine 1 Flashを公開し、6つのベンチマーク表と、30あまりのモデル構成を網羅するコスト対品質プロットを添えた。GPT-5.6 Lunaはそのプロットに載っていない。低エフォートでも、中エフォートでも、最大エフォートでもない。その兄弟にあたるGPT-5.6 Solはどのエフォートレベルにも載っており、GPT-6 Lunaというモデルはタスクあたり0.11ドルで58.3として載っている。GPT-5.6 Lunaはまったく登場しない。そして反対側では、Artificial AnalysisにGPT-5.6 Lunaの項目がある——インテリジェンス指数37、完了タスクあたり0.18ドル、毎秒115.4出力トークン——が、Ultramarine 1 Flashの項目は一切ない。3か月違いでリリースされた2つのモデルは、どちらも安価で大量処理の作業を狙ったものであり、第三者が一方を、もう一方を含むベンチマークで測定したことは一度もない。

その不在こそが比較である。GPT-5.6 Luna は、GPT-5.6 ファミリーのうち OpenAI の高速でコスト効率に優れたティアであり、2026年7月9日にリリースされ、10種類の評価を合成した指標における独立したスコアを備えている。Ultramarine 1 Flash は GLM-5.3 Flash の強化学習によるポストトレーニングであり、価格は100万トークンあたり入力 $0.15／出力 $0.50 で、回答ではなく Excel ワークブック、スライドデッキ、Word メモを作成するために作られており、製造元の数値しか伴っていない。以下はすべて、その対置から何を結論でき、何を結論できないかについてである。

2つのレコードが実際に位置する場所

Lunaの数値は、OpenAI自身のAPI上でArtificial Analysisが測定したものです。Ultramarineの数値は、Paper Instrumentsが公表した料金と同社が公表した評価によるもので、コンテキストの数値は技術レポートのトレーニング設定から取られています。

• 独立したスコア — 最大エフォート時のIntelligence Index 37、同クラス148モデル中4位（GPT-5.6 Luna）に対し、Ultramarine 1 Flashはいかなる種類の独立した評価もなし。

料金表上の入力価格は、100万トークンあたり$0.20 対 $0.15。Paper Instrumentsのモデルは、入力段階で25%安い。

• 出力価格 — 100万あたり$1.20 対 $0.50。2.4倍で、この組み合わせの中で最も大きな差。

• キャッシュ済み入力 — Luna は100万あたり0.02ドル（90%オフ）、対して0.03ドル（80%オフ）。1セント差で、OpenAIに有利。

• コンテキスト — Luna の料金表では 1,050,000 トークン、Ultramarine のトレーニング構成では 131,072。ウィンドウは 8 倍で、差が大きく開いている唯一の項目だ。

• 最大出力 — 128,000トークン 対 非公開

• 完了したタスクあたりの実測コスト — Intelligence Index における Luna（最大エフォート）で $0.18、PI Knowledge Work における Ultramarine 1 Flash で $0.13。2つの異なるスイート、2種類の異なるタスク、比較可能に見えてそうではない2つの数字。

• 最初のトークン — OpenAI の API 上で最大エフォート設定の Luna が 121.46 秒。同じ価格帯の中央値は 1.85 秒。Ultramarine 1 Flash については、いかなる形式でも公開されていない。

最初のトークンに2分——なぜそれが欠陥ではなく設定なのか

その121.46秒という数値は、それ自体のセクションを設ける価値がある。実際にはパラメータであるのに、欠陥として引用されてしまいがちな類の数値だからだ。

GPT-5.6 Lunaは最大推論エフォートでは、何かを出力する前に熟考を実行する。Intelligence Indexでは、いったん開始すると毎秒115.4出力トークンを生成し、スイートを完了するまでに合計1億5,000万出力トークンを生成する — 冗長性では同クラス60モデル中41位で、Artificial Analysisは、中央値9,500万に対してやや冗長だと評している。Indexスコア37は、その最大設定で測定されている。

モデルは設定可能なエフォートに対応している。つまり、開始までに2分かかる同じ重みを、より低いスコアで即座に応答するレベルに切り替えられる。OpenAIはArtificial Analysisの記録でエフォート別の内訳を公開していないため、その低下幅は非公開だ。デフォルトの呼び出しは37をいくらか下回るが、その差はOpenAIの外部では誰も測っていない。100件の安価な呼び出しがそれぞれ短いものを下書きするファンアウト段階では、それが適切な設定だ。チェーンの最後にある単一の難しいタスクには、最大エフォートが適切だ。どちらも同じモデルであり、どちらも設定を誤っていない。

Ultramarine 1 Flashはレイテンシの数値も、スループットの数値も、初回トークンまでの時間も公表していない。その技術レポートは、学習と評価を行った動作範囲——131,072トークンのコンテキスト、エージェントループの250ターン上限、ウィンドウの85%時点または残り30,000トークンでトリガーされるコンパクション——を開示している。そして、自身のワーキングメモリをコンパクト化するために作られたハーネスは、長時間ジョブ向けに作られたハーネスである。それはタスクの形に関する推論であり、速度に関する証拠ではない。正直な立場は、この比較の一方には測定されたレイテンシ問題があり、他方には測定が存在しない、というものだ。

成果物ベンチマークが測れること、知能インデックスには測れないこと

二つのモデルが決して顔を合わせないのは、スケジュールの偶然ではない。ベンチマークは意図的に異なるものを測っているのだ。

Lunaに37を与えるIntelligence Indexは、AA-Briefcase、GDPval-AA、AutomationBenchなど10の評価を組み合わせた複合指標であり、それぞれに採点者が確認できる解答がある。それによって再現可能になり、どのモデルにも利害関係を持たない評価者がそれを実行し、誰にとっても比較可能な数値を公表できるのである。

PI Knowledge Workが作られたのは、まさにプロフェッショナルな仕事の再現可能な部分は、重要な部分ではないからだ。デューデリジェンス・メモはコンパイルできない。取締役会向け資料に単体テストはない。生きた予測を内部に含む価格設定モデルは、多肢選択式の採点者には見えない形で誤る。だからこそPaper Instrumentsは代わりにルーブリックを書いた。タスクごとに一つずつ、各評価基準は、唯一の答えを要求するものとしてではなく、許容される答えの上に引かれた境界線として描かれた。その報告書は、3つの正解のうち2つを却下してしまう過剰適合した基準と、3つの不正解を受け入れてしまう曖昧な基準を対比し、その後、書き直された版がその境界に一致することを示している。これは、なぜこれが難しいのかの公正な実証であり、単一のルーブリックのスコアがどれほどの重みを持つべきかについての公正な警告でもある。

結果として得られた数字にどれほどの価値があるか、端的に言おう。Ultramarine 1 Flash はそのスイートで 59.3 を記録し、タスクあたり $0.13 だ。Luna のより大きな兄弟である GPT-5.6 Sol は $2.09 で 55.1 を記録し、Paper Instruments の 6 つの表すべてに登場する — JobBench では Ultramarine の 62.9 に対して 45.4、FrontierFinance では 53.3 に対して 46.8、APEX-Agents 1.1 では 57.0 に対して 51.5。ベンダーは、そのスイートが Artificial Analysis Intelligence Index と r = 0.81 で相関していると報告している。これは重い数字であり、また又聞きの数字でもある。第三者が Ultramarine 1 Flash を何かで走らせたことはない。

両側で同じ方法で測定される比較

この組み合わせにおいて、どちらの側の数値も相手側の方法論に依存しない測定カテゴリーはただ一つしかない。トークン効率だ。単一のスイート内で、単一のハーネスによって測定される。

Artificial Analysisは、GPT-5.6 LunaがIntelligence Indexを完了するのに1億5,000万出力トークンを記録し、同クラスの中央値である9,500万トークンを58%上回っていると報告している。この数値は1タスクあたり0.18ドルの背景にあり、大量に書き出す高速モデルは完成したタスクを購入するための最も安価な方法ではない。そして、冗長性ランキングがその理由を可視化している。

Paper Instrumentsは自社モデルについて正反対の主張をしており、しかもそれを断言ではなく検証可能な形で行っている。同社の6つのベンチマークすべてにおいて、Ultramarine 1 Flashは、事後学習の出発点となったモデルであるGLM-5.3 Flashより出力トークンが6.5%少なかった——推論を含めて3050万対3270万——一方で、6つすべてでより高いスコアを出した。その比較の両側は同じタスクにおける同じハーネスなので、ここでの他のすべてに付きまとう批判にはさらされない。また、これはただで手に入る方向ではない。事後学習の実行は、静かになるのと同じくらい頻繁に饒舌にもなる。

出力トークンが請求額の大半を占めている人にとって、それはこのリリースで最も応用の利く事実だ。これは Ultramarine 1 Flash が GPT-5.6 Luna より倹約的だと言っているのではない。基礎モデルごとに二者のうち短い方という関係が、社外の誰も再現していないスイート上で成り立った、と言っているのだ。

自分でテストを実行する

GPT-5.6 LunaはOrcaRouter上で提供されており、100万トークンあたり入力$0.20、出力$1.20で、エフォートレベルはリクエストごとに設定されます。これはプロバイダーの定価をそのまま適用したもので、トークンごとの上乗せは一切ありません。これは、価格がすでに一度動いたモデルにとって重要な点です——OpenAIが年初に適用した80%削減が、誰も契約を再交渉することなくここに反映されています。同じエンドポイントからはGPT-5.6 Sol、Claude Fable 5、DeepSeek V4 Flash、GLM-5.3 Flashにもアクセスでき、最後のGLM-5.3 FlashはUltramarine 1 Flashの学習元となったベースモデルで、同一の$0.15 / $0.50の料金表で提供されています。

Ultramarine 1 Flash は当社のカタログにはなく、そこへ至る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。この非対称性こそが、この比較の実践的な形です。この2つのモデルのうち一方は、背後にルーティングされたフォールバックを備え、目の前に計測済みの p50 がある状態で、今日から本番経路に組み込めます。もう一方は、ベンダーのエンドポイント上でパイロットし、その出力そのもので判断することになります。

実行する価値のあるテストはどれか、しかもそれは安価だ。同じ文書バッチを両方に送る——Lunaのデフォルトのエフォート設定と最大設定で——そして成果物と請求書を比較する。専門家の主張の要点は、その出力には手直しがより少なくて済むという点にある。それは半日で測定でき、誰も共通のスコアボードを公開していないペアリングを決着させる唯一の証拠だ。

知られていることと知られていないこととして述べられた立場

出典付きの既知情報：GPT-5.6 Lunaは、検証可能な10件の評価から構築された指数で37点を獲得し、完了したタスク1件あたり$0.18、1,050,000トークンのウィンドウを持ち、その37点を獲得するエフォートレベルでは最初のトークンに2分強かかることがある。トークン単価は安く、その階層としては高性能であり、Artificial Analysis自身の測定によれば、同クラスのモデルより58%多く書く傾向がある。

開発元による報告、未再現：Ultramarine 1 Flashは、金融・法務・コンサルティング・オペレーションの成果物をルーブリックで採点するスイートで59.3を記録し、タスクあたり0.13ドル。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。さらに、生成トークンを6.5%削減しながら、6つすべてのスイートで自身のベースモデルを上回る。

不明：そうしたもののいずれかが、Paper Instruments の誰も書いていない文書でも生き残るのか、負荷時におけるモデルのレイテンシがどうなるのか、そしてベンダーのページにある「モデルの重みは近日公開」という一文が実際のリリースにつながるのかどうか。

そこから勝者を選び出す記事は、勝者を捏造しているにすぎない。はっきりと言えるのは、コミットする前に検証済みのスコアが必要なら、この組み合わせの中でそれを持っているのは GPT-5.6 Luna だけだということ、そしてあなたの仕事が答えではなく成果物であるなら、興味深い主張はまったくもう一方の側にあり、検証のために報酬を受け取っていない者による検証は誰も行っていないということだ。

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。