Ultramarine 1 Flash vs GPT-5.6 Luna: Två modeller som aldrig dyker upp på samma resultattavla

Det första att lägga märke till med den här kombinationen är vad som saknas i leverantörens eget diagram. Paper Instruments publicerade Ultramarine 1 Flash den 14 oktober 2026 med sex benchmarktabeller och ett kostnads–kvalitetsdiagram som täcker ett trettiotal modellkonfigurationer. GPT-5.6 Luna finns inte i diagrammet. Inte vid låg ansträngning, inte vid medel, inte vid max. Dess syskon GPT-5.6 Sol finns där på varje ansträngningsnivå; en modell som heter GPT-6 Luna finns där med 58,3 för 0,11 dollar per uppgift; GPT-5.6 Luna förekommer inte alls. Och på andra sidan har Artificial Analysis en post för GPT-5.6 Luna — Intelligence Index 37, 0,18 dollar per slutförd uppgift, 115,4 output-tokens per sekund — och ingen post för Ultramarine 1 Flash överhuvudtaget. Två modeller som släpptes tre månader isär, båda inriktade på billigt högvolymarbete, och ingen tredje part har någonsin mätt en av dem på ett benchmark som innehåller den andra.

Den avsaknaden är jämförelsen. GPT-5.6 Luna är OpenAI:s snabba, kostnadseffektiva nivå från GPT-5.6-familjen, lanserad den 9 juli 2026, med en oberoende poäng i ett sammanvägt mått av tio utvärderingar. Ultramarine 1 Flash är en förstärkningsinlärningsbaserad efterträning av GLM-5.3 Flash, prissatt till 0,15 USD för indata / 0,50 USD för utdata per miljon tokens, byggd för att producera Excel-arbetsböcker, bildspel och Word-pm snarare än svar, och som endast har sin tillverkares siffror. Allt nedan handlar om vilka slutsatser som kan och inte kan dras av det upplägget.

Var de två posterna faktiskt befinner sig

Lunas siffror är Artificial Analysis mätningar på OpenAIs eget API. Ultramarines är Paper Instruments publicerade priser och dess egna publicerade utvärderingar, där dess kontextsiffra är hämtad från träningskonfigurationen i dess tekniska rapport.

• Oberoende poäng — Intelligence Index 37 vid maximal ansträngning, fjärde av 148 modeller i sin klass, för GPT-5.6 Luna mot ingen oberoende utvärdering av något slag för Ultramarine 1 Flash.

• Indatapris, på prislistorna — 0,20 USD per miljon tokens mot 0,15 USD. Paper Instruments-modellen är 25 % billigare på ingångssidan.

• Pris för utdata — 1,20 $ vs 0,50 $ per miljon. 2,4x, den största skillnaden i jämförelsen.

• Cachad indata — $0.02 per miljon (90 % rabatt) för Luna mot $0.03 (80 % rabatt). En cent ifrån varandra, till OpenAIs fördel.

• Kontext — 1 050 000 tokens på Lunas prislista mot 131 072 i Ultramarines träningskonfiguration. Åtta gånger så stort fönster, och den enda raden där gapet inte är litet.

• Maximalt utdata — 128 000 tokens jämfört med ej publicerat.

• Uppmätt kostnad per slutförd uppgift — 0,18 USD på Intelligence Index för Luna (maximal ansträngning) vs 0,13 USD på PI Knowledge Work för Ultramarine 1 Flash. Två olika sviter, två olika typer av uppgifter, två siffror som ser jämförbara ut och inte är det.

• Första token — 121,46 sekunder för Luna vid maximal ansträngning på OpenAI:s API, mot en median på 1,85 sekunder för dess prisklass; publiceras inte för Ultramarine 1 Flash i någon form.

Första token på två minuter, och varför det är en inställning snarare än en brist

Den där siffran på 121,46 sekunder förtjänar ett eget avsnitt, eftersom det är den typen av tal som citeras som en defekt när det egentligen är en parameter.

GPT-5.6 Luna vid maximal resonemangsansträngning genomför sin överläggning innan den avger något. På Intelligence Index producerar den 115,4 utdatatokens per sekund när den väl har börjat, och 150 miljoner utdatatokens totalt för att slutföra sviten — 41:a av 60 i sin klass vad gäller verbositet, beskriven av Artificial Analysis som något verbos mot en median på 95 miljoner. Indexpoängen 37 mäts vid den maximala inställningen.

Modellen stöder konfigurerbar ansträngning, vilket innebär att samma vikter som tar två minuter innan de börjar svara kan ställas in på en nivå som svarar omedelbart, till en lägre poäng. OpenAI publicerar ingen uppdelning per ansträngningsnivå i Artificial Analysis-posten, så storleken på den nedgången är inte offentliggjord — ett standardanrop ligger någonstans under 37, med en marginal som ingen utanför OpenAI har mätt. För ett fan-out-steg där hundra billiga anrop var och en tar fram något kort är det rätt konfiguration. För den enda svåra uppgiften i slutet av en kedja är maximal ansträngning rätt. Båda är samma modell och ingen av dem är felkonfigurerad.

Ultramarine 1 Flash publicerar ingen latenssiffra, ingen genomströmningssiffra och ingen tid till första token. Den tekniska rapporten redovisar dock det operativa spann som den tränades och utvärderades inom – 131 072 tokens kontext, ett tak på 250 turer i agentloopen, kompaktering som utlöses vid 85 % av fönstret eller när 30 000 tokens återstår – och en harness byggd för att kompaktera sitt eget arbetsminne är en harness byggd för långa jobb. Det är en slutledning om uppgiftens utformning, inte bevis för hastighet, och den ärliga hållningen är att den ena sidan av jämförelsen har ett uppmätt latensproblem och den andra sidan inte har någon mätning.

Vad ett leveransbart benchmark mäter som ett intelligensindex inte kan

Anledningen till att de två modellerna aldrig möts är inte en slump i schemaläggningen. Benchmarkarna mäter olika saker med avsikt.

Intelligence Index som ger Luna dess 37 är ett sammansatt mått av tio utvärderingar – AA-Briefcase, GDPval-AA, AutomationBench och andra – där var och en har svar som en bedömare kan kontrollera. Det är vad som gör det reproducerbart, och det är därför en utvärderare som inte har något intresse i någon modell kan köra det och publicera en jämförbar siffra för alla.

PI Knowledge Work byggdes just för att de reproducerbara delarna av professionellt arbete inte är de delar som spelar roll. Ett due diligence-pm kompileras inte. En styrelsepresentation har inga enhetstester. En prismodell med en levande prognos i sig kommer att vara fel på ett sätt som en flervalsrättare inte kan se. Så i stället skrev Paper Instruments bedömningsmatriser, en per uppgift, där varje kriterium drogs som en gräns över godtagbara svar snarare än som ett krav på ett enda. Dess rapport ställer ett överanpassat kriterium som avvisar två av tre korrekta svar mot ett vagt sådant som accepterar tre felaktiga, och visar sedan den omskrivna versionen som matchar gränsen – vilket är en rimlig demonstration av varför detta är svårt och en rimlig varning om hur stor vikt en enskild poäng i en bedömningsmatris bör ges.

Vad de resulterande siffrorna är värda, sagt rakt ut: Ultramarine 1 Flash får 59,3 i den sviten för $0,13 per uppgift. GPT-5.6 Sol, Lunas större syskon, får 55,1 för $2,09 och förekommer i alla sex Paper Instruments-tabeller — 45,4 på JobBench mot Ultramarines 62,9, 46,8 på FrontierFinance mot 53,3, 51,5 på APEX-Agents 1.1 mot 57,0. Leverantören rapporterar att dess svit korrelerar med Artificial Analysis Intelligence Index vid r = 0,81, vilket är en seriös siffra och en andrahandssiffra. Ingen tredje part har kört Ultramarine 1 Flash på någonting.

Jämförelsen som mäts på samma sätt på båda sidor

Det finns exakt en klass av mätning i detta par där ingen sidas siffra beror på den andras metodik: token-effektivitet, mätt inom en enda svit av en enda testrigg.

Artificial Analysis uppmäter GPT-5.6 Luna till 150 miljoner utdatatokens för att slutföra Intelligence Index, 58 % över medianen på 95 miljoner i dess klass. Den siffran ligger bakom 0,18 dollar per uppgift — en snabb modell som skriver väldigt mycket är inte det billigaste sättet att köpa en färdig uppgift, och verbositetsrankningen synliggör orsaken.

Paper Instruments framför det motsatta påståendet om sin egen modell, och gör det på ett sätt som går att kontrollera i stället för att bara påstås. I alla sina sex benchmarkar genererade Ultramarine 1 Flash 6,5 % färre utdatatokens än GLM-5.3 Flash, modellen som den eftertränades från – 30,5 miljoner mot 32,7 miljoner, resonemang inräknat – samtidigt som den fick högre poäng på var och en av de sex. Båda sidorna av den jämförelsen utgörs av samma testramverk på samma uppgifter, så den är inte sårbar för den kritik som vilar över allt annat här. Det är också den riktning som inte kommer gratis: efterträningskörningar blir lika ofta pratsammare som de blir tystare.

För alla vars räkning domineras av utdatatokens är detta det mest överförbara faktumet i släppet. Det säger inte att Ultramarine 1 Flash är mer sparsam än GPT-5.6 Luna. Det säger att relationen att den kortare av de två per basmodell höll, på en svit som ingen utanför företaget har reproducerat.

Att köra testet själv

GPT-5.6 Luna är tillgänglig via OrcaRouter för $0.20 för indata och $1.20 för utdata per miljon tokens, med effort-nivån inställd per begäran. Det är leverantörens listpris som förs vidare utan något tillägg per token, vilket spelar roll för en modell vars pris redan har ändrats en gång – den 80-procentiga sänkning som OpenAI gjorde tidigare i år återspeglas här utan att någon omförhandlar ett avtal. Samma endpoint når GPT-5.6 Sol, Claude Fable 5, DeepSeek V4 Flash och GLM-5.3 Flash, varav den sista är basen som Ultramarine 1 Flash tränades från och tillhandahålls enligt samma prislista på $0.15 / $0.50.

Ultramarine 1 Flash finns inte i vår katalog; vägen till den går via leverantörens eget API och de tredjepartsplattformar som återförsäljer den. Den asymmetrin är den praktiska formen av den här jämförelsen. En av dessa två modeller kan du lägga in i en produktionsväg idag med en dirigerad fallback bakom den och en uppmätt p50 framför dig. Den andra testkör du på leverantörens slutpunkt och bedömer utifrån dess egen output.

Vilket test är värt att köra, och det är billigt: skicka samma dokumentbatch till båda, vid Lunas standardansträngning och vid dess maximum, och jämför artefakterna och fakturorna. Specialistens hela argument är att dess utdata behöver mindre omarbete. Det är mätbart på en eftermiddag, och det är det enda beviset som skulle avgöra en parkoppling där ingen har publicerat en gemensam resultattavla.

Positionen, formulerad som vad som är känt och vad som inte är.

Känt, med en källa: GPT-5.6 Luna får 37 poäng på ett index byggt av tio kontrollerbara utvärderingar, för 0,18 dollar per slutförd uppgift, med ett fönster på 1 050 000 tokens och en första token som kan ta drygt två minuter vid den ansträngningsnivå som ger 37 poäng. Den är billig per token, kapabel för sin nivå och – enligt Artificial Analysis egen mätning – benägen att skriva 58 % mer än sina gelikar.

Rapporterat av tillverkaren, ej reproducerat: Ultramarine 1 Flash får 59,3 poäng på en bedömningsmatrisbedömd svit av leverabler inom finans, juridik, konsultverksamhet och drift till $0,13 per uppgift, mot $8,19 för Claude Fable 5 på 57,8 och $2,09 för GPT-5.6 Sol på 55,1, och den slår sin egen basmodell i alla sex sviter samtidigt som den genererar 6,5 % färre tokens.

Okänt: huruvida något av detta överlever ett dokument som ingen på Paper Instruments har skrivit, hur modellens latens ser ut under belastning, och huruvida raden "Modellvikter kommer snart" på leverantörens sida resulterar i en faktisk lansering.

Varje artikel som utser en vinnare utifrån det har hittat på en. Det som klart och tydligt kan sägas är att om du behöver en verifierad poäng innan du bestämmer dig, är GPT-5.6 Luna den enda modellen i detta par som har en, och om ditt arbete är en leverabel snarare än ett svar, ligger det intressanta påståendet helt och hållet på den andra sidan och har inte testats av någon som inte fick betalt för att testa det.

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.