Ultramarine 1 Flash: Paper Instruments เปิดตัวโมเดลที่พร้อมใช้งานในราคา $0.13 ต่องาน

Paper Instruments เผยแพร่ Ultramarine 1 Flashเมื่อวันที่ 14 ตุลาคม 2026 และตัวเลขที่บริษัทนำมาเป็นจุดขายไม่ใช่คะแนนเบนช์มาร์ก แต่เป็นราคา: $0.13 สำหรับทำหนึ่งภารกิจบน PI Knowledge Work ชุดงานภายในของบริษัทซึ่งครอบคลุมงานด้านการเงิน กฎหมาย ที่ปรึกษา และปฏิบัติการ โมเดลที่ต้องจ่าย $8.19 เพื่อทำภารกิจเดียวกันให้เสร็จ — Claude Fable 5 ที่ใช้การให้เหตุผลสูงสุด — ได้คะแนน 57.8 ที่นั่น Ultramarine 1 Flash ได้คะแนน 59.3 อ่านคู่นั้นตามกรอบที่ผู้ขายนำเสนอ แล้วคุณจะได้โมเดลที่เอาชนะระบบระดับแนวหน้าได้ด้วยต้นทุนประมาณหนึ่งในหกสิบสาม อ่านให้ละเอียดขึ้น แล้วคุณจะพบสิ่งที่แคบกว่าและน่าสนใจกว่า: โมเดลที่สร้างขึ้นสำหรับผลลัพธ์ประเภทเฉพาะ โดยตั้งราคาในอัตราที่โมเดลฐานของมันเองเรียกเก็บ พร้อมกับเบนช์มาร์กที่ระบุเช่นนั้นซึ่งเขียนขึ้นโดยบริษัทที่ขายมัน

โมเดลฐานเป็นสิ่งที่ควรกล่าวไว้ตั้งแต่ต้น เพราะมันอธิบายราคาส่วนใหญ่ได้ Ultramarine 1 Flash เป็นการฝึกหลังการฝึก (post-training) ของGLM-5.3 Flash ซึ่งเป็นโมเดลมัลติโมดัลแบบเนทีฟขนาดรวม 320B / ใช้งานจริง 18B จาก Z.ai ที่ได้รับการปรับปรุงผ่านการเรียนรู้แบบเสริมกำลังขนาดใหญ่ แทนที่จะสร้างขึ้นใหม่ตั้งแต่ต้น อัตราค่า API อยู่ที่ 0.15 ดอลลาร์ต่ออินพุตหนึ่งล้านโทเค็น อินพุตแบบแคช 0.03 ดอลลาร์ และเอาต์พุต 0.50 ดอลลาร์ — เท่ากับของ GLM-5.3 Flash ซึ่งนั่นคือความหมายของคำว่า "เหมือนกับ GLM-5.3 Flash" ในบล็อกราคาของผู้จำหน่ายเอง

สิ่งที่ส่งมอบแล้ว และสิ่งที่ยังเป็นเพียงคำสัญญา

ในวันวางจำหน่าย มีสองสิ่งที่เป็นจริง และช่องว่างระหว่างสองสิ่งนั้นคือเรื่องราวที่สื่อจำนวนมากจะทำให้แบนราบ

Ultramarine API เปิดให้ใช้งานแล้ว วันนี้คุณสามารถส่งงานให้ได้เลย และจ่ายในอัตราข้างต้น หน้าแลนดิ้งเพจลิงก์ไปยัง API นี้ภายใต้บรรทัด "Ultramarine API →" ธรรมดา ๆ

เวตของโมเดลไม่เปิด หน้าเดียวกันนั้นระบุว่า “เวตของโมเดลจะมาเร็ว ๆ นี้” และรายงานทางเทคนิคอธิบาย GLM-5.3 Flash ว่าเป็น “โมเดลฐานแบบเปิดที่แข็งแกร่ง” — ซึ่งเป็นข้อความเกี่ยวกับตัวฐาน ไม่ใช่เกี่ยวกับรุ่นที่ต่อยอดมา Ultramarine 1 Flash ในขณะนี้เป็นเอนด์พอยต์ที่โฮสต์ไว้แบบปิดซึ่งมีเจตนาจะเปิดเวต คำถามว่าในที่สุดแล้วมันจะเปิดอย่างแท้จริงหรือไม่ เป็นคำถามเปิดที่ใหญ่ที่สุดเพียงข้อเดียวเกี่ยวกับมัน และเป็นคำถามที่บทสรุปมือสองจำนวนมากตอบไปแล้วด้วยการตั้งสมมติฐานแทนการตรวจสอบ

สิ่งที่เปิดให้ใช้แบบโอเพนซอร์สในวันเปิดตัวก็คือโครงสร้างรองรับ ฮาร์เนสเอเจนต์ Feather ซึ่งเป็นสภาพแวดล้อมที่โมเดลนี้ได้รับการฝึกและใช้ประเมินผล ถูกเผยแพร่เป็นรีโพซิทอรี เช่นเดียวกับ paper-docx, paper-pptx และ paper-xlsx ฟอร์กของ Paper Instruments จากไลบรารี Python Office มาตรฐาน ซึ่งโมเดลใช้สร้างเวิร์กบุ๊ก Excel, สไลด์ PowerPoint และเอกสาร Word ฟอร์กเหล่านี้มีอยู่เพราะ ตามคำอธิบายของบริษัทเอง เอเจนต์ที่ใช้งาน python-docx และไลบรารีทำนองเดียวกัน “เจอช่องว่างของ API ต้องลงไปใช้ OOXML ดิบ และก่อให้เกิดความเสียหายแบบเงียบๆ และรีเกรสชัน”

เกณฑ์มาตรฐานทั้งหกรายการ รวมถึงสองรายการที่มันแพ้

Paper Instruments ได้รับการประเมินบนหกชุด Ultramarine 1 Flash เป็นผู้นำในสี่ชุดและไม่เป็นผู้นำในสองชุด ซึ่งเป็นบทสรุปที่มีประโยชน์มากกว่าค่าเฉลี่ย

• JobBench — 62.9 สำหรับ Ultramarine 1 Flash นำหน้า Gemini 3.8 Flash ที่ 60.6 และ DeepSeek V4.1 Flash ที่ 60.4 โดย Claude Fable 5 อยู่ที่ 57.4 และ GPT-5.6 Sol ที่ 45.4

• PI Knowledge Work ชุดซอฟต์แวร์ภายใน — 59.3 นำหน้า Claude Fable 5 ที่ 57.8 และ GPT-5.6 Sol ที่ 55.1

• FrontierFinance — 53.3 นำหน้า GLM-5.3 Flash ที่ 50.7 และ Gemini 3.8 Flash ที่ 50.0

• AutomationBench — อันดับที่สอง DeepSeek V4.1 Flash คว้าไปที่ 51.3 เทียบกับ 50.2 ของ Ultramarine

• DiligenceBench — อันดับสาม Gemini 3.8 Flash นำเป็นอันดับหนึ่งที่ 53.1, Claude Fable 5 เป็นอันดับสองที่ 52.9, Ultramarine 1 Flash อยู่ที่ 50.6

• APEX-Agents 1.1 — อันดับสาม Gemini 3.8 Flash ที่ 64.3 และ Claude Fable 5 ที่ 63.6 ต่างก็ผ่านเกณฑ์นี้; Ultramarine 1 Flash อยู่ที่ 57.0 ยังนำหน้า GPT-5.6 Sol ที่ 51.5 และ DeepSeek V4.1 Flash ที่ 39.5 อย่างมาก

รูปแบบของความพ่ายแพ้นั้นสม่ำเสมอและน่าตั้งชื่อ: Ultramarine 1 Flash แข็งแกร่งที่สุดในงานที่สิ่งที่ต้องส่งมอบเป็นเอกสาร และอ่อนแอที่สุดในงานที่เป็นลูปเอเจนต์แบบสดที่ต้องทำงานกับระบบต่างๆ DiligenceBench เป็นการประเมินเอเจนต์สำหรับการวิจัยหุ้น; APEX-Agents เป็นชุดทดสอบแบบเอเจนต์ ส่วน AutomationBench เป็นการทดสอบด้านระบบอัตโนมัติ เบนช์มาร์กสองรายการที่ผู้เผยแพร่ของตัวมันเองสร้างขึ้นโดยมุ่งเน้นงานส่งมอบในสำนักงาน คือสองรายการที่มันชนะด้วยส่วนต่างมากที่สุด

ทำไมคะแนนถึงเป็นแบบนั้น

งานระดับมืออาชีพแทบทั้งหมดไม่สามารถตรวจสอบได้ด้วยตัวแยกวิเคราะห์ บันทึกตรวจสอบสถานะไม่ได้คอมไพล์ และสไลด์นำเสนอต่อคณะกรรมการก็ไม่มี unit test ดังนั้นจึงไม่มี regex ใดที่บอกได้ว่าฉบับไหนถูก นั่นคือปัญหาที่ Paper Instruments ตั้งใจจะโจมตี และคำตอบของมันก็สามารถยกมาอ้างแบบคำต่อคำได้ว่า "เราขยายการสังเคราะห์งานที่ไม่อาจตรวจสอบยืนยันได้ให้ครอบคลุมงานความรู้แบบเอเจนต์"

กลไกนี้คือหลักสูตร สี่โดเมน — การเงิน กฎหมาย ที่ปรึกษา ปฏิบัติการ — ขยายออกเป็น 19 สาขาการปฏิบัติ และ 88 ประเภทสภาพแวดล้อมที่แตกต่างกัน ซึ่งแต่ละประเภทจะสุ่มตัวอย่างจากอนุกรมวิธานของแกนต่าง ๆ: รูปแบบสิ่งที่ส่งมอบ, ความขัดแย้งของแหล่งข้อมูล, ผู้มีส่วนได้ส่วนเสีย, ขั้นตอนของธุรกรรม บริษัทกำหนดปริภูมิการกำหนดค่าตามทฤษฎีไว้ที่ประมาณระหว่าง 10⁷ ถึง 10¹⁰ ชุดค่าผสมต่อสาขาการปฏิบัติ ซึ่งเป็นการป้องกันการยุบตัวของโหมดพอ ๆ กับการอ้างขนาด สภาพแวดล้อมแต่ละแห่งเป็นพื้นที่ทำงานจริง: ระบบไฟล์ที่สร้างจากเอกสารที่ยื่นต่อ SEC EDGAR, รายงานนักวิเคราะห์ และสัญญาสังเคราะห์ รวมถึงระบบบันทึกข้อมูลหลักที่ใช้งานจริง — ERP, CRM, WMS, MES, GRC — ที่เข้าถึงผ่าน MCP, HTTP และ CLI

การให้คะแนนคือจุดที่เรื่องนี้กลายเป็นเรื่องแปลก แต่ละงานมาพร้อมรูบริก และเกณฑ์แต่ละข้อถูกเขียนขึ้นเพื่อลากเส้นแบ่งเหนือคำตอบที่ยอมรับได้ มากกว่าที่จะเรียกร้องคำตอบใดคำตอบหนึ่ง ตัวอย่างที่ทำไว้เองในรายงานเปรียบเทียบเกณฑ์ที่โอเวอร์ฟิตซึ่งปฏิเสธคำตอบที่ถูกต้องสองในสามข้อ กับเกณฑ์ที่คลุมเครือซึ่งยอมรับคำตอบที่ผิดสามข้อ แล้วแสดงเวอร์ชันที่เขียนใหม่ซึ่งสอดคล้องกับเส้นแบ่งนั้น ไฟล์ส่งมอบจะถูกแยกวิเคราะห์และส่งให้ตัวให้คะแนนตามรูบริก — แพ็กเกจโอเพนซอร์สของบริษัท โดยมี GPT-5.6 Terra เป็นโมเดลผู้ตัดสิน การฝึกใช้บริบทขนาด 131,072 โทเคน เพดานเอเจนต์ 250 เทิร์น และการบีบอัดเมื่อถึง 85% ของหน้าต่าง

การออกแบบนั้นเป็นที่มาของทั้งผลลัพธ์และข้อควรระวัง มันเป็นเหตุผลที่โมเดลราคาถูกขนาดนี้สามารถทำคะแนนได้ใกล้เคียงกับระบบระดับแนวหน้าในงานเอกสาร: การกระจายงานถูกสร้างขึ้นให้คล้ายกับงานเอกสาร มันยังเป็นเหตุผลที่ตัวเลขเหล่านั้นจำเป็นต้องมีป้ายกำกับติดไว้ สิ่งเหล่านี้เป็นเกณฑ์มาตรฐานของผู้ขายเอง ถูกให้คะแนนโดยผู้ตัดสินของผู้ขายเอง บนงานที่ผู้ขายเขียนขึ้นเอง Paper Instruments รายงานว่า PI Knowledge Work มีความสัมพันธ์กับ Artificial Analysis Intelligence Index ที่ r = 0.81 ซึ่งเป็นตัวเลขที่จริงจังและเป็นคำตอบบางส่วน — แต่ความสัมพันธ์ที่อยู่ฝั่งของผู้ขายก็ยังคงอยู่ฝั่งของผู้ขาย ยังไม่มีบุคคลที่สามเผยแพร่การประเมินอิสระของ Ultramarine 1 Flash และโมเดลนี้มีอายุเพียงหนึ่งวัน

ข้ออ้างที่ไม่เป็นจริงบนแผนภูมิ

สิ่งที่ปกป้องได้มากที่สุดเกี่ยวกับการเปิดตัวครั้งนี้ก็เป็นสิ่งที่ถูกอ้างถึงน้อยที่สุดเช่นกัน: โมเดลสร้างโทเคนเอาต์พุตน้อยกว่าโมเดลฐาน 6.5% ในทั้งหกเบนช์มาร์ก 30.5 ล้านเทียบกับ 32.7 ล้าน รวมการให้เหตุผลด้วย เมื่อคิดเป็นบิลต่องาน นั่นคือความต่างระหว่างโมเดลที่ถูกกว่า กับโมเดลที่ถูกกว่าและยังรันได้ถูกกว่าด้วย และมันเป็นงานวิศวกรรมแบบที่ปรากฏในบิลมากกว่าในลีดเดอร์บอร์ด

ข้อกล่าวอ้างที่ไม่ค่อยจะยืนนักคือเรื่องพรมแดนต้นทุน–คุณภาพ บน PI Knowledge Work GPT-6 Luna ในโหมดการให้เหตุผลสูงสุดได้คะแนน 58.3 ที่ $0.11 ต่องาน คะแนนดีที่สุดของ Ultramarine 1 Flash คือ 59.3 ที่ $0.13 ช่องว่างหนึ่งคะแนนกับสองเซนต์นั้นแคบพอที่วลี “อยู่บนพรมแดนต้นทุน–คุณภาพ ณ จุดราคาที่น่าดึงดูดที่สุด” จะเป็นถ้อยแถลงด้านการวางตำแหน่งมากกว่าข้อเท็จจริง — ซึ่งแผนภูมิของผู้ขายเอง ก็น่าชื่นชมที่พิมพ์ไว้ให้ใครก็ตามที่อ่านเลยรายการพาดหัวไปเห็น โมเดลที่ตามหลังอยู่หนึ่งคะแนนในราคาถูกกว่าสองเซนต์ถือเป็นทางเลือกที่แท้จริงสำหรับงานปริมาณมาก และเวอร์ชันที่ซื่อตรงของการเปิดตัวครั้งนี้ก็คือ Ultramarine 1 Flash อยู่แถวหน้าของกลุ่มเล็ก ๆ มากกว่าที่จะยืนโดดเดี่ยวอยู่บนพรมแดน

ที่ที่มันลงตัว ถ้าอยากจะเรียกมันแบบนั้น

Ultramarine 1 Flash ไม่ใช่โมเดลอเนกประสงค์ และไม่ได้แสร้งทำเป็นเช่นนั้น มันรับข้อความเข้า และส่งออกเป็นเวิร์กบุ๊ก Excel, สไลด์ PowerPoint หรือเอกสาร Word พร้อมความสามารถในการลงมือทำภายในระบบธุรกิจในขณะที่ทำงานนั้นอยู่ หากภาระงานของคุณคือเอกสาร ตอนนี้วิธีนี้ถือเป็นหนึ่งในวิธีที่ประหยัดและน่าเชื่อถือที่สุดในการสร้างมันขึ้นมา

Ultramarine 1 Flash ไม่ได้อยู่ในแค็ตตาล็อกของเรา. โมเดลที่มันถูกฝึกหลังการฝึกมาจากคือ: GLM-5.3 Flash ให้บริการบน OrcaRouter ในราคา $0.15 ต่ออินพุต และ $0.50 ต่อเอาต์พุตต่อล้านโทเคน โดยไม่มีอะไรเพิ่มต่อโทเคน และอัตรานี้คือราคาตามรายการของผู้ให้บริการที่ส่งผ่านมาตรง ๆ ดังนั้นหาก Z.ai เปลี่ยนตัวเลข ตัวเลขที่ให้บริการก็จะเปลี่ยนตามในวันเดียวกัน สิ่งนี้สำคัญกว่าปกติสำหรับการเปิดตัวแบบนี้ เพราะเหตุผลทั้งหมดสำหรับ Ultramarine 1 Flash คือการคำนวณทางคณิตศาสตร์ที่ทำเทียบกับตารางราคาของโมเดลฐาน แยกกันอีกเรื่อง สี่ในโมเดลที่มันถูกนำมาเปรียบเทียบด้วย — GPT-5.6 Sol, DeepSeek V4.1 Flash, Gemini 3.8 Flash และ Kimi K3 — สามารถเข้าถึงได้จากปลายทางเดียวกัน ซึ่งหมายความว่าคุณสามารถทดสอบการเปรียบเทียบของผู้ขายกับเอกสารของคุณเองแทนที่จะเป็นของพวกเขา

อะไรจะทำให้การประเมินเปลี่ยนไป

สามเรื่อง เรียงจากมากไปน้อยตามว่าจะมีความสำคัญมากเพียงใด

การประเมินอิสระหนึ่งครั้งบนชุดทดสอบที่ไม่มีใครใน Paper Instruments เป็นคนเขียน ผู้ขายได้เปิดทางให้สิ่งนี้ด้วยการเผยแพร่ค่าสหสัมพันธ์กับดัชนีของบุคคลที่สาม; ขั้นตอนถัดไปคือการที่คนอื่นเผยแพร่คะแนน

เวตของโมเดล "เร็ว ๆ นี้" เป็นเพียงข้อความตัวแทน และจนกว่ามันจะคลี่คลาย "โมเดลเปิด" ก็เป็นเพียงคำอธิบายเจตนาที่การเปิดตัวยังไม่ได้ยืนยันให้เห็นจริง หากมันออกมาจริง โมเดลที่มีพารามิเตอร์ใช้งาน 18B ซึ่งปรับจูนสำหรับงานเอกสารจะกลายเป็นสิ่งที่คุณรันเองได้ และตัวเลข $0.13 จะไม่ใช่วิธีเดียวในการซื้อความสามารถนี้อีกต่อไป

เบนช์มาร์กหนึ่งที่มันไม่ได้ชนะโดยธรรมชาติ สี่ชุดที่มันนำอยู่บอกคุณว่ามันเก่งในสิ่งที่มันได้รับการฝึกมา สองชุดที่มันตามหลังบอกคุณว่าที่ใดที่เอเจนต์ทั่วไปยังเอาชนะผู้เชี่ยวชาญได้ ใครก็ตามที่กำลังวางแผนไปป์ไลน์เอเจนต์ด้านกฎหมายหรือการเงินควรอ่านสองแถวนั้นกับแถว $0.13 ไปพร้อมกัน แล้วตัดสินใจว่าแถวไหนอธิบายภาระงานของตน

การเปรียบเทียบแบบนี้ก็เป็นจุดที่โหมดความล้มเหลวปรากฏให้เห็นเช่นกัน: เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่มีการบันทึกไว้ซึ่งอยู่เบื้องหลังโมเดลในระดับนี้ได้รับการรวบรวมไว้ในthe OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะถูกโต้แย้งเป็นของตนเอง