Ultramarine 1 Flash против Claude Haiku 4.5: два показателя стоимости за задачу, которые измеряют не одно и то же

Обе модели в этом сравнении публикуют стоимость за задачу, и возникает соблазн поставить эти числа рядом и вычесть одно из другого. Paper Instruments сообщает, что Ultramarine 1 Flash выполняет задачу за $0,13. Artificial Analysis измеряет Claude Haiku 4.5 в его конфигурации рассуждений — $0,28 за выполненную задачу Intelligence Index. Одно число составляет меньше половины другого, и если бы это была вся картина, на решение ушло бы десять секунд. Но это не вся картина, потому что эти два показателя взяты из разных наборов тестов, которые просят модель делать разные вещи, и понимание того, какой набор ближе к вашей работе, и есть всё сравнение. Сами тарифы различаются ещё сильнее: $0,15 за миллион входных токенов и $0,50 за выходные у модели от Paper Instruments против $1,00 и $5,00 у модели Anthropic — разрыв в 6,7 раза по входу и в 10 раз по выходу.

Есть вторая асимметрия. У Claude Haiku 4.5 есть опубликованная оценка от лаборатории, которая не является его создателем. У Ultramarine 1 Flash есть опубликованная оценка от компании, которая его обучила, на наборе тестов, который построила эта компания. Оба факта здесь важнее, чем любое отдельное число из бенчмарка, и ни один из них не виден при прямом сравнении.

Две тарифные карты и строка, которая не совпадает на обеих

Показатели Ultramarine — это опубликованные цены на API от Paper Instruments и её собственные опубликованные оценки. Цены Claude Haiku 4.5 — это тарифная сетка Anthropic; показатели его оценок — это измерения Artificial Analysis, помеченные как таковые.

• Ввод — Ultramarine 1 Flash $0,15 за миллион токенов против Claude Haiku 4.5 $1,00. Модель Anthropic стоит в 6,7 раза дороже на входе.

• Кэшированный ввод — $0,03 против $0,10 за миллион: скидка 90% на стороне A​nthropic против скидки 80% на стороне Paper Instruments. Абсолютный разрыв остаётся широким, а пропорциональный сокращается.

• Вывод — $0,50 против $5,00 за миллион. 10x, и именно здесь разница реально даёт о себе знать, потому что работа с документами генерирует огромный объём вывода.

• Контекст — 131 072 токена в конфигурации обучения, указанной в техническом отчёте, против 200 000 в тарифной карте Haiku. У Anthropic примерно в 1,5 раза больше.

• Максимальный объём вывода — не публикуется Paper Instruments, против 64 000 токенов для Claude Haiku 4.5. Одна пустая ячейка в списке.

• Входные данные — Claude Haiku 4.5 принимает загрузки текста, изображений и файлов. Ultramarine 1 Flash создан для работы с текстом и документами; его базовая модель, GLM-5.3 Flash, изначально мультимодальна, но Paper Instruments не публикует список модальностей для производной модели.

• Измеренная стоимость на выполненную задачу — $0,13 в PI Knowledge Work для Ultramarine 1 Flash против $0,28 в Intelligence Index для Claude Haiku 4.5 (с рассуждением). Цифры, которые люди будут приводить друг другу. В следующем разделе объясняется, почему они не в одних и тех же единицах измерения.

Что на самом деле охватывает каждая оценка

Опубликованные данные Claude Haiku 4.5 существуют в двух конфигурациях, и их стоит различать, потому что результат поиска обычно покажет вам не ту. Artificial Analysis указывает конфигурацию без рассуждений с индексом интеллекта 15 и 87,3 выходных токена в секунду. Конфигурация с рассуждениями — та, для которой приводится показатель стоимости за задачу, и та, которую эта статья использует на протяжении всего текста, — показывает индекс интеллекта 17, 90,0 выходных токена в секунду, $1,00 за входные и $5,00 за выходные на миллион, 90% скидку за кэш, $0,28 за выполненную задачу Index и 78 миллионов выходных токенов многословности. Её контекстное окно — 200 000 токенов при дате отсечки знаний июль 2025 года, и она принимает текст и изображения.

Intelligence Index собирается из оценок по математике, программированию, рассуждению и агентным сценариям. Ни один из его компонентных тестов не требует от модели создать презентацию для совета директоров, меморандум по due diligence или модель в Excel с динамическим прогнозом внутри, потому что у таких артефактов нет единственно правильного ответа, а бенчмарку, который бы их оценивал, понадобилась бы отдельная рубрика для каждой задачи.

Именно это и создала Paper Instruments, и именно поэтому сравнение не может быть вычитанием. PI Knowledge Work — это набор готовых к передаче клиенту результатов в области финансов, права, консалтинга и операционной деятельности, оцениваемых задача за задачей по авторским рубрикам моделью рубричного оценивания. Ultramarine 1 Flash набирает там 59,3 при $0,13 за задачу. Оценка 59,3 по рубрике для документальных результатов и оценка 17 по индексу математики и программирования — это несопоставимые величины. Показатель стоимости — тоже, поскольку задача в одном наборе может быть на порядок длиннее, чем задача в другом.

Что это сопоставление действительно подтверждает, так это более узкий, но всё ещё полезный вывод. Claude Haiku 4.5 был измерен кем-то, кто не имеет в этом никакой заинтересованности, на тестах, которые никто в A​nthropic не разрабатывал. Ultramarine 1 Flash — не измерялся. Это не критика в адрес цифр Paper Instruments — компания раскрывает свою методологию с необычной подробностью — но это разница в типе предлагаемых доказательств, и покупатель, выносящий этот выбор на рассмотрение комитета по рискам, сразу на это наткнётся.

Где Claude Haiku 4.5 бесспорно побеждает

Три места, и ни одно из них не о том, чтобы быть умнее.

Мультимодальность — это самое очевидное. Отсканированный документ, скриншот сломанной таблицы, белая доска — всё это подаётся в Claude Haiku 4 через интерфейс, который поддерживает это без изменений уже год. Ultramarine 1 Flash опирается на базовую модель, которая читает изображения и видео, но производитель не публикует список модальностей для её производной, и ни один пример в техническом отчёте не строится на изображении, которое модель должна рассмотреть. Если ваши документы поступают отсканированными, это само по себе решает вопрос.

Второе — эксплуатационная зрелость. У модели, за плечами которой год продакшен-трафика, режимы отказов уже найдены и задокументированы людьми, которым за это не платили. У модели, опубликованной 14 октября 2026 года, — нет, а первая неделя работы любого нового эндпоинта — это время, когда вы узнаёте, как она ведёт себя под нагрузкой.

Независимая проверка — третья, и именно она даёт накопительный эффект. Каждый дополнительный месяц жизни Haiku 4.5 — это ещё один месяц, в течение которого кто-то запускал её на своей работе и записывал, что произошло.

Где разрыв сокращается почти до нуля — и почему эта арифметика вводит в заблуждение

Заявленные 10x на выходе — это реальность, и на работе с длинным документом это даёт ровно тот счёт, который вы бы предсказали. Но этот заголовок скрывает, что экономика в расчёте на задачу у двух моделей может сближаться, потому что задача в PI Knowledge Work — это не тот же объём работы, что задача в Intelligence Index, — и потому что модель A​nthropic на практике активно кэшируется.

На стороне Paper Instruments есть одна контринтуитивная цифра, которую стоит внимательно разобрать. На всех шести её бенчмарках Ultramarine 1 Flash генерирует на 6,5% меньше выходных токенов, чем модель GLM-5.3 Flash, из которой он получен в результате постобучения, — 30,5 миллиона против 32,7 миллиона, включая рассуждения, — при этом показывая лучшие результаты по всем шести. Улучшающаяся токен-эффективность — не обычное направление движения для постобучения, а в расценках за миллион токенов это вторая скидка, наложенная поверх первой. Это единственное сравнение на странице Paper Instruments, где обе стороны измеряются одним и тем же методом на одном и том же наборе, что делает его самой надёжной цифрой в релизе.

Напротив, Claude Haiku 4.5 — более дешёвая модель в одном сравнении, которое никто не рекламирует: при $0,28 за выполненную задачу Index её цена рассчитана на набор, задачи которого короче и менее агентны, чем меморандум по due diligence. Если дать каждой из них подготовить настоящий юридический или финансовый документ, то цифра $0,13 никогда не измеряла ту же единицу работы, что и $0,28.

Обе модели доступны по одному ключу через OrcaRouter, если вы хотите решить это эмпирически, а не чтением. Claude Haiku 4.5 предоставляется по цене $1.00 и $5.00 за миллион токенов с нулевой наценкой за токен — прейскурантная цена провайдера передаётся напрямую, так что изменение тарифа вендора действует у нас в тот же день, что для модели, чья цена уже менялась раньше, не является тривиальным свойством. Прогнать те же двадцать документов через обе и прочитать счета стоит меньше, чем встреча о том, какую выбрать, и это даёт число, а не аргумент.

Решение, сформулированное как развилка

Если на входе документ, который кто-то отсканировал, или скриншот, ответ — Claude Haiku 4.5, и обсуждать больше нечего.

Если на входе текст, а на выходе — готовый результат (модель, презентация, служебная записка), и объём достаточно велик, чтобы $0.15 против $1.00 на входе меняли масштаб проекта, Ultramarine 1 Flash стоит пилота на вашей собственной работе. Ему всего день. $0.13 — это заявленная вендором цифра на созданном вендором наборе тестов, и независимой оценки пока не существует. Но тарифная сетка реальна, сравнение эффективности по токенам измерено единственным способом, которым его можно честно измерить, а преимущества над собственной базовой моделью на четырёх бенчмарках, где он лидирует, последовательны, а не подобраны специально.

Если ваша нагрузка включает и то и другое, полезный ход — не выбирать. Правило маршрутизации может закрепить путь сканированных документов за моделью A​nthropic, а путь от текста до готового результата направить к той из двух, которая проходит вашу планку качества на выборке, — и если более новая сломается, запрос уйдёт к более старой без изменения кода и без подписания второго контракта.

Что решило бы открытый вопрос, так это одна независимая оценка Ultramarine 1 Flash на наборе тестов, который не написал его создатель. Пока этого не существует, честная позиция состоит в том, что Claude Haiku 4.5 — это модель, поведение которой вы можете предсказать, а Ultramarine 1 Flash — это модель, ценой которой вам хотелось бы иметь возможность воспользоваться. Ничто из опубликованного сегодня не говорит, что вы не можете. Ничто из опубликованного сегодня, кроме собственной страницы поставщика, не говорит, что вы можете.

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.