Ultramarine 1 Flash vs Gemini 3.5 Flash-Lite: Entregar um Artefato e Responder a uma Pergunta São Dois Produtos Diferentes

Comece pela frase que encerra o argumento, e não pela que o inicia. Gemini 3.5 Flash-Lite aceita texto, imagens, fala e vídeo e devolve texto. Ultramarine 1 Flash recebe texto e devolve uma pasta de trabalho do Excel, uma apresentação do PowerPoint ou um documento do Word, editados no próprio local, depois de ter lido e gravado nos sistemas empresariais em que o trabalho vive. Ambos são baratos. O modelo do Google obtém 22 no Artificial Intelligence Index a US$ 0,19 por tarefa concluída; a Paper Instruments relata US$ 0,13 por tarefa em sua própria suíte interna. Os números são próximos o bastante para que a história do custo seja um empate, e o que resta é a questão de saber se você está comprando uma resposta ou comprando uma entrega — porque, nessa questão, esses dois modelos não estão no mesmo mercado de forma alguma.

Eles também não foram construídos ao mesmo tempo nem pelo mesmo motivo. O Gemini 3.5 Flash-Lite alcançou disponibilidade geral em julho de 2026 como o nível mais econômico do Google, custando cerca de um quinto do preço do 3.6 Flash. O Ultramarine 1 Flash foi publicado em 14 de outubro de 2026 como um pós-treinamento de aprendizado por reforço do GLM-5.3 Flash, voltado para um entregável pronto para o cliente, em vez de uma resposta.

As linhas de especificação, ambos os lados

Os valores da Ultramarine são as taxas de API publicadas da Paper Instruments e as suas próprias avaliações publicadas; o seu valor de contexto é a configuração de treinamento declarada no relatório técnico. Os valores do G​emini são a tabela de preços do G​oogle mais as medições da Artificial Analysis, rotulados onde são medições.

• Preço de entrada — Ultramarine 1 Flash $0,15 por milhão de tokens vs Gemini 3.5 Flash-Lite $0,30. O G​oogle é 2x mais caro na entrada.

• Preço de saída — US$ 0,50 vs US$ 2,50 por milhão. 5x, e é nesta linha que o custo de uma tarefa de documento realmente se acumula.

• Entrada em cache — $0,03 por milhão (80% de desconto) vs $0,03 (90% de desconto). O mesmo número absoluto, alcançado por descontos diferentes.

• Janela de contexto — 131.072 tokens na configuração de treinamento vs 1.048.576. O Google tem 8x mais.

• Saída máxima — não publicado vs 65.536 tokens.

• Entradas — trabalho com texto e documentos vs. texto, imagem, fala e vídeo.

• Custo por tarefa concluída — US$ 0,13 no PI Knowledge Work vs. US$ 0,19 no Intelligence Index. O segundo dos dois números na abertura, e aquele com o qual é preciso ter mais cuidado.

• Velocidade de saída — não divulgada para o Ultramarine 1 Flash vs. 425,0 tokens de saída por segundo para o Gemini 3.5 Flash-Lite, o quarto mais rápido entre 148 modelos de sua categoria.

O número de latência dentro do número de velocidade

Gemini 3.5 Flash-Lite é um dos modelos mais rápidos que alguém já mediu. Também demora a começar. Artificial Analysis registra um tempo até o primeiro token de 8,13 segundos na própria API do G​oogle, em comparação com uma mediana de 1,85 segundos para modelos em uma faixa de preço comparável. O modelo faz streaming a 425 tokens por segundo assim que começa e leva oito segundos para iniciar.

Isso não é um defeito; é uma propriedade do caminho de atendimento, e indica para quais cargas de trabalho o nível foi projetado. Um trabalho de classificação em lote, um pipeline de extração, um agente em segundo plano — nenhum deles nota uma inicialização de oito segundos, e todos se beneficiam enormemente de concluir uma resposta de 500 tokens em cerca de um segundo. Um humano esperando por uma resposta de chat não nota mais nada. A palavra "Flash" descreve a taxa de transferência, não a capacidade de resposta, e as duas não são a mesma medida.

O Ultramarine 1 Flash não tem nenhum dado publicado de velocidade ou latência. Nem da Paper Instruments, nem de qualquer terceiro. Não há base para afirmar que ele é mais rápido ou mais lento que o modelo do Google, e quem diz o contrário está inferindo a partir da arquitetura em vez de ler um número. O que o relatório técnico divulga é o envelope operacional dentro do qual ele foi treinado: um contexto de 131.072 tokens, um máximo de 250 turnos no loop do agente e compactação de contexto acionada a 85% da janela ou quando restarem 30.000 tokens, o que ocorrer primeiro. Um harness que compacta o próprio contexto por design é um harness feito para trabalhos longos que, de outra forma, transbordariam — o que é uma pista sobre o formato das suas tarefas e não uma medição de quão rapidamente ele as produz.

Quanto vale uma "tarefa" depende de quem escreveu o benchmark

O $0,13 e o $0,19 parecem comparáveis e medem coisas diferentes, e esta é a parte da comparação que uma tabela lado a lado vai esconder de você.

O Intelligence Index é um composto de dez avaliações — matemática, programação, raciocínio, trabalho agêntico. Suas tarefas têm respostas que um corretor pode verificar. O 22 do Gemini 3.5 Flash-Lite é uma pontuação real de um avaliador sem interesse no modelo, e seu US$ 0,19 é um custo medido por tarefa concluída nessa suíte. O G​oogle também tem o mais lisonjeiro dos dois registros de verbosidade: 59 milhões de tokens de saída para concluir o Intelligence Index, classificado em 23º de 60 e descrito como bastante conciso em comparação com uma mediana de 95 milhões. Esse é um modelo projetado para não divagar.

O PI Knowledge Work não é isso. É um conjunto de entregáveis prontos para o cliente, avaliados segundo uma rubrica criada para cada tarefa, porque um memorando de due diligence não tem uma resposta correta com a qual conferir. O Ultramarine 1 Flash obtém 59,3 nesse conjunto, a US$ 0,13 por tarefa, contra o Claude Fable 5, com 57,8, a US$ 8,19, e o GPT-5.6 Sol, com 55,1, a US$ 2,09. O fornecedor relata que seu conjunto se correlaciona com o Artificial Analysis Intelligence Index em r = 0,81 — um número sério, e de segunda mão. Uma tarefa em um conjunto não é uma tarefa no outro: uma questão de raciocínio pode ter algumas centenas de tokens, e uma apresentação para o conselho é uma longa execução agêntica que produz um arquivo. As duas cifras por tarefa não são unidades da mesma coisa, e subtraí-las é fazer aritmética sobre um erro de categoria.

O que sobrevive a essa crítica é mais restrito, mas genuinamente útil. A Paper Instruments mediu a eficiência de tokens em relação a algo diferente de si mesma: em todos os seis benchmarks dela, o Ultramarine 1 Flash emitiu 6,5% menos tokens de saída do que o modelo GLM-5.3 Flash do qual descende — 30,5 milhões contra 32,7 milhões, incluindo raciocínio — enquanto o superava em cada um dos seis. Mesma suíte, mesmo harness, ambos os lados medidos. Em uma tabela de tarifas por token, um modelo que escreve menos para um resultado melhor é um desconto aplicado duas vezes.

Dois modelos de funcionamento numa única chave

O Gemini 3.5 Flash-Lite é servido no OrcaRouter a $0,30 de entrada e $2,50 de saída por milhão de tokens, o preço de tabela do provedor repassado diretamente, com nada acrescentado por token — então uma mudança de tarifa do Google entra em vigor aqui no mesmo dia, sem necessidade de um deploy do nosso lado. Ao lado dele estão os modelos a que esta comparação se refere o tempo todo: GPT-5.6 Sol, Claude Fable 5 e GLM-5.3 Flash, o modelo base a partir do qual o Ultramarine 1 Flash foi treinado, todos acessíveis a partir do mesmo endpoint e da mesma chave.

Isso importa mais para este emparelhamento do que para um confronto direto típico, porque a carga de trabalho é mista. Um pipeline de documentos construído em torno de uma janela de um milhão de tokens e quatro modalidades de entrada é um pipeline diferente de um construído em torno de um agente que produz entregáveis, e os dois geralmente coexistem na mesma equipe. Uma regra de roteamento pode manter entradas digitalizadas ou audiovisuais no modelo do Google e enviar o caminho de texto para entregável para outro lugar, com um fallback declarado caso a primeira escolha falhe — um contrato em vez de dois, e nenhuma alteração de código quando você mudar de ideia sobre qual modelo recebe os trabalhos longos.

O próprio Ultramarine 1 Flash não está no nosso catálogo; a via de acesso hoje é a API própria do fornecedor e as plataformas de terceiros que o revendem.

Como eu realmente decidiria

Duas situações, e elas se resolvem de forma limpa.

Se a entrada contiver algo que não seja texto — um contrato fotografado, uma gravação de chamada, uma captura de tela, um vídeo walkthrough — o modelo do Google é o único dos dois que consegue aceitar a solicitação. Isso não é uma preferência, é um limite de capacidade, e encerra a comparação para essa carga de trabalho.

Se o resultado é aquilo pelo que se paga — um modelo, uma apresentação, um memorando, um documento que uma pessoa vai abrir e editar —, então a questão passa a ser se um especialista pós-treinado supera um generalista eficiente, e o Ultramarine 1 Flash é o especialista. A evidência para isso é do fornecedor, nos benchmarks do fornecedor, um dia após o lançamento, e deve ser encarada como uma hipótese e não como uma constatação. Mas é uma hipótese específica e testável: nos quatro dos seis conjuntos de testes em que a Paper Instruments lidera, as maiores margens verificam-se no JobBench e no FrontierFinance, os dois mais próximos do trabalho entregável real; no APEX-Agents 1.1 e no DiligenceBench, que são tarefas de loop de agente e de pesquisa, Gemini 3.8 Flash e Claude Fable 5 lideram, e Ultramarine 1 Flash fica em terceiro lugar.

A questão não resolvida não é qual modelo é melhor. É se o comportamento de produção de entregáveis sobrevive ao contato com documentos que ninguém na Paper Instruments escreveu. A empresa publicou seu método com detalhes suficientes para convidar exatamente esse teste, e não publicou os pesos que permitiriam a alguém executá-lo sem passar por sua API. Ambos esses fatos são fundamentais, e apenas um deles provavelmente mudará em breve.

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.