Ultramarine 1 Flash vs GPT-5.6 Luna: Dois Modelos Que Nunca Aparecem no Mesmo Placar

A primeira coisa a notar sobre este pareamento é o que está ausente do gráfico do próprio fornecedor. A Paper Instruments publicou o Ultramarine 1 Flash em 14 de outubro de 2026 com seis tabelas de benchmark e um gráfico de custo-qualidade cobrindo trinta e tantas configurações de modelo. GPT-5.6 Luna não está no gráfico. Nem com esforço baixo, nem médio, nem máximo. Seu irmão GPT-5.6 Sol está lá em todos os níveis de esforço; um modelo chamado GPT-6 Luna está lá em 58,3 por US$ 0,11 por tarefa; GPT-5.6 Luna não aparece de forma alguma. E do outro lado, a Artificial Analysis tem uma entrada para GPT-5.6 Luna — Índice de Inteligência 37, US$ 0,18 por tarefa concluída, 115,4 tokens de saída por segundo — e nenhuma entrada para o Ultramarine 1 Flash. Dois modelos lançados com três meses de diferença, ambos voltados para trabalho barato de alto volume, e nenhum terceiro jamais mediu um deles em um benchmark que contenha o outro.

Essa ausência é a comparação. O GPT-5.6 Luna é a camada rápida e econômica da OpenAI da família GPT-5.6, lançada em 9 de julho de 2026, com uma pontuação independente em um compósito de dez avaliações. O Ultramarine 1 Flash é um pós-treinamento por aprendizado por reforço do GLM-5.3 Flash, com preço de US$ 0,15 de entrada / US$ 0,50 de saída por milhão de tokens, criado para produzir pastas de trabalho do Excel, apresentações de slides e memorandos do Word em vez de respostas, e trazendo apenas os números de seu fabricante. Tudo o que segue trata do que pode e do que não pode ser concluído a partir dessa configuração.

Onde os dois registros realmente ficam

Os números da Luna são medições da Artificial Analysis na própria API da OpenAI. Os da Ultramarine são as taxas publicadas da Paper Instruments e suas próprias avaliações publicadas, com seu valor de contexto retirado da configuração de treinamento em seu relatório técnico.

• Pontuação independente — Índice de Inteligência 37 no esforço máximo, quarto de 148 modelos em sua classe, para o GPT-5.6 Luna vs. nenhuma avaliação independente de qualquer tipo para o Ultramarine 1 Flash.

• Preço de entrada, nas tabelas de tarifas — $0,20 por milhão de tokens vs. $0,15. O modelo Paper Instruments é 25% mais barato na entrada.

• Preço de saída — US$ 1,20 vs US$ 0,50 por milhão. 2,4x, a maior diferença do par.

• Entrada em cache — US$ 0,02 por milhão (90% de desconto) para Luna vs US$ 0,03 (80% de desconto). Um centavo de diferença, a favor da OpenAI.

• Contexto — 1.050.000 tokens na tabela de preços da Luna vs 131.072 na configuração de treinamento da Ultramarine. Oito vezes a janela, e a única linha em que a diferença não é pequena.

• Saída máxima — 128.000 tokens vs. não publicado.

• Custo medido por tarefa concluída — US$ 0,18 no Intelligence Index para o Luna (esforço máximo) vs US$ 0,13 no PI Knowledge Work para o Ultramarine 1 Flash. Dois conjuntos diferentes, dois tipos diferentes de tarefa, dois números que parecem comparáveis e não são.

• Primeiro token — 121,46 segundos para o Luna em esforço máximo na API da OpenAI, em comparação com uma mediana de 1,85 segundos para sua faixa de preço; não publicado para o Ultramarine 1 Flash de nenhuma forma.

O primeiro token de dois minutos, e por que é uma configuração e não uma falha

Esse número de 121,46 segundos merece uma seção própria, porque é o tipo de número que é citado como defeito quando na verdade é um parâmetro.

GPT-5.6 Luna, com esforço máximo de raciocínio, executa sua deliberação antes de emitir qualquer coisa. No Intelligence Index, ele produz 115,4 tokens de saída por segundo assim que começa e 150 milhões de tokens de saída no total para concluir a suíte — 41º de 60 em sua classe em verbosidade, descrito pela Artificial Analysis como um tanto verboso em comparação com uma mediana de 95 milhões. A pontuação do Intelligence Index de 37 é medida nessa configuração máxima.

O modelo suporta esforço configurável, o que significa que os mesmos pesos que levam dois minutos para começar podem ser ajustados para um nível que responde imediatamente, com uma pontuação mais baixa. A OpenAI não publica nenhum detalhamento por nível de esforço no registro da Artificial Analysis, então a magnitude dessa queda não é divulgada — uma chamada padrão fica em algum ponto abaixo de 37, por uma margem que ninguém fora da OpenAI mediu. Para uma etapa de fan-out em que cem chamadas baratas rascunham algo curto cada uma, essa é a configuração certa. Para a única tarefa difícil no fim de uma cadeia, o esforço máximo é o certo. Ambos são o mesmo modelo e nenhum dos dois está mal configurado.

Ultramarine 1 Flash não publica nenhum valor de latência, nenhum valor de throughput e nenhum tempo até o primeiro token. Seu relatório técnico, porém, divulga o envelope operacional dentro do qual foi treinado e avaliado — 131.072 tokens de contexto, um limite de 250 turnos no loop do agente, compactação acionada em 85% da janela ou quando restam 30.000 tokens — e um harness criado para compactar sua própria memória de trabalho é um harness criado para tarefas longas. Isso é uma inferência sobre o formato da tarefa, não evidência sobre velocidade, e a posição honesta é que um lado desta comparação tem um problema de latência medido e o outro lado não tem medição.

O que um benchmark de entregáveis mede que um índice de inteligência não consegue medir

O motivo pelo qual os dois modelos nunca se encontram não é um acidente de agendamento. Os benchmarks medem coisas diferentes de propósito.

O Intelligence Index que dá à Luna o seu 37 é um composto de dez avaliações — AA-Briefcase, GDPval-AA, AutomationBench e outras — cada uma com respostas que um corretor pode verificar. É isso que o torna reproduzível, e é por isso que um avaliador sem qualquer interesse em nenhum modelo pode executá-lo e publicar um número comparável para todos.

O PI Knowledge Work foi construído precisamente porque as partes reproduzíveis do trabalho profissional não são as partes que importam. Um memorando de due diligence não compila. Uma apresentação para o conselho não tem testes unitários. Um modelo de precificação com uma previsão em tempo real dentro dele estará errado de uma forma que um corretor de múltipla escolha não consegue ver. Então a Paper Instruments escreveu rubricas, uma por tarefa, cada critério traçado como uma fronteira sobre respostas aceitáveis, em vez de como uma exigência de uma única. Seu relatório contrasta um critério sobreajustado que rejeita duas de três respostas corretas com um vago que aceita três erradas, depois mostra a versão reescrita correspondendo à fronteira — o que é uma demonstração justa de por que isso é difícil e um aviso justo sobre quanto peso uma única pontuação de rubrica deve ter.

O que os números resultantes valem, dito sem rodeios: o Ultramarine 1 Flash pontua 59,3 nessa suíte a US$ 0,13 por tarefa. O GPT-5.6 Sol, o irmão maior de Luna, pontua 55,1 a US$ 2,09, e aparece em todas as seis tabelas do Paper Instruments — 45,4 no JobBench contra os 62,9 do Ultramarine, 46,8 no FrontierFinance contra 53,3, 51,5 no APEX-Agents 1.1 contra 57,0. O fornecedor informa que sua suíte se correlaciona com o Artificial Analysis Intelligence Index em r = 0,81, o que é um número considerável e de segunda mão. Nenhum terceiro executou o Ultramarine 1 Flash em nada.

A comparação que é medida da mesma forma em ambos os lados

Há exatamente uma classe de medição neste pareamento em que o número de nenhum dos lados depende da metodologia do outro: eficiência de tokens, medida dentro de uma única suíte por um único harness.

Artificial Analysis registra o GPT-5.6 Luna em 150 milhões de tokens de saída para completar o Intelligence Index, 58% acima da mediana de 95 milhões para a sua classe. Esse número está por trás dos US$ 0,18 por tarefa — um modelo rápido que escreve muito não é a forma mais barata de comprar uma tarefa concluída, e o ranking de verbosidade torna o motivo visível.

A Paper Instruments faz a alegação oposta sobre o seu próprio modelo, e fá-lo de uma forma que é verificável em vez de apenas afirmada. Em todos os seus seis benchmarks, o Ultramarine 1 Flash emitiu 6,5% menos tokens de saída do que o GLM-5.3 Flash, o modelo a partir do qual foi pós-treinado — 30,5 milhões contra 32,7 milhões, incluindo raciocínio —, ao mesmo tempo que obteve pontuação mais alta em cada um dos seis. Ambos os lados dessa comparação são o mesmo harness nas mesmas tarefas, pelo que não é vulnerável à crítica que paira sobre tudo o resto aqui. É também a direção que não vem de graça: as execuções de pós-treinamento ficam tão frequentemente mais tagarelas quanto mais silenciosas.

Para quem tem a fatura dominada por tokens de saída, esse é o fato mais transferível do lançamento. Ele não diz que o Ultramarine 1 Flash é mais econômico que o GPT-5.6 Luna. Ele diz que a relação “o mais curto dos dois pelo modelo base” se manteve, em uma suíte que ninguém fora da empresa reproduziu.

Executando o teste você mesmo

O GPT-5.6 Luna está disponível no OrcaRouter a $0,20 de entrada e $1,20 de saída por milhão de tokens, com o nível de esforço definido por solicitação. Esse é o preço de tabela do provedor repassado com nada acrescentado por token, o que importa para um modelo cujo preço já mudou uma vez — o corte de 80% que a OpenAI aplicou no início do ano está refletido aqui sem que ninguém renegocie um contrato. O mesmo endpoint alcança GPT-5.6 Sol, Claude Fable 5, DeepSeek V4 Flash e GLM-5.3 Flash, sendo que o último é a base a partir da qual o Ultramarine 1 Flash foi treinado e é servido na tabela de preços idêntica de $0,15 / $0,50.

O Ultramarine 1 Flash não está no nosso catálogo; o caminho até ele é a API do próprio fornecedor e as plataformas de terceiros que o revendem. Essa assimetria é a forma prática desta comparação. Um destes dois modelos, você pode colocar em um caminho de produção hoje, com um fallback roteado por trás dele e um p50 medido à sua frente. O outro, você testa no endpoint do fornecedor e julga pela própria saída.

Qual é o teste que vale a pena rodar, e ele é barato: envie o mesmo lote de documentos para os dois, no esforço padrão da Luna e no máximo, e compare os artefatos e as faturas. Todo o argumento do especialista é que a saída dele precisa de menos retrabalho. Isso é mensurável em uma tarde e é a única evidência que resolveria um pareamento no qual ninguém publicou um placar compartilhado.

A posição, declarada como o que é conhecido e o que não é.

Conhecido, com uma fonte: o GPT-5.6 Luna obtém 37 pontos em um índice construído a partir de dez avaliações verificáveis, a US$ 0,18 por tarefa concluída, com uma janela de 1.050.000 tokens e um primeiro token que pode levar pouco mais de dois minutos no nível de esforço que rende os 37. Ele é barato por token, capaz para o seu nível e — segundo a própria medição da Artificial Analysis — inclinado a escrever 58% mais do que seus pares.

Relatado por seu criador, não reproduzido: o Ultramarine 1 Flash obtém 59,3 em uma suíte avaliada por rubrica de entregáveis de finanças, jurídico, consultoria e operações a US$ 0,13 por tarefa, contra US$ 8,19 para o Claude Fable 5, com 57,8, e US$ 2,09 para o GPT-5.6 Sol, com 55,1, e supera seu próprio modelo base em todas as seis suítes, enquanto gera 6,5% menos tokens.

Desconhecido: se algo disso sobrevive a um documento que ninguém da Paper Instruments escreveu, como é a latência do modelo sob carga e se a linha "Model weights coming soon" na página do fornecedor se concretiza numa versão de facto.

Qualquer artigo que, a partir disso, escolha um vencedor inventou um. O que se pode dizer com clareza é que, se precisa de uma pontuação verificada antes de se comprometer, o GPT-5.6 Luna é o único modelo deste par que tem uma, e, se o seu trabalho é um entregável e não uma resposta, a alegação interessante está inteiramente do outro lado e não foi testada por ninguém que não tenha sido pago para a testar.

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.