Ultramarine 1 Flash: Paper Instruments udostępnia gotowy do wdrożenia model za 0,13 USD za zadanie

Paper Instruments opublikowało Ultramarine 1 Flash 14 października 2026 r., a liczba, którą firma wysuwa na pierwszy plan, nie jest wynikiem benchmarku. To cena: 0,13 USD za wykonanie jednego zadania w PI Knowledge Work, wewnętrznym zestawie zadań firmy z zakresu finansów, prawa, doradztwa i operacji. Model, którego wykonanie tego samego zadania kosztuje 8,19 USD — Claude Fable 5 w trybie maksymalnego rozumowania — uzyskuje tam 57,8. Ultramarine 1 Flash uzyskuje 59,3. Odczytaj tę parę tak, jak ujmuje ją dostawca, a masz model, który przewyższa system czołowy przy mniej więcej jednej sześćdziesiątej trzeciej kosztu. Odczytaj to uważniej, a otrzymasz coś węższego i ciekawszego: model zbudowany pod konkretny rodzaj wyników, wyceniony według stawki, jaką pobiera jego własny model bazowy, z benchmarkiem, który to potwierdza, napisanym przez firmę, która go sprzedaje.

Warto na wstępie wspomnieć o modelu bazowym, ponieważ wyjaśnia on większość ceny. Ultramarine 1 Flash to potreningowa wersja GLM-5.3 Flash, natywnego modelu multimodalnego od Z.ai o 320B całkowitych / 18B aktywnych parametrach, ulepszonego poprzez wielkoskalowe uczenie ze wzmocnieniem, a nie zbudowanego od podstaw. Jego stawki API wynoszą 0,15 USD za milion tokenów wejściowych, 0,03 USD za buforowane wejście i 0,50 USD za wyjście — identyczne jak w GLM-5.3 Flash, co właśnie oznacza „takie same jak GLM-5.3 Flash” w firmowym bloku cenowym dostawcy.

Co zostało dostarczone, a co jest wciąż obietnicą

W dniu premiery prawdziwe są dwie rzeczy, a różnica między nimi to historia, którą wiele relacji spłaszczy.

Ultramarine API już działa. Możesz już dziś zlecać mu zadania i płacić według powyższych stawek. Strona docelowa linkuje do niego pod zwykłą linią „Ultramarine API →”.

Wag nie ma. Ta sama strona mówi: „Wagi modelu już wkrótce”, a raport techniczny opisuje GLM-5.3 Flash jako „silny otwarty model bazowy” — co jest stwierdzeniem o modelu bazowym, a nie o modelu pochodnym. Ultramarine 1 Flash jest w tej chwili zamkniętym hostowanym punktem końcowym z zamiarem udostępnienia otwartych wag. Czy ostatecznie będzie naprawdę otwarty, to największe otwarte pytanie na jego temat, i to właśnie na nie wiele podsumowań z drugiej ręki odpowiedziało już założeniem, a nie sprawdzeniem.

To, co zostało udostępnione jako open source w dniu premiery, to szkielet. Feather agent harness — to, w czym model był trenowany i w czym jest oceniany — został opublikowany jako repozytorium. Podobnie opublikowano paper-docx, paper-pptx i paper-xlsx — forki standardowych bibliotek Office dla Pythona należące do Paper Instruments, których model używa do tworzenia skoroszytów Excel, prezentacji PowerPoint i dokumentów Word. Te forki istnieją, ponieważ — jak sama firma przyznaje — agenci używający python-docx i podobnych bibliotek „natrafiają na luki w API, schodzą do surowego OOXML i powodują ciche uszkodzenia oraz regresje”.

Sześć benchmarków, w tym dwa, które przegrywa

Paper Instruments oceniono na sześciu zestawach testowych. Ultramarine 1 Flash prowadzi w czterech z nich, a w dwóch nie prowadzi, co jest użyteczniejszym podsumowaniem niż średnia.

• JobBench — 62,9 dla Ultramarine 1 Flash, przed Gemini 3.8 Flash z 60,6 i DeepSeek V4.1 Flash z 60,4, przy czym Claude Fable 5 uzyskał 57,4, a GPT-5.6 Sol 45,4.

• PI Knowledge Work, wewnętrzny zestaw — 59,3, wyprzedzając Claude Fable 5 z 57,8 i GPT-5.6 Sol z 55,1.

• FrontierFinance — 53,3, wyprzedzając GLM-5.3 Flash z wynikiem 50,7 i Gemini 3.8 Flash z wynikiem 50,0.

• AutomationBench — drugie miejsce. DeepSeek V4.1 Flash zdobywa je z wynikiem 51,3 wobec 50,2 Ultramarine.

• DiligenceBench — trzecie miejsce. Gemini 3.8 Flash prowadzi z wynikiem 53,1, Claude Fable 5 jest drugi z 52,9, Ultramarine 1 Flash ma 50,6.

• APEX-Agents 1.1 — trzecie miejsce. Gemini 3.8 Flash z 64,3 i Claude Fable 5 z 63,6 oba je wyprzedzają; Ultramarine 1 Flash ma 57,0 i wciąż znacznie wyprzedza GPT-5.6 Sol z 51,5 i DeepSeek V4.1 Flash z 39,5.

Wzorzec w stratach jest spójny i wart nazwania: Ultramarine 1 Flash jest najsilniejszy tam, gdzie rezultatem ma być dokument, a najsłabszy tam, gdzie zadaniem jest działająca w czasie rzeczywistym pętla agenta operująca na systemach. DiligenceBench to ewaluacja agenta do analiz akcji; APEX-Agents to zestaw testów agentowych. AutomationBench to automatyzacja. Dwa benchmarki, które jego własny wydawca zbudował wokół rezultatów biurowych, to dwa, w których wygrywa największą przewagą.

Dlaczego wyniki wyglądają w ten sposób?

Niemal całej pracy zawodowej nie da się zweryfikować parserem. Notatka z due diligence się nie kompiluje, a prezentacja dla zarządu nie ma testów jednostkowych, więc nie istnieje żaden regex, który powie, czy któreś z nich jest poprawne. To problem, który Paper Instruments obrał sobie za cel zaatakować, a jego odpowiedź można przytoczyć dosłownie: „skalujemy syntezę nieweryfikowalnych zadań w całej pracy wiedzowej opartej na agentach”.

Mechanizm ten to program nauczania. Cztery domeny — finanse, prawo, doradztwo, operacje — rozwijają się w 19 obszarów praktyki i 88 odrębnych typów środowisk, z których każdy próbkuje taksonomię osi: format produktu końcowego, konflikty źródeł, interesariuszy, etap transakcji. Firma określa nominalną przestrzeń konfiguracji na gdzieś między 10⁷ a 10¹⁰ kombinacji na obszar praktyki, co jest w równym stopniu obroną przed mode collapse, co twierdzeniem o skali. Każde środowisko to rzeczywista przestrzeń robocza: system plików zbudowany z dokumentów SEC EDGAR, raportów analitycznych i syntetycznych umów, a także działające systemy referencyjne — ERP, CRM, WMS, MES, GRC — dostępne przez MCP, HTTP i CLI.

Ocenianie to obszar, w którym staje się to nietypowe. Każde zadanie jest dostarczane z rubryką, a każde kryterium jest napisane tak, by zakreślać granicę akceptowalnych odpowiedzi, a nie wymagać jednej konkretnej. Opracowany przykład w samym raporcie przeciwstawia nadmiernie dopasowane kryterium, które odrzuca dwie z trzech poprawnych odpowiedzi, kryterium niejasnemu, które akceptuje trzy błędne, a następnie pokazuje przepisaną wersję zgodną z tą granicą. Dostarczane prace są parsowane i przekazywane oceniającemu według rubryki — firmowemu pakietowi open source, z GPT-5.6 Terra jako modelem sędziowskim. Trening przebiegał przy kontekście 131 072 tokenów, z limitem 250 tur agenta i kompakcją przy 85% okna.

Ta konstrukcja jest źródłem zarówno wyniku, jak i zastrzeżenia. To dlatego tak tani model może uzyskać wynik zbliżony do systemu typu frontier w pracy z dokumentami: rozkład zadań został wytworzony tak, aby przypominał pracę z dokumentami. To także powód, dla którego te liczby wymagają dołączenia etykiety. To własne benchmarki dostawcy, oceniane przez własnego sędziego dostawcy, na zadaniach napisanych przez dostawcę. Paper Instruments podaje, że PI Knowledge Work koreluje z Artificial Analysis Intelligence Index na poziomie r = 0,81, co jest poważną liczbą i częściową odpowiedzią — ale korelacja po stronie dostawcy wciąż jest po stronie dostawcy. Żadna strona trzecia nie opublikowała jeszcze niezależnej oceny Ultramarine 1 Flash, a model ma zaledwie jeden dzień.

Twierdzenie, które nie zachodzi na wykresie

Najbardziej niepodważalna rzecz w tym wydaniu jest też najmniej cytowana: model generuje o 6,5% mniej tokenów wyjściowych niż jego wersja bazowa we wszystkich sześciu testach porównawczych. 30,5 miliona wobec 32,7 miliona, łącznie z rozumowaniem. W przeliczeniu na zadanie to różnica między tańszym modelem a tańszym modelem, który jest również tańszy w eksploatacji, i to jest ten rodzaj inżynierii, który widać w rozliczeniu, a nie w rankingu.

Twierdzenie, które nie do końca się broni, dotyczy granicy koszt–jakość. W PI Knowledge Work GPT-6 Luna przy maksymalnym poziomie rozumowania uzyskuje 58,3 przy 0,11 USD na zadanie. Najlepszy wynik Ultramarine 1 Flash to 59,3 przy 0,13 USD. Jeden punkt i dwa centy to tak wąska różnica, że stwierdzenie „plasuje się na granicy koszt–jakość w najbardziej atrakcyjnym punkcie cenowym” jest komunikatem pozycjonującym, a nie faktem — co jego własny wykres dostawcy — na plus dla niego — pokazuje każdemu, kto czyta dalej niż nagłówkowy wpis. Model o punkt gorszy, ale o dwa centy tańszy, jest prawdziwą alternatywą dla pracy masowej, a uczciwa wersja tego ogłoszenia jest taka, że Ultramarine 1 Flash znajduje się na czele niewielkiej grupy, a nie samotnie na granicy.

Gdzie to pasuje, jeśli chcesz to tak nazwać

Ultramarine 1 Flash nie jest modelem ogólnego przeznaczenia i nie udaje, że nim jest. Na wejściu tekst, a na wyjściu skoroszyt Excel, prezentacja PowerPoint lub dokument Word, z możliwością działania wewnątrz systemu biznesowego w trakcie tego procesu. Jeśli Twoim obciążeniem pracą jest dokument, to jest to obecnie jeden z najtańszych wiarygodnych sposobów jego wytworzenia.

Ultramarine 1 Flash nie znajduje się w naszym katalogu. Model, na którym został dostrojony, to: GLM-5.3 Flash jest udostępniany na OrcaRouter w cenie 0,15 USD za wejście i 0,50 USD za wyjście za milion tokenów, z niczym nie doliczanym za token, a stawka to cena katalogowa dostawcy przekazywana bezpośrednio, więc jeśli Z.ai zmieni tę liczbę, udostępniana liczba zmieni się wraz z nią jeszcze tego samego dnia. Ma to większe znaczenie niż zwykle w przypadku premiery takiej jak ta, ponieważ cała argumentacja przemawiająca za Ultramarine 1 Flash to arytmetyka wykonana względem cennika modelu bazowego. Osobno cztery z modeli, z którymi jest porównywany — GPT-5.6 Sol, DeepSeek V4.1 Flash, Gemini 3.8 Flash i Kimi K3 — są dostępne z tego samego endpointu, co oznacza, że możesz poddać porównanie dostawcy testowi na własnych dokumentach, a nie na ich.

Co zmieniłoby ocenę?

Trzy rzeczy, w malejącej kolejności wagi.

Jedna niezależna ocena na zestawie, którego nikt z Paper Instruments nie napisał. Dostawca zaprosił do tego, publikując korelację z indeksem strony trzeciej; następnym krokiem jest opublikowanie wyniku przez kogoś innego.

Wagi. „Wkrótce” to tekst zastępczy, a dopóki się to nie wyjaśni, „otwarty model” to opis zamiaru, którego wydanie nie potwierdza. Jeśli wagi się pojawią, model o 18 mld aktywnych parametrów dostrojony do pracy z dokumentami stanie się czymś, co możesz uruchomić samodzielnie, a kwota 0,13 USD przestanie być jedynym sposobem na kupienie tej możliwości.

Benchmark, którego nie wygrywa z założenia. Cztery zestawy, w których prowadzi, mówią, że jest dobry w tym, na czym był trenowany. Dwa, w których pozostaje w tyle, mówią, gdzie ogólny agent wciąż pokonuje specjalistę. Każdy, kto planuje pipeline agentów prawnych lub finansowych, powinien przeczytać te dwa wiersze razem z wierszem $0,13 i zdecydować, który z nich opisuje swoje obciążenie.

Właśnie przy takich porównaniach ujawniają się też tryby awarii: udokumentowane incydenty związane z AI i awarie agentów stojące za modelami z tej klasy zebrano w Archiwum Incydentów AI OrcaRouter, gdzie każdy wpis ma własne źródła, wagę, ocenę wiarygodności i flagę sporu.