Ultramarine 1 Flash: Paper Instruments levererar en levererbar modell för 0,13 USD per uppgift

Paper Instruments publicerade Ultramarine 1 Flash den 14 oktober 2026, och siffran som företaget inleder med är inte en benchmark-poäng. Det är ett pris: 0,13 dollar för att slutföra en uppgift i PI Knowledge Work, företagets interna svit för finans-, juridik-, konsult- och verksamhetsarbete. Modellen som kostar 8,19 dollar för att slutföra samma uppgift – Claude Fable 5 vid maximal resonemangsnivå – får 57,8 där. Ultramarine 1 Flash får 59,3. Läs det paret så som leverantören framställer det och du har en modell som slår ett frontier-system till ungefär en sextiotredjedel av kostnaden. Läs det mer noggrant och du har något snävare och mer intressant: en modell byggd för en specifik typ av utdata, prissatt enligt den taxa som dess egen basmodell debiterar, med benchmarken som säger det skriven av företaget som säljer den.

Basmodellen är värd att nämna redan från början, eftersom den förklarar större delen av priset. Ultramarine 1 Flash är en efterträning av GLM-5.3 Flash, den nativt multimodala modellen från Z.ai med 320B totalt / 18B aktiva, förbättrad genom storskalig förstärkningsinlärning i stället för byggd från grunden. Dess API-priser är 0,15 USD per miljon indatatokens, 0,03 USD för cachad indata och 0,50 USD för utdata – identiska med dem för GLM-5.3 Flash, vilket är vad ”samma som GLM-5.3 Flash” i leverantörens eget prisblock betyder.

Vad som har levererats, och vad som fortfarande är ett löfte

Två saker stämmer på utgivningsdagen, och gapet mellan dem är den berättelse som mycket av bevakningen kommer att platta till.

Ultramarine API är live. Du kan skicka arbete till den idag och betala priserna ovan. Landningssidan länkar till den under en enkel "Ultramarine API →"-rad.

Vikterna är det inte. Samma sida säger "Modellvikter kommer snart", och den tekniska rapporten beskriver GLM-5.3 Flash som "en stark öppen basmodell" — vilket är ett uttalande om basen, inte om derivatet. Ultramarine 1 Flash är för närvarande en stängd hostad slutpunkt med avsikten att vikterna ska bli öppna. Huruvida den i slutändan blir genuint öppen är den enskilt största öppna frågan om den, och det är den som många andrahandssammanfattningar redan har besvarat genom antaganden i stället för genom att kontrollera.

Det som blev öppen källkod på releasedagen är själva byggnadsställningen. Feather agent harness, som är det modellen tränades i och utvärderas i, publiceras som ett kodförråd. Det gäller även paper-docx, paper-pptx och paper-xlsx, Paper Instruments forks av standardbiblioteken för Python Office, som modellen använder för att skapa Excel-arbetsböcker, PowerPoint-presentationer och Word-dokument. Dessa forks finns eftersom, enligt företagets egen redogörelse, agenter som kör python-docx och liknande "stöter på API-luckor, hamnar i rå OOXML och skapar tysta korruptionsfel och regressioner."

De sex benchmarkarna, inklusive de två som den förlorar

Paper Instruments utvärderades på två sviter. Ultramarine 1 Flash leder fyra av dem och leder inte två, vilket är en mer användbar sammanfattning än genomsnittet.

• JobBench — 62,9 för Ultramarine 1 Flash, före Gemini 3.8 Flash på 60,6 och DeepSeek V4.1 Flash på 60,4, med Claude Fable 5 på 57,4 och GPT-5.6 Sol på 45,4.

• PI Knowledge Work, den interna sviten — 59,3, före Claude Fable 5 på 57,8 och GPT-5.6 Sol på 55,1.

• FrontierFinance – 53,3, före GLM-5.3 Flash på 50,7 och Gemini 3.8 Flash på 50,0.

• AutomationBench — andra plats. DeepSeek V4.1 Flash tar hem den med 51.3 mot Ultramarines 50.2.

• DiligenceBench — tredje. Gemini 3.8 Flash leder på 53,1, Claude Fable 5 är tvåa på 52,9, Ultramarine 1 Flash ligger på 50,6.

• APEX-Agents 1.1 — trea. Gemini 3.8 Flash på 64,3 och Claude Fable 5 på 63,6 klarar båda det; Ultramarine 1 Flash ligger på 57,0, fortfarande klart före GPT-5.6 Sol på 51,5 och DeepSeek V4.1 Flash på 39,5.

Mönstret i förlusterna är konsekvent och värt att namnge: Ultramarine 1 Flash är starkast där leveransen är ett dokument och svagast där uppgiften är en levande agentloop över system. DiligenceBench är en agentutvärdering för aktieanalys; APEX-Agents är en agentisk svit. AutomationBench är automation. De två benchmarktest som dess egen utgivare byggde kring kontorsleverabler är de två som den vinner med störst marginal.

Varför poängen ser ut så

Nästan allt professionellt arbete kan inte kontrolleras av en parser. Ett due diligence-pm kompileras inte och en styrelsepresentation har inga enhetstester, så det finns ingen regex som säger om det är korrekt. Det är problemet som Paper Instruments gav sig på att angripa, och dess svar är ett som kan citeras ordagrant: "vi skalar icke-verifierbar uppgiftssyntes över agentiskt kunskapsarbete."

Mekanismen är en läroplan. Fyra domäner – finans, juridik, konsultverksamhet, operations – expanderar till 19 praktikområden och 88 distinkta miljötyper, som var och en samplar en taxonomi av axlar: leveransformat, källkonflikter, intressenter, transaktionsfas. Företaget anger det nominella konfigurationsutrymmet till någonstans mellan 10⁷ och 10¹⁰ kombinationer per praktikområde, vilket är ett försvar mot modekollaps lika mycket som ett anspråk på skala. Varje miljö är en verklig arbetsyta: ett filsystem byggt av SEC EDGAR-inlämningar, analytikerrapporter och syntetiserade kontrakt, plus aktiva system of record – ERP, CRM, WMS, MES, GRC – som nås via MCP, HTTP och CLI.

Bedömningen är där det här blir ovanligt. Varje uppgift levereras med en bedömningsmall, och varje kriterium är formulerat för att dra en gräns kring acceptabla svar snarare än att kräva ett enda. Rapportens eget utarbetade exempel ställer ett överanpassat kriterium som avvisar två av tre korrekta svar mot ett vagt som accepterar tre felaktiga, och visar sedan den omskrivna versionen som matchar gränsen. Leverabler parsas och lämnas till en bedömningsmallsgraderare — företagets paket med öppen källkod, med GPT-5.6 Terra som domarmodell. Träningen kördes med en kontext på 131 072 tokens, ett tak på 250 turer för agenten och kompaktering vid 85 % av fönstret.

Den designen är källan till både resultatet och förbehållet. Det är anledningen till att en så här billig modell kan nå resultat nära ett system i framkanten inom dokumentarbete: uppgiftsfördelningen var konstruerad för att likna dokumentarbete. Det är också anledningen till att siffrorna behöver förses med en etikett. Det här är leverantörens egna benchmarks, bedömda av leverantörens egen bedömare, på uppgifter som leverantören har skrivit. Paper Instruments rapporterar att PI Knowledge Work korrelerar med Artificial Analysis Intelligence Index vid r = 0,81, vilket är en seriös siffra och ett delvis svar – men en korrelation på leverantörens sida av staketet är fortfarande på leverantörens sida av staketet. Ingen tredje part har ännu publicerat en oberoende utvärdering av Ultramarine 1 Flash, och modellen är en dag gammal.

Påståendet som inte håller i diagrammet

Det mest försvarbara med lanseringen är också det minst citerade: modellen genererar 6,5 % färre utdatatoken än sin bas över alla sex benchmarks. 30,5 miljoner mot 32,7 miljoner, inklusive resonemang. Per uppgift räknat är det skillnaden mellan en billigare modell och en billigare modell som också är billigare att köra, och det är den sorts ingenjörskonst som syns i en kostnad snarare än på en topplista.

Det påstående som inte riktigt håller är kostnads–kvalitetsfronten. På PI Knowledge Work uppnår GPT-6 Luna med maximalt resonemang 58,3 poäng till 0,11 dollar per uppgift. Ultramarine 1 Flash bästa resultat är 59,3 till 0,13 dollar. En poäng och två cent är en så pass liten skillnad att "ligger på kostnads–kvalitetsfronten vid den mest attraktiva prispunkten" är ett positioneringspåstående snarare än ett faktum – vilket leverantörens egen tabell, till deras heder, visar för alla som läser förbi rubrikposten. En modell en poäng bakom, till två cent mindre, är ett genuint alternativ för volymarbete, och den ärliga versionen av den här lanseringen är att Ultramarine 1 Flash står längst fram i ett litet kluster snarare än ensam på en front.

Där det passar, om du vill kalla det så

Ultramarine 1 Flash är inte en modell för allmänna ändamål och låtsas inte vara det. Det är text in och en Excel-arbetsbok, PowerPoint-presentation eller Word-dokument ut, med förmågan att agera inuti ett affärssystem medan den gör det. Om din arbetsbelastning är ett dokument är detta nu ett av de billigaste trovärdiga sätten att producera det.

Ultramarine 1 Flash finns inte i vår katalog. Modellen som den är eftertränad från är: GLM-5.3 Flash serveras på OrcaRouter till $0.15 för indata och $0.50 för utdata per miljon tokens med inget tillagt per token, och priset är leverantörens listpris som förs vidare rakt igenom, så om Z.ai ändrar siffran flyttas den serverade siffran med den samma dag. Det spelar större roll än vanligt för en lansering som den här, eftersom hela argumentet för Ultramarine 1 Flash är aritmetik gjord mot en basmodells prislista. Separat är fyra av modellerna som den mäts mot — GPT-5.6 Sol, DeepSeek V4.1 Flash, Gemini 3.8 Flash och Kimi K3 — nåbara från samma endpoint, vilket innebär att du kan sätta leverantörens jämförelse på prov på dina egna dokument i stället för på deras.

Vad skulle förändra bedömningen

Tre saker, i fallande ordning efter hur mycket de skulle spela roll.

En oberoende utvärdering på en svit som ingen på Paper Instruments har skrivit. Leverantören har bjudit in till detta genom att publicera korrelationen med ett tredjepartsindex; nästa steg är att någon annan publicerar poängen.

Vikterna. "Kommer snart" är en platshållare, och tills den infrias är "öppen modell" en avsiktsförklaring som släppet inte styrker. Om de blir verklighet blir en 18B-aktiv modell trimmad för dokumentarbete något du kan köra själv, och siffran $0.13 slutar vara det enda sättet att köpa den här kapaciteten.

Ett benchmark som det inte vinner per konstruktion. De fyra sviterna som det leder säger att det är bra på det som det tränades på. De två som det ligger efter i visar var en generell agent fortfarande slår en specialist. Den som planerar en juridisk eller finansiell agentpipeline bör läsa de två raderna och raden för $0,13 tillsammans och avgöra vilken som beskriver sin arbetsbelastning.

Jämförelser som denna är också där felmoderna visar sig: de dokumenterade AI-incidenterna och agentfelen bakom modeller i denna klass samlas i the OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omtvistad flagga.