Ultramarine 1 Flash vs Gemini 3.5 Flash-Lite: dostarczanie artefaktu i odpowiadanie na pytanie to dwa różne produkty

Zacznij od zdania, które kończy spór, a nie od tego, które go zaczyna. Gemini 3.5 Flash-Lite przyjmuje tekst, obrazy, mowę i wideo oraz zwraca tekst. Ultramarine 1 Flash przyjmuje tekst i zwraca skoroszyt Excel, prezentację PowerPoint lub dokument Word, edytowane w miejscu, po odczytaniu z systemów biznesowych, w których żyje ta praca, i zapisaniu do nich. Oba modele są tanie. Model Google'a uzyskuje 22 punkty w Artificial Intelligence Index przy 0,19 USD za ukończone zadanie; Paper Instruments podaje 0,13 USD za zadanie w swoim wewnętrznym zestawie testów. Liczby są na tyle blisko siebie, że opowieść o kosztach to remis, a pozostaje pytanie, czy kupujesz odpowiedź, czy kupujesz rezultat — bo pod tym względem te dwa modele wcale nie działają na tym samym rynku.

Nie zostały również zbudowane w tym samym czasie ani z tego samego powodu. Gemini 3.5 Flash-Lite osiągnął ogólną dostępność w lipcu 2026 r. jako najbardziej opłacalny poziom Google, plasując się na poziomie około jednej piątej ceny 3.6 Flash. Ultramarine 1 Flash został opublikowany 14 października 2026 r. jako potrening GLM-5.3 Flash z użyciem uczenia ze wzmocnieniem, ukierunkowany na gotowy do przekazania klientowi rezultat, a nie na odpowiedź.

Linie specyfikacji po obu stronach

Wartości Ultramarine to opublikowane stawki API Paper Instruments i jego własne opublikowane oceny; wartość kontekstu to konfiguracja treningowa podana w raporcie technicznym. Wartości G​emini to cennik G​oogle'a oraz pomiary Artificial Analysis, oznaczone tam, gdzie stanowią pomiary.

• Cena za tokeny wejściowe — Ultramarine 1 Flash 0,15 USD za milion tokenów w porównaniu z Gemini 3.5 Flash-Lite 0,30 USD. Google jest 2 razy droższy na wejściu.

• Cena za wyjście — 0,50 USD vs 2,50 USD za milion. 5x, i to jest pozycja, w której koszt zadania dokumentowego faktycznie się kumuluje.

• Buforowane dane wejściowe — 0,03 USD za milion (80% zniżki) w porównaniu z 0,03 USD (90% zniżki). Ta sama wartość liczbowa, osiągnięta dzięki różnym zniżkom.

• Okno kontekstowe — 131 072 tokeny w konfiguracji treningowej w porównaniu z 1 048 576. G​oogle ma 8 razy więcej.

• Maksymalna wielkość wyjściowa — nieopublikowana vs 65 536 tokenów.

• Dane wejściowe — praca z tekstem i dokumentami vs tekst, obraz, mowa i wideo.

• Koszt przypadający na jedno ukończone zadanie — 0,13 USD w przypadku PI Knowledge Work vs 0,19 USD w przypadku Intelligence Index. Druga z dwóch liczb we wstępie i ta, z którą trzeba obchodzić się najostrożniej.

• Szybkość generowania — nie podano dla Ultramarine 1 Flash w porównaniu z 425,0 tokenów wyjściowych na sekundę dla Gemini 3.5 Flash-Lite, czwarty najszybszy spośród ... modeli w swojej klasie.

Liczba opóźnienia wewnątrz liczby prędkości

Gemini 3.5 Flash-Lite to jeden z najszybszych modeli, jakie ktokolwiek zmierzył. Ma też jednak wolny start. Artificial Analysis odnotowuje czas do pierwszego tokenu wynoszący 8,13 sekundy w API Google, wobec mediany 1,85 sekundy dla modeli w porównywalnym przedziale cenowym. Po rozpoczęciu model strumieniuje z prędkością 425 tokenów na sekundę, a jego uruchomienie zajmuje osiem sekund.

To nie jest wada; to właściwość ścieżki obsługi i mówi ci, dla jakich obciążeń zaprojektowano ten poziom. Zadanie klasyfikacji wsadowej, potok ekstrakcji, agent działający w tle — żadne z nich nie zauważa ośmiosekundowego startu, a wszystkie czerpią ogromne korzyści z zakończenia odpowiedzi o długości 500 tokenów w około sekundę. Człowiek czekający na odpowiedź w czacie nie zauważa niczego innego. Słowo „Flash” opisuje przepustowość, a nie responsywność, i te dwie rzeczy nie są tym samym pomiarem.

Ultramarine 1 Flash nie ma w ogóle opublikowanych danych dotyczących szybkości lub opóźnienia. Ani od Paper Instruments, ani od żadnej strony trzeciej. Nie ma podstaw, by twierdzić, że jest szybszy lub wolniejszy niż model Google'a, a każdy, kto twierdzi inaczej, wnioskuje na podstawie architektury, a nie odczytuje liczby. To, co raport techniczny rzeczywiście ujawnia, to zakres operacyjny, w którym był trenowany: kontekst 131 072 tokenów, maksymalnie 250 tur w pętli agenta oraz kompaktowanie kontekstu wyzwalane przy 85% okna lub gdy pozostaje 30 000 tokenów — w zależności od tego, co nastąpi pierwsze. Środowisko wykonawcze, które z założenia kompaktuje swój kontekst, to środowisko wykonawcze zbudowane do długiej pracy, która w przeciwnym razie uległaby przepełnieniu — co jest wskazówką co do charakteru jego zadań, a nie pomiarem tego, jak szybko je wykonuje.

To, ile warte jest „zadanie”, zależy od tego, kto napisał benchmark

0,13 USD i 0,19 USD wyglądają na porównywalne, a mierzą różne rzeczy — i właśnie tę część porównania ukryje przed tobą zestawienie obok siebie.

Intelligence Index to kompozyt dziesięciu ewaluacji — matematyka, programowanie, rozumowanie, praca agentowa. Jego zadania mają odpowiedzi, które oceniający może sprawdzić. Wynik 22 modelu Gemini 3.5 Flash-Lite to prawdziwy rezultat od ewaluatora, który nie ma żadnego interesu w tym modelu, a jego 0,19 USD to zmierzony koszt na ukończone zadanie w całym tym zestawie. Google ma również korzystniejszy z dwóch rekordów rozwlekłości: 59 milionów tokenów wyjściowych potrzebnych do ukończenia Intelligence Index, co dało 23. miejsce na 60 i zostało opisane jako dość zwięzłe wobec mediany wynoszącej 95 milionów. To model zaprojektowany tak, aby się nie rozwlekać.

PI Knowledge Work tym nie jest. To zestaw materiałów końcowych gotowych do przekazania klientowi, ocenianych według rubryki napisanej dla każdego zadania, ponieważ memorandum due diligence nie ma poprawnej odpowiedzi, z którą można by je sprawdzić. Ultramarine 1 Flash uzyskuje tam wynik 59,3 przy koszcie 0,13 USD za zadanie, wobec Claude Fable 5 — 57,8 za 8,19 USD — i GPT-5.6 Sol — 55,1 za 2,09 USD. Dostawca podaje, że jego zestaw koreluje z Artificial Analysis Intelligence Index na poziomie r = 0,81 — poważna liczba, ale przekazana z drugiej ręki. Zadanie w jednym zestawie to nie zadanie w drugim: pytanie wymagające rozumowania może liczyć kilkaset tokenów, a prezentacja dla zarządu to długi przebieg agentowy tworzący plik. Te dwie wartości na zadanie nie są jednostkami tego samego, a odejmowanie ich to arytmetyka oparta na błędzie kategorialnym.

To, co przetrwało tę krytykę, jest węższe, ale naprawdę użyteczne. Paper Instruments zmierzyło efektywność tokenową względem czegoś innego niż ono samo: we wszystkich sześciu swoich benchmarkach Ultramarine 1 Flash wygenerował o 6,5% mniej tokenów wyjściowych niż model GLM-5.3 Flash, od którego pochodzi — 30,5 mln wobec 32,7 mln, z uwzględnieniem rozumowania — jednocześnie pokonując go we wszystkich sześciu. Ten sam zestaw, to samo środowisko testowe, obie strony zmierzone. W cenniku opartym na stawce za token model, który pisze mniej przy lepszym wyniku, to zniżka zastosowana dwukrotnie.

Dwa tryby pracy pod jednym klawiszem

Gemini 3.5 Flash-Lite jest obsługiwany przez OrcaRouter w cenie 0,30 USD za milion tokenów wejściowych i 2,50 USD za milion tokenów wyjściowych, czyli cena katalogowa dostawcy przekazywana bezpośrednio, przy czym nic nie jest doliczane za token — więc zmiana stawek Google obowiązuje tu tego samego dnia, bez wdrożenia po naszej stronie. Obok niego znajdują się modele, do których stale odwołuje się to porównanie: GPT-5.6 Sol, Claude Fable 5 i GLM-5.3 Flash, czyli baza, z której wytrenowano Ultramarine 1 Flash — wszystkie są dostępne z tego samego punktu końcowego i przy użyciu tego samego klucza.

Ma to większe znaczenie w przypadku tego zestawienia niż w typowym bezpośrednim porównaniu, ponieważ obciążenie jest mieszane. Potok przetwarzania dokumentów zbudowany wokół okna o rozmiarze miliona tokenów i czterech modalności wejściowych to inny potok niż ten zbudowany wokół agenta tworzącego gotowe rezultaty, a oba zwykle współistnieją w tym samym zespole. Reguła routingu może zatrzymać dane wejściowe ze skanów lub materiałów audiowizualnych na modelu Google i skierować ścieżkę od tekstu do gotowego rezultatu gdzie indziej, z zadeklarowanym mechanizmem awaryjnym, jeśli pierwszy wybór zawiedzie — jedna umowa zamiast dwóch i żadnych zmian w kodzie, gdy zmienisz zdanie co do tego, który model ma dostawać długie zadania.

Sam Ultramarine 1 Flash nie znajduje się w naszym katalogu; obecnie dostęp do niego prowadzi przez własne API dostawcy oraz platformy zewnętrzne, które go odsprzedają.

Jak faktycznie podjąłbym decyzję

Dwie sytuacje, i obie rozwiązują się gładko.

Jeśli dane wejściowe zawierają cokolwiek, co nie jest tekstem — sfotografowaną umowę, nagranie rozmowy, zrzut ekranu, instruktaż wideo — model Google'a jest jedynym z tych dwóch, który może przyjąć takie żądanie. To nie jest preferencja, to granica możliwości, i na tym kończy się porównanie dla tego zadania.

Jeśli tym, za co się płaci, jest wynik — model, prezentacja, notatka, dokument, który ktoś otworzy i będzie edytować — to pytanie brzmi, czy specjalista po treningu końcowym przewyższa efektywnego generalistę, a Ultramarine 1 Flash jest tym specjalistą. Dowody na to pochodzą od dostawcy, z benchmarków dostawcy, dzień po premierze, i należy je czytać jako hipotezę, a nie ustalenie. Jest to jednak konkretna i testowalna hipoteza: w czterech z sześciu zestawów, w których Paper Instruments prowadzi, największe przewagi występują w JobBench i FrontierFinance, dwóch najbliższych rzeczywistej pracy nad materiałami końcowymi; w APEX-Agents 1.1 i DiligenceBench, które są zadaniami z pętlą agentową oraz zadaniami badawczymi, prowadzą Gemini 3.8 Flash i Claude Fable 5, a Ultramarine 1 Flash plasuje się na trzecim miejscu.

Nierozstrzygnięta pozostaje nie kwestia tego, który model jest lepszy, lecz to, czy zachowanie polegające na tworzeniu produktów końcowych przetrwa zetknięcie z dokumentami, których nikt w Paper Instruments nie napisał. Firma opublikowała swoją metodę z wystarczającą szczegółowością, by wprost zaprosić do takiego właśnie testu, ale nie opublikowała wag, które pozwoliłyby komuś uruchomić ją bez korzystania z jej API. Oba te fakty mają kluczowe znaczenie, a tylko jeden z nich prawdopodobnie szybko się zmieni.

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.