Ultramarine 1 Flash против GPT-5.6 Luna: две модели, которые никогда не появляются на одной и той же таблице результатов

Первое, что бросается в глаза в этой паре, — это то, чего нет на собственном графике вендора. Paper Instruments выпустила Ultramarine 1 Flash 14 октября 2026 года с шестью таблицами бенчмарков и графиком «стоимость–качество», охватывающим тридцать с лишним конфигураций моделей.GPT-5.6 Luna отсутствует на графике. Ни при низком уровне усилий, ни при среднем, ни при максимальном. Её собрат GPT-5.6 Sol присутствует там при каждом уровне усилий; модель под названием GPT-6 Luna есть там с результатом 58,3 и ценой $0,11 за задачу; GPT-5.6 Luna вообще не фигурирует. А с другой стороны, у Artificial Analysis есть запись о GPT-5.6 Luna — индекс интеллекта 37, $0,18 за выполненную задачу, 115,4 токена вывода в секунду — и вообще нет записи об Ultramarine 1 Flash. Две модели, выпущенные с разницей в три месяца, обе нацелены на дешёвую массовую работу, — и ни одна третья сторона никогда не измеряла ни одну из них на бенчмарке, содержащем другую.

Это отсутствие и есть сравнение. GPT-5.6 Luna — это быстрый и экономичный уровень OpenAI из семейства GPT-5.6, выпущенный 9 июля 2026 года и имеющий независимую оценку по композитному набору из десяти тестов. Ultramarine 1 Flash — это дообучение с подкреплением GLM-5.3 Flash по цене $0.15 за ввод / $0.50 за вывод за миллион токенов, созданное для получения книг Excel, презентаций и документов Word, а не ответов, и сопровождаемое только цифрами своего производителя. Всё ниже — о том, какие выводы можно и нельзя сделать из такого расклада.

Где на самом деле находятся эти две записи

Показатели Luna — это измерения Artificial Analysis на собственном API OpenAI. Показатели Ultramarine — это опубликованные тарифы Paper Instruments и её собственные опубликованные оценки, при этом значение контекста взято из конфигурации обучения в её техническом отчёте.

• Независимая оценка — Intelligence Index 37 при максимальном усилии, четвёртое место среди 148 моделей в своём классе, у GPT-5.6 Luna против полного отсутствия независимой оценки какого-либо рода у Ultramarine 1 Flash.

Цена на входные данные в тарифных планах — $0.20 за миллион токенов против $0.15. Модель Paper Instruments на входе обходится на 25% дешевле.

• Цена вывода — $1.20 против $0.50 за миллион. В 2,4 раза — самый большой разрыв в этой паре.

• Кэшированный ввод — $0.02 за миллион (скидка 90%) для Luna против $0.03 (скидка 80%). Разница в один цент в пользу OpenAI.

• Контекст — 1 050 000 токенов в тарифной сетке Luna против 131 072 в конфигурации обучения Ultramarine. Окно в восемь раз больше — и единственная строка, где разрыв не мал.

• Максимальный объём вывода — 128 000 токенов против неопубликованного значения.

• Измеренная стоимость на одну завершённую задачу — $0,18 по Intelligence Index для Luna (максимальное усилие) против $0,13 по PI Knowledge Work для Ultramarine 1 Flash. Два разных набора тестов, два разных типа задач, два числа, которые выглядят сопоставимыми, но такими не являются.

• Первый токен — 121,46 секунды для Luna при максимальном усилии в API OpenAI против медианы 1,85 секунды для его ценового сегмента; для Ultramarine 1 Flash не опубликовано ни в каком виде.

Первый токен за две минуты, и почему это настройка, а не недостаток

Этот показатель в 121,46 секунды заслуживает отдельного раздела, потому что это тот тип числа, который приводят как дефект, хотя на самом деле это параметр.

GPT-5.6 Luna при максимальном уровне усилий на рассуждение выполняет обдумывание до того, как что-либо выдаст. В Intelligence Index он выдаёт 115,4 выходных токена в секунду после запуска и 150 миллионов выходных токенов суммарно для прохождения набора тестов — 41-е место из 60 в своём классе по многословности; Artificial Analysis описывает его как несколько многословный на фоне медианы в 95 миллионов. Показатель 37 по Intelligence Index измеряется при этой максимальной настройке.

Модель поддерживает настраиваемый уровень усилий: одни и те же веса, ответ которых начинается через две минуты, можно переключить на уровень, откликающийся мгновенно, но с более низким результатом. OpenAI не публикует разбивку по уровням усилий в записи Artificial Analysis, поэтому величина этого падения не раскрывается — вызов с настройками по умолчанию даёт где-то ниже 37, причём насколько именно, не измерял никто за пределами OpenAI. Для этапа веерного распараллеливания, где сотня дешёвых вызовов создаёт по короткому черновику, это правильная конфигурация. Для единственной сложной задачи в конце цепочки — максимальные усилия. И то и другое — одна и та же модель, и ни одна из конфигураций не настроена неправильно.

Ultramarine 1 Flash не публикует ни показателя задержки, ни показателя пропускной способности, ни времени до первого токена. В её техническом отчёте всё же раскрывается рабочий диапазон, в котором она обучалась и оценивалась, — 131 072 токена контекста, ограничение цикла агента в 250 ходов, сжатие, запускаемое при достижении 85% окна или когда остаётся 30 000 токенов, — а обвязка, созданная для сжатия собственной рабочей памяти, это обвязка, созданная для длительных задач. Это вывод о форме задачи, а не свидетельство о скорости, и честная позиция состоит в том, что у одной стороны этого сравнения есть измеренная проблема задержки, а у другой стороны измерений нет.

Что измеряет бенчмарк по конечным результатам, чего не может индекс интеллекта

Причина, по которой две модели никогда не пересекаются, — не случайность планирования. Эти бенчмарки намеренно измеряют разные вещи.

Intelligence Index, благодаря которому Luna получает свои 37, — это композит из десяти оценок — AA-Briefcase, GDPval-AA, AutomationBench и других, — каждая с ответами, которые может проверить проверяющий. Именно это делает его воспроизводимым, и именно поэтому оценщик, не имеющий интереса ни в одной из моделей, может запустить его и опубликовать сопоставимый для всех показатель.

PI Knowledge Work был создан именно потому, что воспроизводимые части профессиональной работы — не те части, которые имеют значение. Меморандум о должной осмотрительности не компилируется. Презентация для совета директоров не имеет модульных тестов. Модель ценообразования с актуальным прогнозом внутри будет ошибочной так, как оценщик с множественным выбором не сможет увидеть. Поэтому Paper Instruments написали вместо этого рубрики, по одной на задачу, каждый критерий проведён как граница по допустимым ответам, а не как требование одного. В его отчёте противопоставляется переобученный критерий, который отклоняет два из трёх правильных ответов, расплывчатому, который принимает три неправильных, а затем показывается переписанная версия, соответствующая границе, — что является справедливой демонстрацией того, почему это сложно, и справедливым предупреждением о том, какой вес должен иметь единственный балл по рубрике.

Чего стоят полученные цифры, если сказать прямо: Ultramarine 1 Flash набирает 59,3 в этом наборе тестов при цене $0,13 за задачу. GPT-5.6 Sol, более крупный собрат Luna, набирает 55,1 при $2,09 и фигурирует во всех шести таблицах Paper Instruments — 45,4 в JobBench против 62,9 у Ultramarine, 46,8 в FrontierFinance против 53,3, 51,5 в APEX-Agents 1.1 против 57,0. Поставщик сообщает, что его набор коррелирует с Artificial Analysis Intelligence Index на уровне r = 0,81 — это серьёзная цифра, но получена она из вторых рук. Ни одна третья сторона не запускала Ultramarine 1 Flash ни на каких тестах.

Сравнение, которое измеряется одинаковым образом с обеих сторон

В этом сопоставлении есть ровно один класс измерений, где числовой результат ни одной из сторон не зависит от методологии другой: токен-эффективность, измеряемая в рамках одного набора одним стендом.

Artificial Analysis фиксирует, что GPT-5.6 Luna расходует 150 млн выходных токенов на прохождение Intelligence Index — на 58% больше медианных 95 млн для своего класса. За показателем $0,18 за задачу стоит именно эта цифра: быстрая модель, которая пишет очень много, — не самый дешёвый способ купить готовую задачу, и рейтинг многословности делает причину очевидной.

Paper Instruments утверждает прямо противоположное о своей собственной модели и делает это в проверяемой форме, а не в виде голословного заявления. На всех шести своих бенчмарках Ultramarine 1 Flash выдал на 6,5% меньше выходных токенов, чем GLM-5.3 Flash — модель, из которой он был получен путём постобучения, — 30,5 млн против 32,7 млн с учётом рассуждений, — и при этом показал более высокий результат на каждом из шести. Обе стороны этого сравнения — один и тот же тестовый стенд на одних и тех же задачах, поэтому оно не подвержено критике, которая нависает над всем остальным здесь. Это ещё и направление, которое не даётся даром: в ходе постобучения модели столь же часто становятся более разговорчивыми, сколь и более немногословными.

Для всех, у кого счёт в основном формируется за счёт выходных токенов, это самый переносимый факт в релизе. В нём не говорится, что Ultramarine 1 Flash экономнее, чем GPT-5.6 Luna. В нём говорится, что соотношение «более короткий из двух по базовой модели» сохранялось — на наборе тестов, который никто за пределами компании не воспроизвёл.

Запуск теста самостоятельно

GPT-5.6 Luna доступна на OrcaRouter по цене $0.20 за вход и $1.20 за выход за миллион токенов, при этом уровень усилий задаётся для каждого запроса. Это прайс-лист провайдера, передаваемый как есть, без каких-либо надбавок за токен, что важно для модели, чья цена уже однажды менялась — снижение на 80%, применённое OpenAI ранее в этом году, отражено здесь без того, чтобы кому-либо пришлось пересматривать контракт. Тот же эндпоинт обслуживает GPT-5.6 Sol, Claude Fable 5, DeepSeek V4 Flash и GLM-5.3 Flash, последний из которых — база, на которой обучали Ultramarine 1 Flash, и обслуживается по идентичному тарифу $0.15 / $0.50.

Ultramarine 1 Flash отсутствует в нашем каталоге; путь к нему — собственный API вендора и сторонние платформы, которые его перепродают. Эта асимметрия — практическая форма данного сравнения. Одну из этих двух моделей вы можете уже сегодня поставить в производственный маршрут с маршрутизируемым резервом за ней и измеренным p50 перед вами. Другую вы пилотируете на конечной точке вендора и оцениваете по её собственному выводу.

Какой тест стоит провести — и он дешёвый: отправьте один и тот же пакет документов обоим, при стандартном уровне усилий Luna и при максимальном, и сравните артефакты и счета. Весь аргумент специалиста сводится к тому, что его результат требует меньше доработок. Это измеримо за полдня, и это единственное доказательство, которое позволило бы разрешить вопрос о связке, для которой никто не опубликовал общего табло.

Позиция, изложенная как то, что известно, и то, что неизвестно

Известно, со ссылкой на источник: GPT-5.6 Luna набирает 37 баллов в индексе, построенном на десяти проверяемых оценках, при $0,18 за выполненную задачу, с окном в 1 050 000 токенов и первым токеном, получение которого может занять чуть более двух минут при том уровне усилий, который даёт эти 37. Она недорога в расчёте на токен, обладает возможностями для своего уровня и — по собственному измерению Artificial Analysis — склонна писать на 58% больше, чем её аналоги.

Заявлено производителем, не воспроизведено: Ultramarine 1 Flash набирает 59,3 в наборе финансовых, юридических, консалтинговых и операционных результатов с рубричной оценкой при $0,13 за задачу — против $8,19 у Claude Fable 5 при 57,8 и $2,09 у GPT-5.6 Sol при 55,1; при этом он превосходит собственную базовую модель во всех шести наборах, генерируя на 6,5% меньше токенов.

Неизвестно: сохранится ли хоть что-то из этого в документе, который никто в Paper Instruments не писал, какова будет задержка модели под нагрузкой и превратится ли строка «Model weights coming soon» на странице поставщика в реальный выпуск.

Любая статья, которая выбирает из этого победителя, сама его выдумала. Что можно сказать без оговорок: если вам нужна подтверждённая оценка, прежде чем на что-то решиться, GPT-5.6 Luna — единственная модель в этой паре, у которой она есть; а если ваша работа — это готовый результат, а не просто ответ, то интересное утверждение целиком относится к другой стороне, и его не проверял никто, кому за это не платили.

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.