Ultramarine 1 Flash vs Gemini 3.5 Flash-Lite: Het leveren van een artefact en het beantwoorden van een vraag zijn twee verschillende producten

Begin met de zin die het argument beëindigt in plaats van degene die het begint. Gemini 3.5 Flash-Lite accepteert tekst, afbeeldingen, spraak en video en retourneert tekst. Ultramarine 1 Flash neemt tekst en retourneert een Excel-werkmap, een PowerPoint-presentatie of een Word-document, ter plaatse bewerkt, nadat het heeft gelezen van en geschreven naar de bedrijfssystemen waarin het werk zich afspeelt. Beide zijn goedkoop. Het model van Google scoort 22 op de Artificial Intelligence Index tegen $0,19 per voltooide taak; Paper Instruments rapporteert $0,13 per taak op zijn eigen interne suite. De cijfers liggen dicht genoeg bij elkaar dat het kostenverhaal een gelijkspel is, en wat overblijft is de vraag of je een antwoord koopt of een eindproduct — want op die vraag bevinden deze twee modellen zich helemaal niet in dezelfde markt.

Ze werden ook niet op hetzelfde moment of om dezelfde reden gebouwd. Gemini 3.5 Flash-Lite werd in juli 2026 algemeen beschikbaar als de meest kostenefficiënte tier van Google, met een prijs van ongeveer een vijfde van die van 3.6 Flash. Ultramarine 1 Flash werd op 14 oktober 2026 gepubliceerd als een reinforcement-learning-post-training van GLM-5.3 Flash, gericht op een klantklaar deliverable in plaats van een antwoord.

De speclijnen, beide zijden

De cijfers van Ultramarine zijn de gepubliceerde API-tarieven van Paper Instruments en zijn eigen gepubliceerde evaluaties; het contextcijfer is de trainingsconfiguratie die in het technisch rapport wordt vermeld. De cijfers van Gemini zijn de tariefkaart van Google plus metingen van Artificial Analysis, waarbij is aangegeven waar het metingen betreft.

• Invoerprijs — Ultramarine 1 Flash $0,15 per miljoen tokens tegenover Gemini 3.5 Flash-Lite $0,30. Google is 2x duurder aan de invoerzijde.

• Outputprijs — $0,50 vs $2,50 per miljoen. 5x, en dit is de post waar de kosten van een documentjob echt oplopen.

• Gecachte invoer — $0,03 per miljoen (80% korting) vs. $0,03 (90% korting). Hetzelfde absolute getal, bereikt via verschillende kortingen.

• Contextvenster — 131.072 tokens in de trainingsconfiguratie vs 1.048.576. G​oogle heeft 8x meer.

• Maximale uitvoer — niet gepubliceerd vs 65.536 tokens.

• Invoer — tekst- en documentwerk vs. tekst, afbeelding, spraak en video.

• Kosten per voltooide taak — $0,13 op PI Knowledge Work vs $0,19 op de Intelligence Index. Het tweede van de twee getallen in de opening, en het getal waarmee je het voorzichtigst moet zijn.

• Outputsnelheid — niet gepubliceerd voor Ultramarine 1 Flash tegenover 425,0 outputtokens per seconde voor Gemini 3.5 Flash-Lite, de vierde snelste van 148 modellen in zijn klasse.

Het latentiegetal binnen het snelheidsgetal

Gemini 3.5 Flash-Lite is een van de snelste modellen die ooit zijn gemeten. Het is ook traag om op gang te komen. Artificial Analysis registreert een tijd tot het eerste token van 8,13 seconden op de eigen API van Google, tegenover een mediaan van 1,85 seconden voor modellen in een vergelijkbare prijsklasse. Het model streamt met 425 tokens per seconde zodra het begint en doet er acht seconden over om te starten.

Dat is geen defect; het is een eigenschap van het serveringspad, en het vertelt je voor welke workloads de tier is ontworpen. Een batchclassificatietaak, een extractiepijplijn, een achtergrondagent — geen van alle merkt een start van acht seconden op, en allemaal profiteren ze enorm van het afronden van een antwoord van 500 tokens in ongeveer een seconde. Een mens die op een chatantwoord wacht, merkt niets anders. Het woord "Flash" beschrijft doorvoer, niet responsiviteit, en die twee zijn niet dezelfde meting.

Ultramarine 1 Flash heeft helemaal geen gepubliceerd cijfer voor snelheid of latentie. Niet van Paper Instruments, niet van een derde partij. Er is geen basis om te beweren dat het sneller of langzamer is dan het model van Google, en iedereen die u iets anders vertelt, concludeert op basis van architectuur in plaats van een getal te lezen. Wat het technisch rapport wel onthult, is het operationele bereik waarbinnen het is getraind: een context van 131.072 tokens, een maximum van 250 beurten in de agentlus, en contextcompactie die wordt geactiveerd bij 85% van het venster of wanneer er 30.000 tokens resteren, wat zich het eerst voordoet. Een harnas dat zijn context bewust compacteert, is een harnas dat is gebouwd voor langdurig werk dat anders zou overlopen — wat een hint is over de vorm van zijn taken en geen meting van hoe snel het ze produceert.

Wat een "taak" waard is, hangt af van wie de benchmark heeft geschreven

De $0,13 en de $0,19 lijken vergelijkbaar en meten verschillende dingen, en dit is het deel van de vergelijking dat een tabel waarin ze naast elkaar staan voor je zal verbergen.

De Intelligence Index is een composiet van tien evaluaties — wiskunde, programmeren, redeneren, agentisch werk. De taken hebben antwoorden die een beoordelaar kan nakijken. De 22 van Gemini 3.5 Flash-Lite is een echte score van een evaluator zonder belang bij het model, en de $0,19 ervan is een gemeten kostprijs per voltooide taak in die suite. G​oogle heeft ook het meest flatteuze van de twee uitvoerigheidsrecords: 59 miljoen outputtokens om de Index te voltooien, op de 23e plaats van 60 en beschreven als tamelijk beknopt tegenover een mediaan van 95 miljoen. Dat is een model dat is ontworpen om niet wijdlopig te zijn.

PI Knowledge Work is dat niet. Het is een suite van klantklare deliverables die worden beoordeeld aan de hand van een rubric die voor elke taak is opgesteld, omdat een due-diligencememo geen juist antwoord heeft om tegen te controleren. Ultramarine 1 Flash scoort daar 59,3 tegen $0,13 per taak, tegenover Claude Fable 5 met 57,8 voor $8,19 en GPT-5.6 Sol met 55,1 voor $2,09. De leverancier meldt dat de suite correleert met de Artificial Analysis Intelligence Index op r = 0,81 — een serieus cijfer, en een uit tweede hand. Een taak in de ene suite is niet een taak in de andere: een redeneervraag kan een paar honderd tokens zijn, en een boarddeck is een lange agentische run die een bestand oplevert. De twee cijfers per taak zijn geen eenheden van hetzelfde ding, en ze van elkaar aftrekken is rekenen met een categoriefout.

Wat die kritiek overleeft, is nauwer maar werkelijk nuttig. Paper Instruments mat token-efficiëntie af tegen iets anders dan zichzelf: over al zijn zes benchmarks genereerde Ultramarine 1 Flash 6,5% minder outputtokens dan het GLM-5.3 Flash-model waarvan het afstamt — 30,5 miljoen tegenover 32,7 miljoen, inclusief redeneertokens — terwijl het op elk van de zes beter presteerde dan dat model. Dezelfde suite, dezelfde harness, beide kanten gemeten. Op een tariefkaart per token is een model dat minder schrijft voor een beter resultaat een dubbele korting.

Twee werkmodellen op één toets

Gemini 3.5 Flash-Lite wordt aangeboden op OrcaRouter voor $0,30 input en $2,50 output per miljoen tokens, de lijstprijs van de provider één-op-één doorgegeven, met niets extra per token — dus een tariefwijziging van G​oogle is hier dezelfde dag live, zonder een deployment aan onze kant. Daarnaast staan de modellen waar deze vergelijking steeds naar verwijst: GPT-5.6 Sol, Claude Fable 5 en GLM-5.3 Flash, de basis waarop Ultramarine 1 Flash is getraind, zijn allemaal bereikbaar via hetzelfde endpoint en dezelfde sleutel.

Dat is voor deze combinatie belangrijker dan voor een typische head-to-head-vergelijking, omdat de werklast gemengd is. Een documentpijplijn die rond een venster van een miljoen tokens en vier invoermodaliteiten is gebouwd, is een andere pijplijn dan een die rond een agent is gebouwd die opleverbare resultaten produceert, en beide bestaan meestal naast elkaar in hetzelfde team. Een routeringsregel kan gescande of audiovisuele invoer op het model van Google houden en het traject van tekst naar opleverbaar resultaat elders naartoe sturen, met een aangegeven terugvaloptie als de eerste keuze mislukt — één contract in plaats van twee, en geen codewijziging wanneer je van gedachten verandert over welk model de langdurige taken krijgt.

Ultramarine 1 Flash zelf staat niet in onze catalogus; de toegangsroute is vandaag de dag de eigen API van de leverancier en de platforms van derden die het doorverkopen.

Hoe ik daadwerkelijk zou beslissen

Twee situaties, en die lossen netjes op.

Als de invoer iets bevat dat geen tekst is — een gefotografeerd contract, een gespreksopname, een schermafbeelding, een videowalkthrough — is het model van Google het enige van de twee dat het verzoek kan accepteren. Dat is geen voorkeur, het is een capaciteitsgrens, en het beëindigt de vergelijking voor die werkbelasting.

Als de output het product is waarvoor wordt betaald — een model, een deck, een memo, een document dat iemand zal openen en bewerken — dan wordt de vraag of een post-getrainde specialist een efficiënte generalist verslaat, en Ultramarine 1 Flash is de specialist. Het bewijs daarvoor is van de leverancier, op de benchmarks van de leverancier, één dag na de release, en het moet worden gelezen als een hypothese, niet als een bevinding. Maar het is een specifieke en testbare hypothese: in de vier van de zes suites waarin Paper Instruments leidt, zijn de grootste marges op JobBench en Frontier, de twee die het dichtst bij echt op te leveren werk liggen; op APEX-Agens 1.1 en DiligenceBench, wat agent-loop- en onderzoekstaken zijn, leiden Gemini 3.8 Flash en Claude Fable 5 en staat Ultramarine 1 Flash op de derde plaats.

De onopgeloste vraag is niet welk model beter is. Het is of het gedrag dat opleveringen produceert, contact overleeft met documenten die niemand bij Paper Instruments heeft geschreven. Het bedrijf heeft zijn methode gedetailleerd genoeg gepubliceerd om precies die test uit te lokken, en heeft de gewichten niet gepubliceerd waarmee iemand het zou kunnen draaien zonder via zijn API te gaan. Beide feiten zijn cruciaal, en slechts één ervan zal waarschijnlijk binnenkort veranderen.

Vergelijkingen zoals deze zijn ook waar de faalmodi aan het licht komen: de gedocumenteerde AI-incidenten en agentfouten achter modellen in deze klasse zijn verzameld in het OrcaRouter AI Incident Archive , waar elke vermelding zijn eigen bronnen, ernstgraad, betrouwbaarheidsgraad en betwist-markering bevat.