Ultramarine 1 Flash: Paper Instruments lança um modelo entregável a US$ 0,13 por tarefa

A Paper Instruments publicou Ultramarine 1 Flash em 14 de outubro de 2026, e o número com que a empresa abre não é uma pontuação de benchmark. É um preço: US$ 0,13 para concluir uma tarefa no PI Knowledge Work, o conjunto interno de trabalhos de finanças, jurídico, consultoria e operações da firma. O modelo que custa US$ 8,19 para concluir a mesma tarefa — Claude Fable 5 no raciocínio máximo — obtém 57,8 ali. O Ultramarine 1 Flash obtém 59,3. Leia esse par da forma como o fornecedor o enquadra e você tem um modelo que supera um sistema de fronteira a cerca de um sessenta e três avos do custo. Leia com mais atenção e você tem algo mais restrito e mais interessante: um modelo criado para um tipo específico de resultado, com preço na tarifa cobrada pelo seu próprio modelo base, e com o benchmark que comprova isso escrito pela empresa que o vende.

Vale a pena declarar o modelo base desde o início, porque ele explica a maior parte do preço. Ultramarine 1 Flash é um pós-treinamento do GLM-5.3 Flash, o modelo multimodal nativo de 320B no total / 18B ativos da Z.ai, aprimorado por meio de aprendizado por reforço em larga escala, em vez de ter sido construído do zero. Suas tarifas de API são US$ 0,15 por milhão de tokens de entrada, US$ 0,03 de entrada em cache e US$ 0,50 de saída — idênticas às do GLM-5.3 Flash, que é o que significa "o mesmo que GLM-5.3 Flash" no bloco de preços do próprio fornecedor.

O que foi entregue e o que ainda é uma promessa

Duas coisas são verdadeiras no dia do lançamento, e a lacuna entre elas é a história que boa parte da cobertura vai achatar.

A API Ultramarine está no ar. Você pode enviar trabalho para ela hoje e pagar as tarifas acima. A página de destino tem um link para ela sob uma linha simples "Ultramarine API →".

Os pesos, não. A mesma página diz “Pesos do modelo em breve”, e o relatório técnico descreve o GLM-5.3 Flash como “um forte modelo base aberto” — o que é uma afirmação sobre o modelo base, não sobre o derivado. O Ultramarine 1 Flash é, neste momento, um endpoint hospedado fechado com intenção de pesos abertos. Se ele acabará sendo genuinamente aberto é a maior questão em aberto sobre ele, e é aquela que muitos resumos de segunda mão já responderam por suposição, em vez de por verificação.

O que foi aberto no dia do lançamento é o andaime. O harness de agente Feather, que é aquilo dentro do qual o modelo foi treinado e no qual é avaliado, é publicado como um repositório. Também são publicados paper-docx, paper-pptx e paper-xlsx, os forks da Paper Instruments das bibliotecas padrão do Python para Office, que o modelo usa para criar pastas de trabalho do Excel, apresentações do PowerPoint e documentos do Word. Esses forks existem porque, segundo a própria empresa, usar python-docx e esbarrar em lacunas de API, cair no OOXML e criar erros silenciosos e regressões.

Os seis benchmarks, incluindo os dois que ele perde

Paper Instruments avaliados em seis suítes. O Ultramarine 1 Flash lidera quatro delas e não lidera em duas, o que é um resumo mais útil do que a média.

• JobBench — 62,9 para o Ultramarine 1 Flash, à frente do Gemini 3.8 Flash, com 60,6, e do DeepSeek V4.1 Flash, com 60,4, enquanto o Claude Fable 5 fica em 57,4 e o GPT-5.6 Sol em 45,4.

• PI Knowledge Work, a suíte interna — 59,3, à frente do Claude Fable 5 com 57,8 e do GPT-5.6 Sol com 55,1.

• FrontierFinance — 53,3, à frente do GLM-5.3 Flash, com 50,7, e do Gemini 3.8 Flash, com 50,0.

• AutomationBench — segundo. DeepSeek V4.1 Flash leva com 51,3 contra 50,2 do Ultramarine.

• DiligenceBench — terceiro. Gemini 3.8 Flash lidera com 53,1, Claude Fable 5 é o segundo com 52,9, Ultramarine 1 Flash está com 50,6.

• APEX-Agents 1.1 — terceiro. Gemini 3.8 Flash com 64,3 e Claude Fable 5 com 63,6, ambos o superam; Ultramarine 1 Flash está em 57,0, ainda bem à frente de GPT-5.6 Sol com 51,5 e DeepSeek V4.1 Flash com 39,5.

O padrão nas perdas é consistente e vale a pena nomear: Ultramarine 1 Flash é mais forte quando o entregável é um documento e mais fraco quando a tarefa é um loop de agente ao vivo sobre sistemas. DiligenceBench é uma avaliação de agente de pesquisa de ações; APEX-Agents é uma suíte agêntica. AutomationBench é automação. Os dois benchmarks que sua própria publicadora criou em torno de entregáveis de escritório são os dois em que ele vence pela margem mais ampla.

Por que as pontuações parecem assim

Quase todo trabalho profissional não é verificável por um parser. Um memorando de diligência não compila e uma apresentação para o conselho não tem testes unitários, então não existe regex que diga se um está certo. Esse é o problema que a Paper Instruments se propôs a atacar, e sua resposta é citável palavra por palavra: “escalamos a síntese de tarefas não verificáveis por todo o trabalho de conhecimento agêntico.”

O mecanismo é um currículo. Quatro domínios — finanças, direito, consultoria, operações — se desdobram em 19 áreas de prática e 88 tipos distintos de ambiente, cada um dos quais amostra uma taxonomia de eixos: formato de entrega, conflitos de fontes, partes interessadas, estágio da transação. A empresa situa o espaço de configuração nominal em algum ponto entre 10⁷ e 10¹⁰ combinações por área de prática, o que é tanto uma defesa contra o colapso de modo quanto uma alegação de escala. Cada ambiente é um espaço de trabalho real: um sistema de arquivos construído a partir de documentos da SEC EDGAR, relatórios de analistas e contratos sintetizados, além de sistemas de registro vivos — ERP, CRM, WMS, MES, GRC — acessados por meio de MCP, HTTP e CLI.

A avaliação é onde isso fica incomum. Cada tarefa vem com uma rubrica, e cada critério é escrito para traçar uma fronteira sobre respostas aceitáveis, em vez de exigir uma resposta. O exemplo prático do próprio relatório contrasta um critério sobreajustado que rejeita duas de três respostas corretas com um critério vago que aceita três erradas, e então mostra a versão reescrita correspondendo à fronteira. Os entregáveis são analisados e encaminhados a um avaliador de rubrica — o pacote de código aberto da empresa, com GPT-5.6 Terra como modelo juiz. O treinamento ocorreu em um contexto de 131.072 tokens, com um teto de 250 turnos de agente e compactação em 85% da janela.

Esse design é a origem tanto do resultado quanto da ressalva. É a razão pela qual um modelo tão barato consegue pontuar perto de um sistema de fronteira em trabalho com documentos: a distribuição de tarefas foi fabricada para se assemelhar a trabalho com documentos. É também a razão pela qual os números precisam de uma etiqueta anexada. Estes são os benchmarks do próprio fornecedor, avaliados pelo próprio juiz do fornecedor, em tarefas que o fornecedor escreveu. A Paper Instruments informa que o PI Knowledge Work se correlaciona com o Artificial Analysis Intelligence Index em r = 0,81, o que é um número sério e uma resposta parcial — mas uma correlação do lado do fornecedor ainda está do lado do fornecedor. Nenhum terceiro publicou ainda uma avaliação independente do Ultramarine 1 Flash, e o modelo tem apenas um dia.

A afirmação que não se sustenta no gráfico

O aspeto mais defensável do lançamento é também o menos citado: o modelo gera 6,5% menos tokens de saída do que o seu modelo base nos seis benchmarks. 30,5 milhões contra 32,7 milhões, incluindo raciocínio. Numa fatura por tarefa, essa é a diferença entre um modelo mais barato e um modelo mais barato que também é mais barato de executar, e é o tipo de engenharia que aparece numa fatura, e não num leaderboard.

A afirmação que não se sustenta bem é a da fronteira custo-qualidade. No PI Knowledge Work, o GPT-6 Luna, com raciocínio máximo, marca 58,3 a US$ 0,11 por tarefa. A melhor marca do Ultramarine 1 Flash é 59,3 a US$ 0,13. Um ponto e dois centavos é uma diferença estreita o bastante para que “fica na fronteira custo-qualidade no ponto de preço mais atraente” seja uma declaração de posicionamento, e não um fato — o que o próprio gráfico do fornecedor, para seu crédito, exibe para quem lê além da entrada de destaque. Um modelo um ponto atrás, por dois centavos menos, é uma alternativa genuína para trabalho em volume, e a versão honesta deste lançamento é que o Ultramarine 1 Flash está na frente de um pequeno grupo, em vez de sozinho numa fronteira.

Onde se encaixa, se você quiser chamar assim

Ultramarine 1 Flash não é um modelo de uso geral e não finge ser. É texto que entra e um livro do Excel, uma apresentação do PowerPoint ou um documento do Word que saem, com a capacidade de agir dentro de um sistema empresarial enquanto o faz. Se a sua carga de trabalho é um documento, esta é agora uma das formas credíveis mais baratas de o produzir.

Ultramarine 1 Flash não está no nosso catálogo. O modelo a partir do qual ele foi pós-treinado é: o GLM-5.3 Flash é servido no OrcaRouter a $0,15 de entrada e $0,50 de saída por milhão de tokens com nada acrescentado por token, e a tarifa é o preço de tabela do provedor repassado diretamente, então se a Z.ai mudar o número, o número servido muda junto no mesmo dia. Isso importa mais do que o normal para um lançamento como este, porque todo o argumento do Ultramarine 1 Flash é uma aritmética feita em cima da tabela de preços de um modelo base. Separadamente, quatro dos modelos com os quais ele é comparado — GPT-5.6 Sol, DeepSeek V4.1 Flash, Gemini 3.8 Flash e Kimi K3 — são acessíveis pelo mesmo endpoint, o que significa que você pode pôr à prova a comparação do fornecedor usando os seus próprios documentos, e não os deles.

O que mudaria a avaliação

Três coisas, em ordem decrescente de quanto importariam.

Uma avaliação independente numa suíte que ninguém na Paper Instruments escreveu. O fornecedor abriu caminho para isso ao publicar a correlação com um índice de terceiros; o próximo passo é outra pessoa publicar a pontuação.

Os pesos. "Em breve" é um espaço reservado e, até que isso se resolva, "modelo aberto" é uma descrição de intenção que o lançamento não comprova. Se eles forem liberados, um modelo com 18B de parâmetros ativos ajustado para trabalho com documentos passa a ser algo que você mesmo pode rodar, e o valor de US$ 0,13 deixa de ser a única forma de comprar essa capacidade.

Um benchmark que ele não vence por construção. As quatro suítes que ele lidera mostram que ele é bom naquilo para que foi treinado. As duas em que ele fica atrás mostram onde um agente geral ainda supera um especialista. Qualquer pessoa que esteja planejando um pipeline de agente jurídico ou financeiro deveria ler essas duas linhas e a linha de $0,13 em conjunto, e decidir qual delas descreve sua carga de trabalho.

É também em comparações como esta que os modos de falha aparecem: os incidentes de IA documentados e as falhas de agentes por trás dos modelos desta classe são reunidos no OrcaRouter AI Incident Archive, onde cada entrada traz as suas próprias fontes, severidade, grau de confiança e sinalizador de disputa.