Ultramarine 1 Flash vs Gemini 3.5 Flash-Lite: การส่งมอบชิ้นงานและการตอบคำถามเป็นผลิตภัณฑ์ที่แตกต่างกันสองอย่าง

เริ่มจากบรรทัดที่จบข้อโต้แย้ง ไม่ใช่บรรทัดที่เริ่มต้นมัน Gemini 3 Flash-Liteรับข้อความ รูปภาพ เสียงพูด และวิดีโอ แล้วส่งคืนข้อความ Ultramarine 1 Flashรับข้อความ แล้วส่งคืนเวิร์กบุ๊ก Excel งานนำเสนอ PowerPoint หรือเอกสาร Word ที่แก้ไขในตำแหน่งเดิม โดยได้อ่านและเขียนไปยังระบบธุรกิจที่งานนั้นอาศัยอยู่ ทั้งคู่ราคาถูก โมเดลของ Google ได้ 22 คะแนนบน Artificial Intelligence Index ที่ราคา $0.19 ต่องานที่เสร็จสมบูรณ์; Paper รายงานว่า $0.13 ต่องานบนชุดทดสอบภายในของตัวเอง ตัวเลขใกล้กันมากพอที่เรื่องต้นทุนจะเสมอกัน และสิ่งที่เหลืออยู่คือคุณกำลังซื้อคำตอบหรือซื้อผลงานที่ส่งมอบได้ — เพราะในคำถามนั้น สองตัวนี้ไม่ได้อยู่ในระดับเดียวกันเลย

อีกทั้งยังไม่ได้ถูกสร้างขึ้นในเวลาเดียวกันหรือด้วยเหตุผลเดียวกัน Gemini 3.5 Flash-Lite เปิดให้ใช้งานทั่วไปในเดือนกรกฎาคม 2026 ในฐานะระดับที่ประหยัดต้นทุนที่สุดของ G​oogle โดยมีราคาอยู่ที่ประมาณหนึ่งในห้าของราคาของ 3.6 Flash Ultramarine 1 Flash เผยแพร่เมื่อวันที่ 14 ตุลาคม 2026 ในฐานะการฝึกภายหลังด้วยการเรียนรู้แบบเสริมกำลังของ GLM-5.3 Flash โดยมุ่งไปที่ผลส่งมอบที่พร้อมสำหรับลูกค้ามากกว่าการตอบกลับ

เส้นสเปก ทั้งสองด้าน

ตัวเลขของ Ultramarine คืออัตรา API ที่ Paper Instruments เผยแพร่ และผลการประเมินที่เผยแพร่ของตนเอง ส่วนค่าคอนเท็กซ์ของมันคือการตั้งค่าการเทรนที่ระบุไว้ในรายงานทางเทคนิค ตัวเลขของ Gemini คือเรตการ์ดของ Google บวกกับผลการวัดของ Artificial Analysis โดยติดป้ายกำกับไว้ในส่วนที่เป็นการวัด

• ราคาอินพุต — Ultramarine 1 Flash $0.15 ต่อล้านโทเคน เทียบกับ Gemini 3.5 Flash-Lite $0.30 G​oogle แพงกว่า 2 เท่าเมื่อคิดฝั่งอินพุต

• ราคา Output — $0.50 เทียบกับ $2.50 ต่อล้าน ต่างกัน 5 เท่า และนี่คือบรรทัดที่ต้นทุนของงานเอกสารสะสมขึ้นมาจริง ๆ

• อินพุตที่แคชไว้ — $0.03 ต่อล้าน (ลด 80%) เทียบกับ $0.03 (ลด 90%) จำนวนสัมบูรณ์เดียวกัน ที่ได้จากส่วนลดที่ต่างกัน

• หน้าต่างบริบท — 131,072 โทเค็นในการตั้งค่าการฝึก เทียบกับ 1,048,576 Google มีมากกว่า 8 เท่า

• เอาต์พุตสูงสุด — ไม่ได้เปิดเผย เทียบกับ 65,536 โทเค็น

• อินพุต — งานด้านข้อความและเอกสาร เทียบกับข้อความ รูปภาพ เสียง และวิดีโอ

• ต้นทุนต่องานที่เสร็จสมบูรณ์ — $0.13 บน PI Knowledge Work เทียบกับ $0.19 บน Intelligence Index ตัวเลขตัวที่สองจากสองตัวเลขในช่วงเปิด และเป็นตัวที่ต้องระมัดระวังมากที่สุด

• ความเร็วเอาต์พุต — ไม่ได้เผยแพร่สำหรับ Ultramarine 1 Flash เทียบกับ 425.0 โทเค็นเอาต์พุตต่อวินาทีสำหรับ Gemini 3.5 Flash-Lite เร็วเป็นอันดับสี่จาก 148 โมเดลในระดับเดียวกัน

ตัวเลขความหน่วงที่อยู่ภายในตัวเลขความเร็ว

Gemini 3.5 Flash-Lite เป็นหนึ่งในโมเดลที่เร็วที่สุดที่ใครๆ ก็เคยวัดมา แต่ก็เริ่มช้าเช่นกัน Artificial Analysis บันทึกเวลาถึงโทเคนแรกที่ 8.13 วินาทีบน API ของ Google เอง เทียบกับค่ามัธยฐานที่ 1.85 วินาทีสำหรับโมเดลในระดับราคาที่เทียบเคียงได้ โมเดลนี้สตรีมที่ 425 โทเคนต่อวินาทีเมื่อเริ่มทำงาน และใช้เวลาแปดวินาทีในการเริ่ม

นั่นไม่ใช่ข้อบกพร่อง แต่เป็นคุณสมบัติของเส้นทางการเสิร์ฟ และมันบอกคุณว่าชั้นนี้ถูกออกแบบมาสำหรับงานประเภทใด งานจำแนกประเภทแบบแบตช์ ไปป์ไลน์สกัดข้อมูล เอเจนต์เบื้องหลัง — ไม่มีงานใดสังเกตเห็นการเริ่มต้นที่ใช้เวลาแปดวินาที และทั้งหมดได้ประโยชน์มหาศาลจากการตอบกลับ 500 โทเคนให้เสร็จในประมาณหนึ่งวินาที มนุษย์ที่รอคำตอบแชตไม่สังเกตเห็นสิ่งอื่นใด คำว่า "Flash" กำลังอธิบายปริมาณงาน ไม่ใช่ความสามารถในการตอบสนอง และสองสิ่งนี้ไม่ใช่การวัดแบบเดียวกัน

Ultramarine 1 Flash ไม่มีตัวเลขความเร็วหรือความหน่วงที่เผยแพร่เลยแม้แต่ตัวเดียว ไม่จาก Paper Instruments และไม่จากบุคคลที่สามรายใดเลย ไม่มีพื้นฐานใดที่จะกล่าวอ้างว่ามันเร็วกว่าหรือช้ากว่าโมเดลของ G​oogle และใครก็ตามที่บอกคุณเป็นอย่างอื่นกำลังอนุมานจากสถาปัตยกรรมแทนที่จะอ่านตัวเลข สิ่งที่รายงานทางเทคนิคเปิดเผยก็คือกรอบการทำงานที่มันถูกฝึกอยู่ภายใน: บริบทขนาด 131,072 โทเคน, จำนวนสูงสุด 250 รอบในลูปของเอเจนต์, และการบีบอัดบริบทที่ถูกทริกเกอร์เมื่อถึง 85% ของหน้าต่าง หรือเมื่อเหลือ 30,000 โทเคน แล้วแต่เงื่อนไขใดถึงก่อน ฮาร์เนสที่บีบอัดบริบทของตนเองโดยการออกแบบ คือฮาร์เนสที่สร้างมาสำหรับงานยาวซึ่งหากไม่ทำเช่นนั้นก็จะล้น — ซึ่งเป็นเบาะแสเกี่ยวกับรูปร่างของงานของมัน ไม่ใช่การวัดว่ามันผลิตงานเหล่านั้นได้รวดเร็วเพียงใด

คุณค่าของ "งาน" ขึ้นอยู่กับว่าใครเป็นคนเขียนเกณฑ์มาตรฐาน

$0.13 กับ $0.19 ดูเทียบเคียงกันได้ แต่วัดคนละสิ่ง และนี่คือส่วนหนึ่งของการเปรียบเทียบที่ตารางแบบวางข้างกันจะซ่อนไว้ไม่ให้คุณเห็น

ดัชนี Intelligence Index เป็นการรวมกันของการประเมินสิบรายการ — คณิตศาสตร์ การเขียนโค้ด การใช้เหตุผล และงานเชิงเอเจนต์ งานต่างๆ ของ它具有คำตอบที่ผู้ตรวจให้คะแนนสามารถตรวจสอบได้ คะแนน 22 ของ Gemini 3.5 Flash-Lite เป็นคะแนนจริงจากผู้ประเมินที่ไม่มีความเกี่ยวข้องใดๆ กับโมเดลนี้ และราคา $0.19 ของมันคือต้นทุนที่วัดได้ต่อหนึ่งงานที่ทำสำเร็จในชุดการประเมินนั้น G​oogle ยังมีบันทึกความละเอียดของคำตอบที่น่าชื่นชมกว่าในบรรดาสองรายการนี้: 59 ล้านโทเคนเอาต์พุตในการทำ Index ให้เสร็จ จัดอยู่ในอันดับที่ 23 จาก 60 และได้รับการอธิบายว่าค่อนข้างกระชับเมื่อเทียบกับค่ามัธยฐานที่ 95 ล้าน นั่นคือโมเดลที่ถูกออกแบบมาไม่ให้พูดพร่ำเพ้อ

PI Knowledge Work ไม่ใช่แบบนั้น มันคือชุดของสิ่งที่ส่งมอบให้ลูกค้าได้พร้อมใช้ ซึ่งถูกให้คะแนนเทียบกับ rubric ที่เขียนขึ้นเฉพาะสำหรับแต่ละงาน เพราะบันทึกวิเคราะห์สถานะวิสาหกิจ (diligence memo) ไม่มีคำตอบที่ถูกต้องให้ตรวจเทียบ Ultramarine 1 Flash ได้ 59.3 ในส่วนนี้ที่ราคา $0.13 ต่องาน เทียบกับ Claude Fable 5 ที่ 57.8 ในราคา $8.19 และ GPT-5.6 Sol ที่ 55.1 ในราคา $2.09 ผู้ขายรายงานว่าชุดงานของตนสอดคล้องกับ Artificial Analysis Intelligence Index ที่ r = 0.81 — เป็นตัวเลขที่จริงจัง และเป็นข้อมูลมือสอง งานหนึ่งในชุดหนึ่งไม่ใช่งานหนึ่งในอีกชุดหนึ่ง: คำถามเชิงเหตุผลอาจมีเพียงไม่กี่ร้อยโทเค็น และบอร์ดเด็คคือการรันแบบ agentic ยาว ๆ ที่ให้ผลลัพธ์ออกมาเป็นไฟล์ ตัวเลขต่องานสองค่า�านั้นไม่ใช่หน่วยของสิ่งเดียวกัน และการนำมาลบกันก็คือการคำนวณบนข้อผิดพลาดเชิงประเภท

สิ่งที่รอดพ้นจากคำวิจารณ์นั้นมีขอบเขตแคบลง แต่มีประโยชน์อย่างแท้จริง Paper Instruments วัดประสิทธิภาพด้านโทเคนโดยเทียบกับสิ่งอื่นที่ไม่ใช่ตัวมันเอง: ในเบนช์มาร์กทั้งหกของมัน Ultramarine 1 Flash ปล่อยโทเคนเอาต์พุตน้อยกว่าโมเดล GLM-5.3 Flash ที่มันสืบทอดมา 6.5% — 30.5 ล้าน เทียบกับ 32.7 ล้าน รวมการให้เหตุผลด้วย — ขณะที่เอาชนะมันได้ในทั้งหกรายการ ชุดทดสอบเดียวกัน ฮาร์เนสเดียวกัน วัดทั้งสองฝ่าย บนตารางราคาต่อโทเคน โมเดลที่เขียนน้อยกว่าเพื่อผลลัพธ์ที่ดีกว่าคือส่วนลดสองต่อ

สองโมเดลที่ใช้งานได้บนปุ่มเดียว

Gemini 3.5 Flash-Lite ให้บริการบน OrcaRouter ในราคา $0.30 ต่ออินพุต และ $2.50 ต่อเอาต์พุต ต่อล้านโทเค็น ซึ่งเป็นราคาตามรายการของผู้ให้บริการที่ส่งผ่านมาตรง ๆ โดย ไม่มีการบวกเพิ่มต่อโทเค็น — ดังนั้นหาก Google เปลี่ยนแปลงราคา ก็จะมีผลที่นี่ในวันเดียวกัน โดยไม่ต้องดีพลอยฝั่งเรา เคียงข้างกันนั้นมีโมเดลที่การเปรียบเทียบนี้พูดถึงอยู่เสมอ: GPT-5.6 Sol, Claude Fable 5 และ GLM-5.3 Flash ซึ่งเป็นฐานที่ใช้เทรน Ultramarine 1 Flash ล้วนเข้าถึงได้จากเอนด์พอยต์เดียวกันและคีย์เดียวกัน

เรื่องนี้สำคัญกับการจับคู่นี้มากกว่าการเทียบกันตรงๆ ทั่วไป เพราะภาระงานมีความหลากหลาย ไปป์ไลน์เอกสารที่ออกแบบโดยอิงกับหน้าต่างหนึ่งล้านโทเค็นและรูปแบบอินพุตสี่แบบเป็นไปป์ไลน์ที่แตกต่างจากไปป์ไลน์ที่ออกแบบโดยอิงกับเอเจนต์ที่สร้างผลส่งมอบ และทั้งสองมักอยู่ร่วมกันในทีมเดียวกัน กฎการจัดเส้นทางสามารถเก็บอินพุตแบบสแกนหรือแบบภาพและเสียงไว้กับโมเดลของ Google และส่งเส้นทางจากข้อความไปสู่ผลส่งมอบไปที่อื่น โดยมีทางเลือกสำรองที่ประกาศไว้หากตัวเลือกแรกใช้ไม่ได้ — สัญญาเดียวแทนที่จะเป็นสอง และไม่ต้องแก้โค้ดเมื่อคุณเปลี่ยนใจว่าโมเดลใดจะได้งานที่ใช้เวลานาน

อัลตรามารีน 1 แฟลชไม่มีอยู่ในแคตตาล็อกของเราเอง ช่องทางเข้าถึงในปัจจุบันคือ API ของผู้ให้บริการเองและแพลตฟอร์มของบุคคลที่สามที่นำมาขายต่อ

วิธีที่ฉันจะตัดสินใจจริง ๆ

สองสถานการณ์ และทั้งสองก็คลี่คลายอย่างเรียบร้อย

หากอินพุตมีสิ่งใดก็ตามที่ไม่ใช่ข้อความ — สัญญาที่ถ่ายเป็นภาพ บันทึกเสียงการสนทนาทางโทรศัพท์ ภาพแคปหน้าจอ หรือวิดีโอสาธิตการใช้งาน — โมเดลของ Google เป็นเพียงหนึ่งเดียวในสองตัวที่รับคำขอได้ นั่นไม่ใช่ความชอบ แต่เป็นขอบเขตของความสามารถ และมันยุติการเปรียบเทียบสำหรับภาระงานนั้น

หากสิ่งที่เป็นผลลัพธ์คือสิ่งที่จ่ายเงินกัน — ไม่ว่าจะเป็นโมเดล สไลด์เด็ค บันทึก หรือเอกสารที่คนจะเปิดขึ้นมาและแก้ไข — คำถามก็กลายเป็นว่า ผู้เชี่ยวชาญที่ผ่านการฝึกหลังการฝึกจะเอาชนะนักทั่วไปที่ทำงานได้อย่างมีประสิทธิภาพได้หรือไม่ และ Ultramarine 1 Flash คือผู้เชี่ยวชาญนั้น หลักฐานที่สนับสนุนข้อนี้เป็นของทางผู้ขาย บนเกณฑ์มาตรฐานของทางผู้ขาย หนึ่งวันหลังการเปิดตัว และควรอ่านมันเป็นสมมติฐานมากกว่าข้อค้นพบ แต่มันเป็นสมมติฐานที่เจาะจงและทดสอบได้: ในสี่จากหกชุดที่ Paper Instruments นำอยู่ ช่องว่างที่มากที่สุดอยู่ที่ JobBench และ FrontierFinance ซึ่งเป็นสองชุดที่ใกล้เคียงกับงานส่งมอบจริงมากที่สุด ส่วน APEX-Agents 1.1 และ DiligenceBench ซึ่งเป็นงานแบบ agent-loop และงานวิจัย Gemini 3.8 Flash และ Claude Fable 5 นำอยู่ และ Ultramarine 1 Flash อยู่อันดับสาม

คำถามที่ยังไม่คลี่คลายไม่ใช่ว่าโมเดลไหนดีกว่า แต่คือว่าพฤติกรรมการสร้างสิ่งที่ส่งมอบได้จะยังคงอยู่เมื่อต้องเจอกับเอกสารที่ไม่มีใครที่ Paper Instruments เป็นคนเขียนหรือไม่ บริษัทได้เผยแพร่วิธีการของตนอย่างละเอียดพอที่จะชักชวนให้เกิดการทดสอบแบบนั้นได้พอดี และไม่ได้เผยแพร่น้ำหนัก (weights) ที่จะทำให้ใครสักคนรันมันได้โดยไม่ต้องผ่าน API ของบริษัท ข้อเท็จจริงทั้งสองข้อนี้ล้วนเป็นส่วนสำคัญเชิงโครงสร้าง และมีเพียงข้อเดียวเท่านั้นที่อาจเปลี่ยนแปลงในไม่ช้า

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