Ultramarine 1 Flash vs GPT-5.6 Luna: สองโมเดลที่ไม่มีวันปรากฏบนสกอร์บอร์ดเดียวกัน

สิ่งแรกที่ควรสังเกตเกี่ยวกับการจับคู่นี้คือสิ่งที่ขาดหายไปจากแผนภูมิของผู้ขายเอง Paper Instruments เผยแพร่ Ultramarine 1 Flash เมื่อวันที่ 14 ตุลาคม 2026 พร้อมตารางเกณฑ์มาตรฐานหกตารางและกราฟต้นทุน-คุณภาพที่ครอบคลุมรูปแบบการกำหนดค่าโมเดลราวสามสิบกว่ารูปแบบ GPT-5.6 Lunaไม่ปรากฏบนกราฟนั้น ไม่ใช่ที่ระดับความพยายามต่ำ ไม่ใช่ที่ระดับกลาง ไม่ใช่ที่ระดับสูงสุด GPT-5.6 Sol ซึ่งเป็นรุ่นพี่น้องของมันปรากฏอยู่ที่นั่นในทุกระดับความพยายาม; โมเดลที่ชื่อ GPT-6 Luna ปรากฏอยู่ที่ 58.3 ในราคา $0.11 ต่อหนึ่งงาน; GPT-5.6 Luna ไม่ปรากฏเลย และในอีกด้านหนึ่ง Artificial Analysis มีรายการสำหรับ GPT-5.6 Luna — Intelligence Index 37, $0.18 ต่องานที่ทำเสร็จ, 115.4 โทเคนเอาต์พุตต่อวินาที — และไม่มีรายการสำหรับ Ultramarine 1 Flash เลยแม้แต่น้อย โมเดลสองรุ่นที่เปิดตัวห่างกันสามเดือน ทั้งคู่มุ่งเป้าไปที่งานราคาถูกปริมาณมาก และไม่มีบุคคลที่สามรายใดเคยวัดรุ่นหนึ่งในเกณฑ์มาตรฐานที่มีอีกรุ่นหนึ่งอยู่ด้วยเลย

การขาดหายไปนั้นเองคือการเปรียบเทียบ GPT-5.6 Luna เป็นระดับที่รวดเร็วและคุ้มค่าด้านต้นทุนจากตระกูล GPT-5.6 ของ OpenAI เปิดตัวเมื่อวันที่ 9 กรกฎาคม 2026 พร้อมคะแนนอิสระจากการประเมินแบบผสม 10 รายการ Ultramarine 1 Flash เป็นการฝึกภายหลังด้วยการเรียนรู้แบบเสริมกำลังของ GLM-5.3 Flash ราคา $0.15 สำหรับอินพุต / $0.50 สำหรับเอาต์พุต ต่อล้านโทเคน ถูกสร้างขึ้นเพื่อผลิตสมุดงาน Excel ชุดสไลด์ และบันทึกข้อความ Word มากกว่าที่จะให้คำตอบ และมีเพียงตัวเลขจากผู้พัฒนาของมันเอง ทุกสิ่งด้านล่างนี้ว่าด้วยสิ่งที่สามารถสรุปได้และสรุปไม่ได้จากการจัดวางเช่นนั้น

ว่าสองระเบียนนั้นอยู่ตรงไหนจริง ๆ

ตัวเลขของ Luna เป็นการวัดของ Artificial Analysis บน API ของ OpenAI เอง ส่วนของ Ultramarine เป็นอัตราที่ Paper Instruments เผยแพร่และการประเมินที่เผยแพร่ของตัวเอง โดยค่าของ context นำมาจากการตั้งค่าการฝึกในรายงานทางเทคนิคของมัน

• คะแนนอิสระ — Intelligence Index 37 ที่ระดับความพยายามสูงสุด อยู่อันดับสี่จาก 148 โมเดลในระดับเดียวกัน สำหรับ GPT-5.6 Luna เทียบกับไม่มีการประเมินอิสระใด ๆ ในรูปแบบใดเลยสำหรับ Ultramarine 1 Flash

• ราคาขาเข้า บนตารางราคา — $0.20 ต่อล้านโทเค็น เทียบกับ $0.15 โมเดล Paper Instruments ถูกกว่า 25% ในฝั่งขาเข้า

• ราคาเอาต์พุต — $1.20 เทียบกับ $0.50 ต่อล้าน 2.4 เท่า ซึ่งเป็นช่องว่างที่กว้างที่สุดในการจับคู่นี้

• อินพุตแบบแคช — $0.02 ต่อล้าน (ลด 90%) สำหรับ Luna เทียบกับ $0.03 (ลด 80%) ต่างกันแค่หนึ่งเซนต์ ซึ่งเป็นผลดีกับ OpenAI

• บริบท — 1,050,000 โทเคนในเรตการ์ดของ Luna เทียบกับ 131,072 ในการตั้งค่าการเทรนของ Ultramarine เป็นแปดเท่าของหน้าต่าง และเป็นบรรทัดเดียวที่ช่องว่างไม่ใกล้เคียง

• เอาต์พุตสูงสุด — 128,000 โทเค็น เทียบกับไม่เปิดเผย

• ต้นทุนที่วัดได้ต่อหนึ่งงานที่เสร็จสมบูรณ์ — $0.18 บน Intelligence Index สำหรับ Luna (ความพยายามสูงสุด) เทียบกับ $0.13 บน PI Knowledge Work สำหรับ Ultramarine 1 Flash สองชุดทดสอบที่แตกต่างกัน งานสองประเภทที่แตกต่างกัน ตัวเลขสองตัวที่ดูเหมือนเทียบเคียงกันได้ แต่ไม่ใช่

• โทเคนแรก — 121.46 วินาทีสำหรับ Luna ที่ความพยายามสูงสุดบน API ของ OpenAI เทียบกับค่ามัธยฐาน 1.85 วินาทีสำหรับระดับราคาของมัน; ไม่มีการเผยแพร่สำหรับ Ultramarine 1 Flash ในรูปแบบใด ๆ

โทเคนแรกที่ใช้เวลาสองนาที และเหตุใดจึงเป็นการตั้งค่า ไม่ใช่ข้อบกพร่อง

ตัวเลข 121.46 วินาทีนั้นสมควรมีหัวข้อเป็นของตัวเอง เพราะมันเป็นตัวเลขประเภทที่มักถูกยกมาอ้างว่าเป็นข้อบกพร่อง ทั้งที่จริงแล้วมันคือพารามิเตอร์

GPT-5.6 Luna ที่ระดับความพยายามในการให้เหตุผลสูงสุดจะทำการไตร่ตรองก่อนที่จะส่งออกสิ่งใด ๆ บน Intelligence Index มันสร้างโทเคนเอาต์พุต 115.4 โทเคนต่อวินาทีเมื่อเริ่มทำงาน และ 150 ล้านโทเคนเอาต์พุตทั้งหมดเพื่อทำชุดทดสอบให้เสร็จ — อยู่อันดับที่ 41 จาก 60 ในกลุ่มเดียวกันด้านความยาวในการใช้คำ ซึ่ง Artificial Analysis อธิบายว่าค่อนข้างใช้คำมากเมื่อเทียบกับค่ามัธยฐานที่ 95 ล้าน คะแนน Index ที่ 37 วัดที่การตั้งค่าสูงสุดนั้น

โมเดลรองรับระดับความพยายามที่กำหนดค่าได้ ซึ่งหมายความว่าน้ำหนักชุดเดียวกันที่ใช้เวลาสองนาทีกว่าจะเริ่มตอบ สามารถปรับไปยังระดับที่ตอบสนองทันที โดยได้คะแนนต่ำลง OpenAI ไม่ได้เผยแพร่รายละเอียดแยกตามระดับความพยายามในบันทึกของ Artificial Analysis ดังนั้นขนาดของการลดลงนั้นจึงไม่ถูกเปิดเผย — การเรียกแบบค่าเริ่มต้นอยู่ต่ำกว่า 37 เป็นจำนวนที่ไม่มีใครนอก OpenAI วัดได้ สำหรับขั้นตอนแบบ fan-out ที่การเรียกแบบประหยัดหนึ่งร้อยครั้งต่างร่างสิ่งสั้น ๆ ขึ้นมาครั้งละหนึ่งอย่าง นั่นคือการตั้งค่าที่เหมาะสม สำหรับงานยากเพียงงานเดียวที่ปลายสุดของสายงาน ระดับความพยายามสูงสุดคือสิ่งที่ใช่ ทั้งสองเป็นโมเดลเดียวกัน และไม่มีอันใดถูกตั้งค่าผิด

Ultramarine 1 Flash ไม่เปิดเผยค่าความหน่วง ไม่เปิดเผยอัตราการประมวลผล และไม่เปิดเผยเวลาไปถึงโทเคนแรก รายงานทางเทคนิคของมันเปิดเผยขอบเขตการทำงานที่มันได้รับการฝึกและประเมินภายใน — บริบท 131,072 โทเคน ขีดจำกัด 250 รอบของลูปเอเจนต์ และการบีบอัดที่ถูกกระตุ้นเมื่อใช้หน้าต่างไป 85% หรือเมื่อเหลือ 30,000 โทเคน — และฮาร์เนสที่สร้างขึ้นเพื่อบีบอัดหน่วยความจำใช้งานของตัวเอง ย่อมเป็นฮาร์เนสที่สร้างมาสำหรับงานยาว นั่นเป็นการอนุมานเกี่ยวกับลักษณะของงาน ไม่ใช่หลักฐานเกี่ยวกับความเร็ว และจุดยืนที่ตรงไปตรงมาคือ ฝ่ายหนึ่งของการเปรียบเทียบนี้มีปัญหาความหน่วงที่วัดได้ ส่วนอีกฝ่ายไม่มีการวัดเลย

สิ่งที่เบนช์มาร์กที่ส่งมอบได้วัดได้ แต่ดัชนีความฉลาดวัดไม่ได้

เหตุผลที่โมเดลทั้งสองไม่เคยมาบรรจบกันไม่ใช่ความบังเอิญของตารางเวลา การทดสอบมาตรฐานวัดสิ่งที่แตกต่างกันโดยเจตนา

ดัชนี Intelligence Index ที่ทำให้ Luna ได้คะแนน 37 เป็นการรวมการประเมินสิบรายการ — AA-Briefcase, GDPval-AA, AutomationBench และอื่น ๆ — โดยแต่ละรายการมีคำตอบที่ผู้ตรวจให้คะแนนสามารถตรวจสอบได้ นั่นคือสิ่งที่ทำให้มันทำซ้ำได้ และเป็นเหตุผลว่าทำไมผู้ประเมินที่ไม่มีความเกี่ยวข้องกับโมเดลใด ๆ จึงสามารถรันมันและเผยแพร่ตัวเลขที่เปรียบเทียบกันได้สำหรับทุกคน

PI Knowledge Work ถูกสร้างขึ้นก็เพราะส่วนที่ทำซ้ำได้ของงานวิชาชีพไม่ใช่ส่วนที่สำคัญ บันทึกตรวจสอบวิเคราะห์สถานะ (diligence memo) ไม่ได้คอมไพล์ สไลด์นำเสนอต่อคณะกรรมการไม่มีการทดสอบหน่วย โมเดลการกำหนดราคาที่มีการพยากรณ์สดอยู่ภายในจะผิดในแบบที่ระบบตรวจข้อสอบปรนัยมองไม่เห็น ดังนั้น Paper Instruments จึงเขียนรูบริกแทน โดยเขียนหนึ่งชุดต่อหนึ่งงาน แต่ละเกณฑ์ถูกกำหนดเป็นเส้นเขตครอบคลุมคำตอบที่ยอมรับได้ แทนที่จะเป็นข้อกำหนดให้ตอบแบบเดียว รายงานของ Paper Instruments เปรียบเทียบเกณฑ์ที่โอเวอร์ฟิตซึ่งปฏิเสธคำตอบที่ถูกสองในสาม กับเกณฑ์ที่คลุมเครือซึ่งยอมรับคำตอบที่ผิดสามข้อ จากนั้นแสดงเวอร์ชันที่เขียนใหม่ซึ่งสอดคล้องกับเส้นเขต — ซึ่งเป็นการสาธิตที่ยุติธรรมว่าเหตุใดเรื่องนี้จึงยาก และเป็นคำเตือนที่ยุติธรรมว่าคะแนนรูบริกเพียงคะแนนเดียวควรมีน้ำหนักมากน้อยเพียงใด

ตัวเลขที่ได้มานั้นมีค่าแค่ไหน พูด plainly: Ultramarine 1 Flash ทำคะแนน 59.3 ในชุดทดสอบนั้นที่ราคา $0.13 ต่องาน GPT-5.6 Sol พี่น้องที่ใหญ่กว่าของ Luna ทำได้ 55.1 ที่ราคา $2.09 และปรากฏอยู่ในตาราง Paper Instruments ทั้งหกตาราง — 45.4 ใน JobBench เทียบกับ 62.9 ของ Ultramarine, 46.8 ใน FrontierFinance เทียบกับ 53.3, 51.5 ใน APEX-Agents 1.1 เทียบกับ 57.0 ผู้ขายรายงานว่าชุดทดสอบของตนสอดคล้องกับ Artificial Analysis Intelligence Index ที่ r = 0.81 ซึ่งเป็นตัวเลขที่จริงจังและเป็นข้อมูลมือสอง ไม่มีบุคคลที่สามรายใดรัน Ultramarine 1 Flash กับอะไรเลย

การเปรียบเทียบที่วัดด้วยวิธีเดียวกันทั้งสองฝ่าย

ในการจับคู่นี้ มีการวัดเพียงหนึ่งประเภทเท่านั้นที่ตัวเลขของทั้งสองฝ่ายต่างก็ไม่ขึ้นอยู่กับระเบียบวิธีของอีกฝ่าย นั่นคือประสิทธิภาพการใช้โทเคน ซึ่งวัดภายในชุดทดสอบเดียวโดยใช้ฮาร์เนสเดียว

Artificial Analysis บันทึกว่า GPT-5.6 Luna ใช้โทเค็นเอาต์พุต 150 ล้านโทเค็นเพื่อทำ Intelligence Index ให้เสร็จ ซึ่งสูงกว่าค่ามัธยฐาน 95 ล้านโทเค็นของคลาสเดียวกันถึง 58% ตัวเลขนั้นอยู่เบื้องหลังราคา $0.18 ต่องาน — โมเดลที่เร็วและเขียนเยอะไม่ใช่วิธีที่ถูกที่สุดในการซื้องานที่เสร็จสมบูรณ์ และการจัดอันดับความช่างพูดก็ทำให้เห็นเหตุผลได้ชัดเจน

Paper Instruments กล่าวอ้างตรงกันข้ามเกี่ยวกับโมเดลของตัวเอง และทำเช่นนั้นในแบบที่ตรวจสอบได้แทนที่จะเป็นเพียงการกล่าวอ้าง ในบรรดาเบนช์มาร์กทั้งหกของมัน Ultramarine 1 Flash ปล่อยโทเค็นเอาต์พุตน้อยกว่า GLM-5.3 Flash ซึ่งเป็นโมเดลที่มันถูก post-train มาจากอยู่ 6.5% — 30.5 ล้านเทียบกับ 32.7 ล้าน โดยนับรวมการให้เหตุผลด้วย — ในขณะที่ได้คะแนนสูงกว่าในทุกหนึ่งในหกนั้น ทั้งสองฝั่งของการเปรียบเทียบนั้นใช้ฮาร์เนสเดียวกันบนงานชุดเดียวกัน จึงไม่เสี่ยงต่อคำวิจารณ์ที่ครอบคลุมทุกอย่างอื่นตรงนี้ มันยังเป็นทิศทางที่ไม่ได้มาเปล่า ๆ ด้วย: การรัน post-training บ่อยครั้งก็ยิ่งทำให้ช่างพูดพอ ๆ กับที่ทำให้เงียบลง

สำหรับใครก็ตามที่ค่าบิลส่วนใหญ่มาจากโทเค็นเอาต์พุต นั่นคือข้อเท็จจริงที่นำไปใช้ได้กว้างที่สุดในรีลีสนี้ มันไม่ได้บอกว่า Ultramarine 1 Flash ประหยัดกว่า GPT-5.6 Luna มันบอกว่าความสัมพันธ์แบบที่สั้นกว่าระหว่างสองตัวเมื่อพิจารณาตามโมเดลฐานยังคงเป็นจริง บนชุดทดสอบที่ไม่มีใครนอกบริษัททำซ้ำได้

การรันการทดสอบด้วยตัวคุณเอง

GPT-5.6 Luna ให้บริการบน OrcaRouterในราคาอินพุต $0.20 และเอาต์พุต $1.20 ต่อล้านโทเคน โดยกำหนดระดับความพยายาม (effort) เป็นรายคำขอ นั่นคือราคาตามรายการของผู้ให้บริการที่ส่งผ่านมาตรง ๆ โดยไม่มีการบวกเพิ่มต่อโทเคน ซึ่งสำคัญสำหรับโมเดลที่ราคาเคยขยับไปแล้วครั้งหนึ่ง — การลดราคา 80% ที่ OpenAI ใช้เมื่อต้นปีสะท้อนอยู่ที่นี่ โดยไม่มีใครต้องเจรจาสัญญาใหม่ ปลายทางเดียวกันนี้ให้บริการ GPT-5.6 Sol, Claude Fable 5, DeepSeek V4 Flash และ GLM-5.3 Flash โดยตัวสุดท้ายเป็นโมเดลฐานที่ใช้ฝึก Ultramarine 1 Flash และให้บริการในเรตการ์ดเดียวกันที่ $0.15 / $0.50

Ultramarine 1 Flash ไม่มีอยู่ในแคตตาล็อกของเรา เส้นทางที่จะเข้าถึงมันคือ API ของผู้ขายเองและแพลตฟอร์มบุคคลที่สามที่นำไปขายต่อ ความไม่สมมาตรนี้คือรูปแบบในทางปฏิบัติของการเปรียบเทียบนี้ ในสองโมเดลนี้ มีหนึ่งตัวที่คุณสามารถนำไปใส่ในเส้นทางโปรดักชันได้ตั้งแต่วันนี้ โดยมี fallback แบบกำหนดเส้นทางอยู่เบื้องหลัง และมีค่า p50 ที่วัดได้อยู่ตรงหน้าคุณ อีกตัวหนึ่งคุณต้องนำร่องบน endpoint ของผู้ขาย และตัดสินจากเอาต์พุตของมันเอง

การทดสอบที่คุ้มค่าจะลงมือทำคือสิ่งนี้ และมันราคาถูก: ส่งชุดเอกสารเดียวกันไปให้ทั้งสองระบบ โดยตั้งค่า effort ของ Luna ที่ค่าเริ่มต้นและที่ค่าสูงสุด แล้วเปรียบเทียบชิ้นงานกับใบแจ้งหนี้ ข้อโต้แย้งทั้งหมดของผู้เชี่ยวชาญคือผลลัพธ์ของมันต้องแก้งานน้อยกว่า สิ่งนั้นวัดผลได้ภายในบ่ายวันเดียว และมันเป็นหลักฐานเดียวที่จะตัดสินการจับคู่ที่ยังไม่มีใครเผยแพร่กระดานคะแนนร่วมกัน

จุดยืน ซึ่งระบุเป็นสิ่งที่รู้และสิ่งที่ยังไม่รู้

เป็นที่ทราบ โดยมีแหล่งอ้างอิง: GPT-5.6 Luna ได้คะแนน 37 จากดัชนีที่สร้างขึ้นจากการประเมินที่ตรวจสอบได้ 10 รายการ ในราคา $0.18 ต่องานที่เสร็จสมบูรณ์ ด้วยหน้าต่าง 1,050,000 โทเคน และโทเคนแรกที่อาจใช้เวลามากกว่าสองนาทีเล็กน้อย ณ ระดับความพยายามที่ทำให้ได้ 37 คะแนน มันมีราคาถูกต่อโทเคน มีความสามารถตามระดับของมัน และ — จากการวัดของ Artificial Analysis เอง — มีแนวโน้มที่จะเขียนมากกว่ารุ่นเดียวกัน 58%

มีรายงานโดยผู้สร้าง ยังไม่มีการทำซ้ำ: Ultramarine 1 Flash ได้คะแนน 59.3 จากชุดการประเมินที่ให้คะแนนตามรูบริกของงานส่งมอบด้านการเงิน กฎหมาย ที่ปรึกษา และปฏิบัติการ ด้วยต้นทุน 0.13 ดอลลาร์ต่องาน เมื่อเทียบกับ 8.19 ดอลลาร์สำหรับ Claude Fable 5 ที่ 57.8 และ 2.09 ดอลลาร์สำหรับ GPT-5.6 Sol ที่ 55.1 และมันเอาชนะโมเดลฐานของตัวเองได้ในทั้งหกชุดการประเมิน พร้อมทั้งสร้างโทเค็นน้อยลง 6.5%

ไม่ทราบว่า: สิ่งเหล่านั้นส่วนใดจะยังหลงเหลืออยู่ในเอกสารที่ไม่มีใครจาก Paper Instruments เป็นผู้เขียนหรือไม่, ความหน่วงของโมเดลภายใต้โหลดจะเป็นอย่างไร, และข้อความ “น้ำหนักโมเดลจะมาเร็ว ๆ นี้” บนหน้าของผู้ขายจะกลายเป็นการเปิดตัวจริงหรือไม่

บทความใดก็ตามที่เลือกผู้ชนะจากเรื่องนั้นก็เท่ากับสร้างผู้ชนะขึ้นมาเอง สิ่งที่พูดได้อย่างชัดเจนก็คือ หากคุณต้องการคะแนนที่ผ่านการตรวจสอบยืนยันก่อนตัดสินใจลงมือ GPT-5.6 Luna เป็นโมเดลเดียวในคู่นี้ที่มีคะแนนดังกล่าว และหากงานของคุณเป็นสิ่งที่ต้องส่งมอบมากกว่าเป็นเพียงคำตอบ ข้ออ้างที่น่าสนใจก็อยู่ที่อีกฝ่ายหนึ่งทั้งหมด และยังไม่เคยถูกทดสอบโดยใครที่ไม่ได้ถูกจ้างให้ทดสอบมัน

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