Ultramarine 1 Flash vs Gemini 3.5 Flash-Lite: Att leverera en artefakt och att besvara en fråga är två olika produkter

Börja med raden som avslutar argumentet i stället för den som inleder det. Gemini 3.5 Flash-Lite accepterar text, bilder, tal och video och returnerar text. Ultramarine 1 Flash tar emot text och returnerar en Excel-arbetsbok, en PowerPoint-presentation eller ett Word-dokument, redigerat på plats, efter att ha läst från och skrivit till de affärssystem som arbetet lever i. Båda är billiga. Googles modell får 22 poäng på Artificial Intelligence Index för $0.19 per slutförd uppgift; Paper Instruments rapporterar $0.13 per uppgift i sin egen interna svit. Siffrorna ligger tillräckligt nära varandra för att kostnadsbilden ska vara oavgjord, och det som återstår är frågan om du köper ett svar eller köper en leverabel — för i den frågan är dessa två modeller inte alls på samma marknad.

De byggdes inte heller vid samma tidpunkt eller av samma anledning. Gemini 3.5 Flash-Lite nådde allmän tillgänglighet i juli 2026 som Googles mest kostnadseffektiva nivå, med ett pris på ungefär en femtedel av 3.6 Flash. Ultramarine 1 Flash publicerades den 14 oktober 2026 som en efterträning med förstärkningsinlärning av GLM-5.3 Flash, inriktad på en kundfärdig leverabel snarare än ett svar.

Specraderna, båda sidorna

Ultramarines siffror är Paper Instruments publicerade API-priser och dess egna publicerade utvärderingar; dess kontextsiffra är den träningskonfiguration som anges i den tekniska rapporten. G​eminis siffror är G​oogles prislista plus Artificial Analysis-mätningar, märkta där de är mätningar.

• Indatapris — Ultramarine 1 Flash $0,15 per miljon tokens jämfört med Gemini 3.5 Flash-Lite $0,30. Google är 2x dyrare på indata.

• Utpris — $0,50 vs $2,50 per miljon. 5x, och det här är raden där kostnaden för ett dokumentjobb faktiskt ackumuleras.

• Cachad indata — $0,03 per miljon (80 % rabatt) jämfört med $0,03 (90 % rabatt). Samma absoluta tal, uppnått genom olika rabatter.

• Kontextfönster — 131 072 tokens i träningskonfigurationen jämfört med 1 048 576. Google har 8x fler.

• Maximal utdata — inte publicerad vs 65 536 tokens.

• Indata — text- och dokumentarbete kontra text, bild, tal och video.

• Kostnad per slutförd uppgift — 0,13 $ på PI Knowledge Work jämfört med 0,19 $ på Intelligence Index. Det andra av de två talen i inledningen, och det man bör vara mest försiktig med.

• Utdatashastighet – ej publicerad för Ultramarine 1 Flash jämfört med 425,0 utdatatokens per sekund för Gemini 3.5 Flash-Lite, fjärde snabbast av 148 modeller i sin klass.

Latensnumret inuti hastighetsnumret

Gemini 3.5 Flash-Lite är en av de snabbaste modellerna någon har mätt. Den är också långsam att komma igång. Artificial Analysis registrerar en tid till första token på 8,13 sekunder i Googles eget API, mot en median på 1,85 sekunder för modeller i en jämförbar prisklass. Modellen strömmar med 425 token per sekund när den väl har startat, men tar åtta sekunder att starta.

Det är inte en defekt; det är en egenskap hos serveringsvägen, och den talar om vilka arbetsbelastningar nivån var designad för. Ett batchklassificeringsjobb, en extraktionspipeline, en bakgrundsagent – ingen av dem märker en start på åtta sekunder, och alla har enorm nytta av att kunna slutföra ett svar på 500 token på ungefär en sekund. En människa som väntar på ett chatsvar märker inget annat. Ordet "Flash" beskriver genomströmning, inte responsivitet, och de två är inte samma mått.

Ultramarine 1 Flash har överhuvudtaget ingen publicerad hastighets- eller latenssiffra. Inte från Paper Instruments, inte från någon tredje part. Det finns ingen grund för att påstå att den är snabbare eller långsammare än Googles modell, och den som säger något annat drar slutsatser av arkitekturen i stället för att läsa en siffra. Vad den tekniska rapporten däremot avslöjar är det driftskuvert som den tränades inom: en kontext på 131 072 tokens, en övre gräns på 250 turer i agentloopen och kontextkomprimering som utlöses vid 85 % av fönstret eller när 30 000 tokens återstår, beroende på vilket som inträffar först. Ett ramverk som komprimerar sin kontext per design är ett ramverk byggt för långt arbete som annars skulle svämma över – vilket är en antydan om formen på dess uppgifter och inte ett mått på hur snabbt den producerar dem.

Vad en "uppgift" är värd beror på vem som skrev benchmarken

De 0,13 $ och 0,19 $ ser jämförbara ut och mäter olika saker, och det här är den del av jämförelsen som en tabell sida vid sida kommer att dölja för dig.

Intelligence Index är ett sammansatt mått av tio utvärderingar – matematik, kodning, resonemang, agentiskt arbete. Dess uppgifter har svar som en bedömare kan kontrollera. Gemini 3.5 Flash-Lites 22 är en verklig poäng från en utvärderare som inte har något egenintresse i modellen, och dess 0,19 dollar är en uppmätt kostnad per slutförd uppgift i den sviten. G​oogle har också det mer smickrande av de två mångordighetsrekorden: 59 miljoner utdatatokens för att slutföra indexet, vilket rankas som 23:e av 60 och beskrivs som ganska koncist mot en median på 95 miljoner. Det är en modell konstruerad för att inte svamla.

PI Knowledge Work är inte det. Det är en svit kundklara leverabler som bedöms mot en bedömningsmall skriven för varje uppgift, eftersom ett due diligence-pm inte har något rätt svar att kontrollera mot. Ultramarine 1 Flash får 59,3 där till $0,13 per uppgift, mot Claude Fable 5 på 57,8 för $8,19 och GPT-5.6 Sol på 55,1 för $2,09. Leverantören rapporterar att dess svit korrelerar med Artificial Analysis Intelligence Index med r = 0,81 – en imponerande siffra, och en andrahandsuppgift. En uppgift i en svit är inte en uppgift i den andra: en resonemangsfråga kan vara några hundra tokens, och en styrelsepresentation är en lång agentisk körning som producerar en fil. De två siffrorna per uppgift är inte enheter för samma sak, och att subtrahera dem är aritmetik utförd på ett kategorifel.

Det som står kvar efter den kritiken är snävare men genuint användbart. Paper Instruments mätte tokeneffektivitet mot något annat än sig själv: över alla sex av sina benchmarks genererade Ultramarine 1 Flash 6,5 % färre utdatatokens än GLM-5.3 Flash-modellen som den härstammar från – 30,5 miljoner mot 32,7 miljoner, inklusive resonemang – samtidigt som den överträffade den på vart och ett av de sex. Samma svit, samma testrigg, båda sidorna uppmätta. Med en taxa per token är en modell som skriver mindre för ett bättre resultat en rabatt som tillämpas två gånger.

Två fungerande modeller på en nyckel

Gemini 3.5 Flash-Lite tillhandahålls via OrcaRouter till $0,30 för indata och $2,50 för utdata per miljon tokens, leverantörens listpris som förs vidare rakt igenom utan något tillägg per token — så en ändring av Googles prissättning får genomslag här samma dag, utan att vi behöver göra någon driftsättning. Bredvid den finns de modeller som den här jämförelsen ständigt hänvisar till: GPT-5.6 Sol, Claude Fable 5 och GLM-5.3 Flash, den bas som Ultramarine 1 Flash tränades från, går alla att nå från samma endpoint och med samma nyckel.

Det spelar större roll för den här kombinationen än för en typisk direkt jämförelse, eftersom arbetsbelastningen är blandad. En dokumentpipeline byggd kring ett fönster på en miljon tokens och fyra indatamodaliteter är en annan pipeline än en som är byggd kring en agent som producerar leverabler, och de två samexisterar vanligtvis i samma team. En routingregel kan behålla skannat eller audiovisuellt indata på Googles modell och skicka text-till-leverabel-vägen någon annanstans, med en deklarerad reservlösning om det första valet misslyckas — ett kontrakt istället för två, och ingen kodändring när du ändrar dig om vilken modell som får de långa jobben.

Ultramarine 1 Flash i sig finns inte i vår katalog; åtkomstvägen i dag är leverantörens eget API och de tredjepartsplattformar som vidaresäljer den.

Hur jag faktiskt skulle bestämma

Två situationer, och de löser sig smidigt.

Om indata innehåller något som inte är text – ett fotograferat kontrakt, en samtalsinspelning, en skärmbild, en videogenomgång – är G​oogles modell den enda av de två som kan ta emot begäran. Det är inte en preferens, det är en kapacitetsgräns, och den avslutar jämförelsen för den arbetsbelastningen.

Om resultatet är det man betalar för — en modell, en presentation, ett pm, ett dokument som en person kommer att öppna och redigera — då blir frågan om en eftertränad specialist slår en effektiv generalist, och Ultramarine 1 Flash är specialisten. Bevisen för det är leverantörens, på leverantörens benchmarks, en dag efter lansering, och de bör läsas som en hypotes snarare än ett konstaterat resultat. Men det är en specifik och testbar hypotes: av de sex testsviterna leder Paper Instruments i fyra, och de största marginalerna finns i JobBench och FrontierFinance, de två som ligger närmast verkligt leveransarbete; på APEX-Agents 1.1 och DiligenceBench, som är agent-loop- och forskningsuppgifter, leder Gemini 3.8 Flash och Claude Fable 5, och Ultramarine 1 Flash kommer på tredje plats.

Den olösta frågan är inte vilken modell som är bättre. Det är huruvida det leveransalstrande beteendet överlever kontakten med dokument som ingen på Paper Instruments har skrivit. Företaget har publicerat sin metod i tillräcklig detalj för att bjuda in till just det testet, och har inte publicerat de vikter som skulle låta någon köra den utan att gå via dess API. Båda dessa fakta är bärande, och bara en av dem kommer sannolikt att ändras snart.

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.