Ultramarine 1 Flash: Paper Instruments выпускает готовую к использованию модель по цене $0.13 за задачу

Paper Instruments опубликовала Ultramarine 1 Flash 14 октября 2026 года, и число, которое компания выносит в заголовок, — это не балл бенчмарка. Это цена: $0,13 за выполнение одной задачи в PI Knowledge Work — внутреннем наборе фирмы для финансовой, юридической, консультационной и операционной работы. Модель, которая стоит $8,19 за выполнение той же задачи, — Claude Fable 5 при максимальном уровне рассуждений — набирает там 57,8. Ultramarine 1 Flash набирает 59,3. Если читать эту пару так, как её подаёт вендор, перед вами модель, которая обходит фронтирную систему примерно за одну шестьдесят треть стоимости. Если прочитать внимательнее, перед вами нечто более узкое и более интересное: модель, созданная для определённого типа результатов, по цене, которую взимает её собственная базовая модель, а бенчмарк, который об этом говорит, написала компания, которая её продаёт.

Базовую модель стоит указать сразу, потому что это объясняет большую часть цены. Ultramarine 1 Flash — это пост-обучение GLM-5.3 Flash, нативной мультимодальной модели от Z.ai с общим числом параметров 320B и 18B активных, улучшенной посредством крупномасштабного обучения с подкреплением, а не созданной с нуля. Тарифы её API составляют $0.15 за миллион входных токенов, $0.03 за кэшированный ввод и $0.50 за вывод — идентично тарифам GLM-5.3 Flash, что и означает «то же самое, что и GLM-5.3 Flash» в собственном блоке цен поставщика.

Что уже выпущено, а что всё ещё остаётся обещанием

В день релиза верны две вещи, и разрыв между ними — это та история, которую множество репортажей сгладит.

Ultramarine API уже работает. Вы можете уже сегодня отправить ему задачи и оплатить по указанным выше тарифам. На лендинге на него ведёт ссылка в виде простой строки «Ultramarine API →».

Веса — нет. На той же странице сказано: «Веса модели скоро появятся», а в техническом отчёте GLM-5.3 Flash описывается как «мощная открытая базовая модель» — это утверждение о базе, а не о производной. Ultramarine 1 Flash в данный момент — это закрытый хостируемый эндпоинт с намерением открыть веса. Станет ли она по-настоящему открытой — это самый крупный открытый вопрос о ней, и именно на него многие вторичные пересказы уже ответили, исходя из предположения, а не из проверки.

Что действительно открыли в день релиза — так это каркас. Агентный харнесс Feather, внутри которого модель обучалась и в котором её оценивают, опубликован как репозиторий. Также опубликованы paper-docx, paper-pptx и paper-xlsx — форки Paper Instruments стандартных библиотек Python для Office, которые модель использует для создания книг Excel, презентаций PowerPoint и документов Word. Эти форки существуют потому, что, по собственному признанию компании, агенты, работающие через python-docx и им подобные библиотеки, «упираются в пробелы в API, сваливаются в сырой OOXML и порождают незаметные повреждения и регрессии».

Шесть тестов, включая два, в которых он проигрывает

Paper Instruments оценили на шести наборах тестов. Ultramarine 1 Flash лидирует в четырёх из них и не лидирует в двух — это более полезное резюме, чем среднее значение.

• JobBench — 62,9 у Ultramarine 1 Flash, что выше, чем у Gemini 3.8 Flash с 60,6 и DeepSeek V4.1 Flash с 60,4, тогда как у Claude Fable 5 — 57,4, а у GPT-5.6 Sol — 45,4.

• PI Knowledge Work, внутренний набор — 59,3, опережая Claude Fable 5 с 57,8 и GPT-5.6 Sol с 55,1.

• FrontierFinance — 53,3, опережая GLM-5.3 Flash с 50,7 и Gemini 3.8 Flash с 50,0.

• AutomationBench — второе место. DeepSeek V4.1 Flash берёт его с 51.3 против 50.2 у Ultramarine.

• DiligenceBench — третье место. Gemini 3.8 Flash лидирует с 53,1, Claude Fable 5 — второй с 52,9, Ultramarine 1 Flash — 50,6.

• APEX-Agents 1.1 — третье место. Gemini 3.8 Flash с 64,3 и Claude Fable 5 с 63,6 оба его превосходят; Ultramarine 1 Flash находится на уровне 57,0 и по-прежнему значительно опережает GPT-5.6 Sol с 51,5 и DeepSeek V4.1 Flash с 39,5.

Закономерность в проигрышах устойчива и заслуживает того, чтобы её назвали: Ultramarine 1 Flash сильнее всего там, где результат — документ, и слабее всего там, где задача — это живой цикл агента поверх систем. DiligenceBench — это оценка агента для анализа акций; APEX-Agents — агентный набор. AutomationBench — это автоматизация. Два бенчмарка, которые его собственный издатель построил вокруг офисных результатов, — это те два, которые он выигрывает с самым большим отрывом.

Почему счёт выглядит так

Почти всю профессиональную работу нельзя проверить парсером. Меморандум по должной осмотрительности не компилируется, а у презентации для совета директоров нет модульных тестов, поэтому не существует регулярного выражения, которое скажет, верна ли она. Именно эту проблему поставила себе целью атаковать Paper Instruments, и ответ — это фраза, которую можно цитировать дословно: «мы масштабируем синтез неверифицируемых задач в агентной работе со знаниями».

Механизм — это учебная программа. Четыре домена — финансы, право, консалтинг, операционная деятельность — разворачиваются в 19 областей практики и 88 различных типов сред, каждый из которых задаёт выборку по таксономии осей: формат итогового документа, конфликты источников, заинтересованные стороны, этап сделки. Компания оценивает номинальное пространство конфигураций где-то между 10⁷ и 10¹⁰ комбинаций на каждую область практики, что в той же мере является защитой от коллапса мод, в какой и заявлением о масштабе. Каждая среда — это реальное рабочее пространство: файловая система, построенная на основе документов SEC EDGAR, аналитических отчётов и синтезированных контрактов, плюс действующие системы учёта — ERP, CRM, WMS, MES, GRC — доступ к которым осуществляется через MCP, HTTP и CLI.

Оценивание — именно здесь всё становится необычным. Каждая задача поставляется с рубрикой, и каждый критерий написан так, чтобы очерчивать границу допустимых ответов, а не требовать одного-единственного. В собственном разобранном примере отчёта переобученный критерий, отвергающий два из трёх правильных ответов, противопоставляется расплывчатому критерию, принимающему три неверных, а затем показывается переписанная версия, соответствующая этой границе. Поставляемые результаты парсятся и передаются оценщику по рубрике — открытому пакету компании, где моделью-судьёй выступает GPT-5.6 Terra. Обучение проходило при контексте в 131,072 токена, с ограничением агента в 250 ходов и компактификацией при 85% окна.

Эта конструкция — источник и результата, и оговорки. Именно поэтому столь дешёвая модель может набирать на работе с документами почти столько же, сколько передовая система: распределение задач было искусственно создано так, чтобы напоминать работу с документами. Это же причина, по которой к этим числам нужна приписка. Это собственные бенчмарки поставщика, оценённые собственным судьёй поставщика, на задачах, которые написал сам поставщик. Paper Instruments сообщает, что PI Knowledge Work коррелирует с Artificial Analysis Intelligence Index при r = 0.81 — это серьёзная цифра и частичный ответ, — но корреляция по ту сторону забора всё равно остаётся по ту сторону забора. Ни одна третья сторона пока не опубликовала независимую оценку Ultramarine 1 Flash, а модели всего один день.

Утверждение, которое не подтверждается на графике

Самое убедительное в этом релизе — и одновременно наименее цитируемое: модель генерирует на 6,5 % меньше выходных токенов, чем её базовая версия, на всех шести бенчмарках. 30 против 32,7, включая рассуждения. В расчёте на одну задачу это разница между более дешёвой моделью и более дешёвой моделью, которая к тому же дешевле в эксплуатации, и это та разновидность инженерии, которая проявляется в счёте, а не в таблице лидеров.

Утверждение, которое не вполне выдерживает проверку, — это граница «стоимость–качество». На PI Knowledge Work GPT-6 Luna при максимальном режиме рассуждений набирает 58,3 при $0,11 за задачу. Лучший результат Ultramarine 1 Flash — 59,3 при $0,13. Разрыв в один балл и два цента достаточно узок, чтобы «находится на границе стоимость–качество в самой привлекательной ценовой точке» было позиционным заявлением, а не фактом, — что, к чести поставщика, указано на его собственной диаграмме для любого, кто читает дальше заголовочной строки. Модель, отстающая на один балл при цене на два цента меньше, — реальная альтернатива для объёмной работы, и честная версия этого релиза такова: Ultramarine 1 Flash находится во главе небольшой группы, а не один на границе.

Там, где это уместно, если это можно так назвать

Ultramarine 1 Flash — не модель общего назначения и не претендует на это. На входе — текст, на выходе — книга Excel, презентация PowerPoint или документ Word, при этом она может действовать внутри бизнес-системы. Если ваша рабочая нагрузка — это документ, то теперь это один из самых дешёвых надёжных способов его создать.

Ultramarine 1 Flash отсутствует в нашем каталоге. Модель, на основе которой он дообучен, — это GLM-5.3 Flash, обслуживаемая на OrcaRouter по цене $0.15 за ввод и $0.50 за вывод за миллион токенов, при этом за токен ничего не добавляется, а тариф — это прайс-лист провайдера, транслируемый напрямую, так что если Z.ai меняет цифру, обслуживаемая цифра меняется вместе с ней в тот же день. Для релиза, подобного этому, это значит больше, чем обычно, потому что весь аргумент Ultramarine 1 Flash — это арифметика, посчитанная по прайс-листу базовой модели. Отдельно: четыре из моделей, с которыми его сравнивают, — GPT-5.6 Sol, DeepSeek V4.1 Flash, Gemini 3.8 Flash и Kimi K3 — доступны с того же эндпоинта, а значит, вы можете проверить сравнение от вендора на собственных документах, а не на их.

Что изменило бы оценку

Три вещи, в порядке убывания того, насколько они были бы значимы.

Одна независимая оценка на наборе тестов, который никто в Paper Instruments не писал. Вендор сам напросился на это, опубликовав корреляцию со сторонним индексом; следующий шаг — чтобы результат опубликовал кто-то другой.

Веса. «Скоро» — это заглушка, и пока она не разрешится, «открытая модель» — это описание замысла, которое релиз не подкрепляет. Если они появятся, модель с 18B активных параметров, настроенная для работы с документами, станет чем-то, что вы сможете запускать сами, и цифра $0.13 перестанет быть единственным способом купить эту возможность.

Бенчмарк, который он не выигрывает в силу самой конструкции. Четыре набора тестов, в которых он лидирует, говорят, что он хорош в том, на чём его обучали. Два, в которых он отстаёт, говорят, где универсальный агент всё ещё превосходит специализированного. Всем, кто планирует конвейер агентов для юридических или финансовых задач, стоит прочитать те две строки и строку с $0.13 вместе и решить, какая из них описывает их рабочую нагрузку.

Подобные сравнения также выявляют режимы отказа: документированные инциденты с ИИ и сбои агентов, стоящие за моделями этого класса, собраны в архиве инцидентов ИИ OrcaRouter, где каждая запись содержит собственные источники, степень серьёзности, оценку достоверности и флаг оспаривания.