Ultramarine 1 Flash vs Claude Haiku 4.5: Två siffror för kostnad per uppgift som inte mäter samma sak

De två modellerna i den här jämförelsen publicerar båda en kostnad per uppgift, och frestelsen är att ställa siffrorna bredvid varandra och subtrahera. Paper Instruments säger Ultramarine 1 Flash slutför ett jobb för $0,13. Artificial Analysis mäter Claude Haiku 4.5, i dess resonemangskonfiguration, till $0,28 per slutförd Intelligence Index-uppgift. Den ena är mindre än hälften av den andra, och om det vore hela bilden skulle beslutet ta tio sekunder. Det är inte hela bilden, eftersom de två siffrorna kommer från olika sviter som ber modellen göra olika saker, och att förstå vilken svit som liknar ditt arbete är hela jämförelsen. Själva priserna ligger ännu längre ifrån varandra: $0,15 per miljon indata och $0,50 utdata för Paper Instruments-modellen mot $1,00 och $5,00 för A​nthropic's — en skillnad på 6,7x på indata och 10x på utdata.

Det finns en andra asymmetri. Claude Haiku 4.5 har ett publicerat resultat från ett labb som inte är dess skapare. Ultramarine 1 Flash har ett publicerat resultat från företaget som tränade den, på en svit som företaget byggde. Båda dessa fakta spelar större roll här än någon enskild benchmarksiffra, och ingen av dem syns i en sida-vid-sida-jämförelse.

De två prislistorna och raden som inte är densamma på båda

Siffrorna för Ultramarine är Paper Instruments publicerade API-prissättning och dess egna publicerade utvärderingar. Prissättningen för Claude Haiku 4.5 är A​nthropics prislista; dess utvärderingssiffror är Artificial Analysis-mätningar, märkta som sådana.

• Indata — Ultramarine 1 Flash $0,15 per miljon tokens jämfört med Claude Haiku 4.5 $1,00. Anthropics modell kostar 6,7 gånger mer vid indata.

• Cachad indata – $0,03 mot $0,10 per miljon, en rabatt på 90 % på Anthropic-sidan mot en rabatt på 80 % på Paper Instruments-sidan. Det absoluta gapet förblir stort, det proportionella minskar.

• Utdata — 0,50 $ vs 5,00 $ per miljon. 10x, och det är på den här raden som skillnaden faktiskt slår igenom, eftersom dokumentarbete genererar en stor mängd utdata.

• Kontext — 131 072 tokens i den träningskonfiguration som den tekniska rapporten anger, jämfört med 200 000 i priskortet för Haiku. Anthropic har ungefär 1,5 gånger fler.

• Maximal utdata — inte publicerad av Paper Instruments mot 64 000 tokens för Claude Haiku 4.5. En tom cell i listan.

• Indata — Claude Haiku 4.5 accepterar text-, bild- och filuppladdningar. Ultramarine 1 Flash är byggd kring text- och dokumentarbete; dess bas, GLM-5.3 Flash, är multimodalt från grunden, men Paper Instruments publicerar ingen modalitetslista för derivatet.

• Uppmätt kostnad per slutförd uppgift – 0,13 USD på PI Knowledge Work för Ultramarine 1 Flash jämfört med 0,28 USD på Intelligence Index för Claude Haiku 4.5 (reasoning). Siffrorna som folk kommer att citera till varandra. Nästa avsnitt handlar om varför de inte är samma enhet.

Vad varje poäng faktiskt täcker

Claude Haiku 4.5:s publicerade resultat finns i två konfigurationer och de är värda att skilja på, eftersom ett sökresultat vanligtvis visar dig den felaktiga. Artificial Analysis listar den icke-resonerande konfigurationen med ett Intelligence Index på 15 och 87,3 utdatatoken per sekund. Den resonerande konfigurationen – den med en angiven kostnad per uppgift, och den som den här artikeln använder genomgående – uppmäts till ett Intelligence Index på 17, 90,0 utdatatoken per sekund, $1,00 för indata och $5,00 för utdata per miljon, en cacheringsrabatt på 90 %, $0,28 per slutförd Index-uppgift och en verbositet på 78 miljoner utdatatoken. Dess kontextfönster är 200 000 token med en kunskapsavgränsning i juli 2025, och den accepterar text och bild.

Intelligence Index är sammansatt av matematik-, kodnings-, resonemangs- och agentiska utvärderingar. Ingen av dess deltester ber en modell att ta fram en presentation till styrelsen, ett due diligence-pm eller en Excel-modell med en levande prognos i, eftersom dessa artefakter inte har något enda rätt svar och ett benchmark som betygsatte dem skulle behöva en bedömningsmatris per uppgift.

Vilket är precis vad Paper Instruments byggde, och precis varför jämförelsen inte kan vara en subtraktion. PI Knowledge Work är en svit kundfärdiga leverabler inom finans, juridik, konsultverksamhet och drift, bedömda uppgift för uppgift mot författade bedömningsmallar av en modell för mallbaserad bedömning. Ultramarine 1 Flash får 59,3 där till en kostnad av 0,13 USD per uppgift. En poäng på 59,3 i en bedömningsmall för dokumentleverabler och en poäng på 17 i ett matematik- och kodningsindex är inte jämförbara storheter. Det gäller inte heller kostnadssiffran, eftersom en uppgift i den ena sviten kan vara en storleksordning längre än en uppgift i den andra.

Det som kombinationen faktiskt stöder är snävare och fortfarande användbart. Claude Haiku 4.5 har mätts av någon som inte har något intresse i det, på tester som ingen på A​nthropic har utformat. Ultramarine 1 Flash har inte det. Det är inte en kritik av Paper Instruments siffror — företaget redovisar sin metod ovanligt detaljerat — men det är en skillnad i vilken typ av bevis som erbjuds, och en köpare som lägger valet framför en riskkommitté kommer att stöta på det omedelbart.

Där Claude Haiku 4.5 vinner utan tvekan

Tre ställen, och inget av dem handlar om att vara smartare.

Multimodala indata är det tydligaste. Ett skannat kontrakt, en skärmbild av ett trasigt kalkylblad, ett fotografi av en whiteboardtavla – allt detta går in i Claude Haiku 4.5 via ett gränssnitt som har stött det, oförändrat, i ett år. Ultramarine 1 Flash vilar på en basmodell som läser bilder och video, men leverantören publicerar ingen modalitetslista för sin derivatmodell, och inget exempel i den tekniska rapporten bygger på en bild som modellen måste titta på. Om dina dokument kommer in skannade avgör detta frågan på egen hand.

Operativ mognad är den andra. En modell med ett års produktionstrafik bakom sig har fått sina felmoder hittade och dokumenterade av människor som inte fick betalt för att hitta dem. En modell som publicerades den 14 oktober 2026 har inte det, och den första veckan för varje ny endpoint är när man lär sig vad den gör under belastning.

Oberoende verifiering är den tredje, och det är den som ger kumulativ effekt. Varje ytterligare månad i Haiku 4.5:s liv är ännu en månad då någon körde det på sitt eget arbete och skrev ner vad som hände.

Där gapet krymper till nästan ingenting – och varför aritmetiken är vilseledande

Rubriken 10x på utdata är sann, och för ett jobb med långa dokument ger den exakt den nota du skulle förutse. Det rubriken döljer är att ekonomin per uppgift för de två modellerna kan konvergera, eftersom en uppgift i PI Knowledge Work inte är samma mängd arbete som en uppgift i Intelligence Index — och eftersom Anthropic-modellen i praktiken är en modell med omfattande cachelagring.

Det finns en kontraintuitiv siffra på Paper Instruments-sidan som är värd att läsa ordentligt. I dess sex benchmarks genererar Ultramarine 1 Flash 6,5 % färre utdatatokens än GLM-5.3 Flash-modellen som den är eftertränad från — 30,5 miljoner mot 32,7 miljoner, inklusive resonemang — medan den får bättre resultat på alla sex. Att token-effektiviteten förbättras är inte den vanliga riktningen för en efterträningskörning, och på en prislista per miljon tokens är det en andra rabatt ovanpå den första. Det är den enda jämförelsen på Paper Instruments-sidan där båda sidorna mäts med samma metod på samma testsvit, vilket gör den till den mest tillförlitliga siffran i lanseringen.

Som motvikt till detta är Claude Haiku 4.5 den billigare modellen i en jämförelse som ingen gör reklam för: till $0,28 per slutförd Index-uppgift är den prissatt för en svit vars uppgifter är kortare och mindre agentiska än en due diligence-promemoria. Ställ en verklig juridisk eller finansiell leverabel framför vardera, och $0,13-siffran mätte aldrig samma arbetsenhet som $0,28-siffran.

Båda modellerna finns på en nyckel via OrcaRouter om du vill avgöra detta empiriskt i stället för genom att läsa. Claude Haiku 4.5 erbjuds till $1,00 och $5,00 per miljon tokens med inget tillagt per token — leverantörens listpris förs vidare oförändrat, så en ändring av leverantörens taxa slår igenom hos oss samma dag, vilket för en modell vars pris har ändrats tidigare inte är en oväsentlig egenskap. Att köra samma tjugo dokument genom båda och läsa fakturorna kostar mindre än mötet om vilken man ska välja, och det ger ett tal i stället för ett argument.

Beslutet, uttryckt som en förgrening

Om indata är ett dokument som någon har skannat eller en skärmbild, är svaret Claude Haiku 4.5 och det finns inget mer att diskutera.

Om indata är text och utdata är en färdig leverabel – en modell, en presentation, ett PM – och volymen är tillräckligt hög för att $0,15 kontra $1,00 för indata förändrar projektets form, är Ultramarine 1 Flash värd en pilot på ditt eget arbete. Den är en dag gammal. $0,13 är leverantörsrapporterat på en leverantörsbyggd svit, och ingen oberoende utvärdering finns ännu. Men prislistan är verklig, token-effektivitetsjämförelsen är mätt på det enda sätt den kan mätas ärligt, och vinsterna gentemot dess egen basmodell på de fyra benchmarks där den leder är konsekventa snarare än selektivt utvalda.

Om din arbetsbelastning omfattar båda är den användbara åtgärden inte att välja. En routningsregel kan låta den skannade dokumentvägen ligga kvar på A​nthropic-modellen och skicka text-till-leverabel-vägen till den av de två som klarar din kvalitetsribba i ett stickprov – och om den nyare fallerar går begäran till den äldre utan kodändring och utan ett andra kontrakt att skriva under.

Det som skulle lösa den öppna frågan är en enda oberoende utvärdering av Ultramarine 1 Flash på en testsvit som dess tillverkare inte har skrivit. Så länge den inte finns är den ärliga hållningen att Claude Haiku 4.5 är modellen vars beteende man kan förutsäga och Ultramarine 1 Flash är modellen vars pris man skulle vilja kunna använda. Inget som publicerats i dag säger att man inte kan. Inget som publicerats i dag, förutom leverantörens egen sida, säger att man kan.

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.