Ultramarine 1 Flash против Gemini 3.5 Flash-Lite: создание артефакта и ответ на вопрос — это два разных продукта

Начните со строки, которая завершает спор, а не с той, которая его начинает. Gemini 3.5 Flash-Lite принимает текст, изображения, речь и видео и возвращает текст. Ultramarine 1 Flash принимает текст и возвращает книгу Excel, презентацию PowerPoint или документ Word, отредактированные на месте, прочитав данные из бизнес-систем, в которых живёт работа, и записав данные в них. Обе модели недороги. Модель G​oogle набирает 22 балла в Artificial Intelligence Index при $0,19 за выполненную задачу; Paper Instruments сообщает о $0,13 за задачу в собственном внутреннем наборе тестов. Цифры настолько близки, что история с затратами — ничья, и остаётся вопрос: вы покупаете ответ или покупаете готовый результат? — потому что по этому вопросу эти две модели относятся к совершенно разным рынкам.

Они также не были созданы одновременно и не по одной и той же причине. Gemini 3.5 Flash-Lite стал общедоступным в июле 2026 года как самый экономичный тариф G​oogle, составляя примерно пятую часть цены 3.6 Flash. Ultramarine 1 Flash был опубликован 14 октября 2026 года как постобучение модели GLM-5.3 Flash методом обучения с подкреплением, ориентированное на готовый к передаче клиенту результат, а не на ответ.

Линии спецификации, с обеих сторон

Показатели Ultramarine — это опубликованные тарифы API Paper Instruments и её собственные опубликованные оценки; его показатель контекста — это конфигурация обучения, указанная в техническом отчёте. Показатели Gemini — это прайс-лист Google плюс измерения Artificial Analysis, с пометкой там, где это измерения.

• Цена на вход — Ultramarine 1 Flash: $0,15 за миллион токенов против Gemini 3.5 Flash-Lite: $0,30. Google в 2 раза дороже на входе.

• Цена вывода — $0,50 против $2,50 за миллион. В 5 раз, и именно на этой строке фактически накапливается стоимость задачи по обработке документа.

• Кэшированный ввод — $0,03 за миллион (скидка 80%) против $0,03 (скидка 90%). Одно и то же абсолютное число, достигнутое разными скидками.

• Контекстное окно — 131 072 токена в конфигурации обучения против 1 048 576. У Google в 8 раз больше.

• Максимальный вывод — не опубликовано против 65 536 токенов.

• Входные данные — работа с текстом и документами в сравнении с текстом, изображениями, речью и видео.

• Стоимость за выполненную задачу — $0.13 в PI Knowledge Work против $0.19 в Intelligence Index. Второе из двух чисел во вступлении, и то, с которым нужно быть особенно осторожным.

• Скорость вывода — не опубликована для Ultramarine 1 Flash, тогда как у Gemini 3.5 Flash-Lite она составляет 425,0 выходных токенов в секунду — четвёртый по скорости результат среди 148 моделей своего класса.

Число задержки внутри числа скорости

Gemini 3.5 Flash-Lite — одна из самых быстрых моделей из когда-либо измеренных кем-либо. Но при этом она медленно запускается. Artificial Analysis фиксирует время до первого токена 8,13 секунды в собственном API Google на фоне медианы 1,85 секунды для моделей сопоставимого ценового уровня. После запуска модель выдаёт поток со скоростью 425 токенов в секунду, а на запуск у неё уходит восемь секунд.

Это не дефект; это свойство пути обслуживания, и оно говорит о том, для каких рабочих нагрузок был предназначен этот уровень. Задание пакетной классификации, конвейер извлечения, фоновый агент — ни один из них не замечает восьмисекундного старта, и все они получают огромную выгоду от того, что ответ на 500 токенов завершается примерно за секунду. Человек, ожидающий ответа в чате, не замечает ничего другого. Слово «Flash» описывает пропускную способность, а не отзывчивость, и это не один и тот же показатель.

У Ultramarine 1 Flash вообще нет опубликованных показателей скорости или задержки. Ни от Paper Instruments, ни от какой-либо третьей стороны. Нет оснований утверждать, что она быстрее или медленнее модели Google, и любой, кто говорит вам обратное, делает вывод из архитектуры, а не читает цифру. Что технический отчёт действительно раскрывает, так это рабочий диапазон, в котором она обучалась: контекст в 131 072 токена, максимум в 250 ходов агентского цикла и сжатие контекста, запускаемое при достижении 85% окна или когда остаётся 30 000 токенов, в зависимости от того, что наступит раньше. Обвязка, которая по своей конструкции сжимает контекст, — это обвязка, созданная для длительной работы, которая иначе переполнилась бы, — а это намёк на характер её задач, а не измерение того, насколько быстро она их выдаёт.

Ценность «задачи» зависит от того, кто написал бенчмарк

$0.13 и $0.19 выглядят сопоставимыми и измеряют разные вещи — и именно эту часть сравнения скроет от вас таблица с параллельным сопоставлением.

Индекс интеллекта — это композит из десяти оценок: математика, программирование, рассуждения, агентная работа. Его задачи имеют ответы, которые может проверить проверяющий. 22 у Gemini 3.5 Flash-Lite — это реальная оценка от независимого оценщика, не заинтересованного в модели, а 0,19 $ — измеренная стоимость за выполненную задачу по всему этому набору. У G​oogle также более лестный из двух показателей многословности: 59 миллионов выходных токенов на прохождение Индекса, 23-е место из 60 и характеристика «довольно лаконично» на фоне медианы в 95 миллионов. Это модель, спроектированная так, чтобы не растекаться мыслью.

PI Knowledge Work — это не то. Это набор готовых для клиента результатов, оцениваемых по рубрике, составленной для каждой задачи, потому что у меморандума о должной осмотрительности нет правильного ответа, с которым можно свериться. Ultramarine 1 Flash набирает там 59.3 при $0.13 за задачу, против Claude Fable 5 с 57.8 за $8.19 и GPT-5.6 Sol с 55.1 за $2.09. Поставщик сообщает, что его набор коррелирует с Artificial Analysis Intelligence Index на уровне r = 0.81 — серьёзная цифра, и притом полученная из вторых рук. Задача в одном наборе — не задача в другом: вопрос на рассуждение может занимать несколько сотен токенов, а презентация для совета директоров — это длительный агентный прогон, создающий файл. Эти две цифры на задачу — не единицы одного и того же, а их вычитание — арифметика над категориальной ошибкой.

После этой критики остаётся более узкое, но действительно полезное утверждение. Paper Instruments измерила эффективность использования токенов не на самой себе: во всех шести своих бенчмарках Ultramarine 1 Flash выдал на 6,5% меньше выходных токенов, чем модель GLM-5.3 Flash, от которой он происходит, — 30,5 млн против 32,7 млн, включая рассуждения, — при этом обойдя её на каждом из шести. Тот же набор тестов, тот же стенд, обе стороны измерены. По тарифной сетке за токены модель, которая пишет меньше ради лучшего результата, — это скидка, применённая дважды.

Две рабочие модели на одном ключе

Gemini 3.5 Flash-Lite обслуживается на OrcaRouterпо цене $0,30 за ввод и $2,50 за вывод на миллион токенов — это прайс-лист провайдера, передаваемый напрямую, без каких-либо наценок за токен — так что изменение тарифа Google вступает в силу здесь в тот же день, без деплоя с нашей стороны. Рядом с ним стоят модели, на которые постоянно ссылается это сравнение: GPT-5.6 Sol, Claude Fable 5 и GLM-5.3 Flash — база, на которой обучали Ultramarine 1 Flash, — все они доступны с той же конечной точки и по тому же ключу.

Для этой пары это важнее, чем для типичного сравнения один на один, потому что нагрузка смешанная. Конвейер обработки документов, построенный вокруг окна в миллион токенов и четырёх модальностей ввода, — это не тот же конвейер, что построен вокруг агента, создающего готовый результат, и обычно оба сосуществуют в одной и той же команде. Правило маршрутизации может оставлять сканированные или аудиовизуальные входные данные на модели Google, а путь от текста к готовому результату направлять в другое место, с объявленным резервным вариантом, если первый выбор не сработает, — один контракт вместо двух и никаких изменений в коде, когда вы передумаете насчёт того, какая модель получает длинные задачи.

Сам Ultramarine 1 Flash отсутствует в нашем каталоге; сегодня доступ к нему можно получить через собственный API поставщика и сторонние платформы, которые его перепродают.

Как я бы на самом деле принял решение

Две ситуации, и обе разрешаются чисто.

Если входные данные содержат что-либо, что не является текстом — сфотографированный договор, запись звонка, снимок экрана, видеодемонстрация — модель G​oogle — единственная из двух, которая может принять этот запрос. Это не предпочтение, а граница возможностей, и это завершает сравнение для такой рабочей нагрузки.

Если оплачивается именно результат — модель, презентация, служебная записка, документ, который человек откроет и отредактирует, — то вопрос в том, превосходит ли дообученный специалист эффективного универсала, и Ultramarine 1 Flash — это специалист. Доказательства этого исходят от вендора и основаны на его собственных бенчмарках, через день после выпуска, и это следует воспринимать как гипотезу, а не как установленный факт. Но это конкретная и проверяемая гипотеза: на четырёх из шести наборов, где лидирует Paper Instruments, наибольшие отрывы — на JobBench и FrontierFinance, двух наиболее близких к реальной работе над конечным результатом; на APEX-Agents 1.1 и DiligenceBench, которые представляют собой задачи агентного цикла и исследовательские задачи, лидируют Gemini 3.8 Flash и Claude Fable 5, а Ultramarine 1 Flash занимает третье место.

Нерешённый вопрос не в том, какая модель лучше. Он в том, выдерживает ли поведение, порождающее готовые результаты, контакт с документами, которые никто в Paper Instruments не писал. Компания опубликовала свой метод достаточно подробно, чтобы буквально пригласить к такой проверке, и не опубликовала веса, которые позволили бы кому-то запустить его в обход её API. Оба этих факта имеют решающее значение, и только один из них, вероятно, скоро изменится.

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.