Ultramarine 1 Flash: Paper Instruments ra mắt mô hình sẵn sàng bàn giao với giá 0,13 USD mỗi tác vụ

Paper Instruments đã công bố Ultramarine 1 Flash vào ngày 14 tháng 10 năm 2026, và con số mà công ty đưa lên hàng đầu không phải là điểm benchmark. Đó là một mức giá: 0,13 đô la để hoàn thành một tác vụ trên PI Knowledge Work, bộ công cụ nội bộ của hãng dành cho các công việc tài chính, pháp lý, tư vấn và vận hành. Mô hình tốn 8,19 đô la để hoàn thành cùng tác vụ — Claude Fable 5 ở mức suy luận tối đa — đạt 57,8 ở đó. Ultramarine 1 Flash đạt 59,3. Đọc cặp số đó theo cách nhà cung cấp diễn giải thì bạn có một mô hình đánh bại một hệ thống tiên phong với chi phí chỉ bằng khoảng một phần sáu mươi ba. Đọc kỹ hơn thì bạn có một thứ hẹp hơn nhưng thú vị hơn: một mô hình được xây dựng cho một loại đầu ra cụ thể, được định giá theo mức mà mô hình nền tảng của chính nó tính, với bài benchmark nói lên điều đó do chính công ty bán nó viết ra.

Mô hình nền tảng đáng được nêu ngay từ đầu, vì nó giải thích phần lớn mức giá. Ultramarine 1 Flash là bản hậu huấn luyện của GLM-5.3 Flash, mô hình đa phương thức gốc với tổng 320B / 18B tham số hoạt động từ Z.ai, được cải thiện thông qua học tăng cường quy mô lớn thay vì xây dựng từ đầu. Mức giá API của nó là $0.15 cho mỗi triệu token đầu vào, $0.03 cho đầu vào được lưu đệm và $0.50 cho đầu ra — giống hệt với GLM-5.3 Flash, và đó chính là ý nghĩa của cụm "giống như GLM-5.3 Flash" trong bảng giá của chính nhà cung cấp.

Những gì đã ra mắt, và những gì vẫn còn là lời hứa

Vào ngày phát hành, có hai điều đều đúng, và khoảng cách giữa chúng chính là câu chuyện mà phần lớn các bài đưa tin sẽ san phẳng.

Ultramarine API đã hoạt động. Bạn có thể gửi việc cho nó ngay hôm nay và trả theo mức giá ở trên. Trang đích liên kết đến nó bằng một dòng "Ultramarine API →" đơn giản.

Các trọng số thì không. Cùng trang đó viết “Trọng số mô hình sắp ra mắt”, và báo cáo kỹ thuật mô tả GLM-5.3 Flash là “một mô hình nền mở mạnh mẽ” — đó là phát biểu về mô hình nền, không phải về mô hình phái sinh. Ultramarine 1 Flash, ở thời điểm này, là một endpoint đóng được host với ý định mở trọng số. Liệu cuối cùng nó có thực sự mở hay không là câu hỏi bỏ ngỏ lớn nhất về nó, và đó cũng là câu hỏi mà rất nhiều bản tóm tắt gián tiếp đã trả lời bằng giả định thay vì bằng kiểm chứng.

Thứ thực sự được mở nguồn trong ngày phát hành là phần scaffolding. Feather agent harness — thứ mà mô hình được huấn luyện bên trong và được đánh giá trong đó — được công bố dưới dạng một repository. paper-docx, paper-pptx và paper-xlsx cũng vậy: các bản fork của Paper Instruments đối với những thư viện Office Python tiêu chuẩn, mà mô hình dùng để soạn workbook Excel, bộ trình chiếu PowerPoint và tài liệu Word. Những bản fork đó tồn tại vì, theo chính lời kể của công ty, các agent vận hành python-docx và những thư viện tương tự “gặp những khoảng trống API, rơi xuống OOXML thô, và tạo ra những hư hỏng cùng hồi quy âm thầm.”

Sáu bài benchmark, bao gồm cả hai bài mà nó thua.

Paper Instruments được đánh giá trên sáu bộ. Ultramarine 1 Flash dẫn đầu bốn trong số đó và không dẫn đầu hai bộ, đây là một bản tóm tắt hữu ích hơn mức trung bình.

• JobBench — 62,9 cho Ultramarine 1 Flash, dẫn trước Gemini 3.8 Flash ở 60,6 và DeepSeek V4.1 Flash ở 60,4, trong khi Claude Fable 5 ở 57,4 và GPT-5.6 Sol ở 45,4.

• PI Knowledge Work, bộ sản phẩm nội bộ — 59,3, dẫn trước Claude Fable 5 ở mức 57,8 và GPT-5.6 Sol ở mức 55,1.

• {{1}}FrontierFinance{{/1}} — 53.3, dẫn trước GLM-5.3 Flash ở mức 50.7 và Gemini 3.8 Flash ở mức 50.0.

• AutomationBench — vị trí thứ hai. DeepSeek V4.1 Flash giành lấy nó với 51,3 so với 50,2 của Ultramarine.

• DiligenceBench — vị trí thứ ba. Gemini 3.8 Flash dẫn đầu với 53,1, Claude Fable 5 đứng thứ hai với 52,9, Ultramarine 1 Flash đạt 50,6.

• APEX-Agents 1.1 — thứ ba. Gemini 3.8 Flash ở mức 64,3 và Claude Fable 5 ở mức 63,6 đều vượt qua nó; Ultramarine 1 Flash ở mức 57,0, vẫn bỏ xa GPT-5.6 Sol ở mức 51,5 và DeepSeek V4.1 Flash ở mức 39,5.

Mô thức trong các thất bại là nhất quán và đáng được gọi tên: Ultramarine 1 Flash mạnh nhất ở nơi sản phẩm bàn giao là một tài liệu và yếu nhất ở nơi nhiệm vụ là một vòng lặp agent trực tiếp trên các hệ thống. DiligenceBench là một bài đánh giá agent nghiên cứu cổ phiếu; APEX-Agents là một bộ agentic. AutomationBench là tự động hóa. Hai bộ đánh giá mà chính nhà phát hành của nó xây dựng xoay quanh các sản phẩm bàn giao văn phòng là hai bộ mà nó thắng với cách biệt lớn nhất.

Tại sao điểm số lại như vậy

Gần như mọi công việc chuyên môn đều không thể được kiểm tra bằng trình phân tích cú pháp. Một bản ghi nhớ thẩm định thì không biên dịch được, và một bộ trình bày cho hội đồng quản trị thì không có kiểm thử đơn vị, nên không có regex nào có thể nói liệu một cái có đúng hay không. Đó là vấn đề mà Paper Instruments đặt ra để giải quyết, và câu trả lời của nó là một câu có thể trích dẫn nguyên văn: “Chúng tôi mở rộng quy mô tổng hợp nhiệm vụ không thể kiểm chứng trên khắp công việc tri thức dạng tác tử.”

Cơ chế này là một giáo trình. Bốn lĩnh vực — tài chính, luật, tư vấn, vận hành — mở rộng thành 19 mảng thực hành và 88 loại môi trường riêng biệt, mỗi loại lấy mẫu từ một hệ phân loại gồm các trục: định dạng sản phẩm bàn giao, xung đột nguồn, các bên liên quan, giai đoạn giao dịch. Công ty đặt không gian cấu hình danh nghĩa ở đâu đó trong khoảng từ 10⁷ đến 10¹⁰ tổ hợp cho mỗi mảng thực hành, đây vừa là một biện pháp phòng vệ chống sụp đổ mode vừa không kém phần là một tuyên bố về quy mô. Mỗi môi trường là một không gian làm việc thực tế: một hệ thống tệp được xây dựng từ các hồ sơ SEC EDGAR, báo cáo phân tích và hợp đồng tổng hợp, cùng với các hệ thống hồ sơ gốc đang vận hành — ERP, CRM, WMS, MES, GRC — được truy cập thông qua MCP, HTTP và CLI.

Chấm điểm là chỗ mọi chuyện trở nên khác thường. Mỗi nhiệm vụ được giao kèm một rubric, và mỗi tiêu chí được viết để vạch ranh giới cho những câu trả lời có thể chấp nhận, thay vì buộc phải có một câu trả lời. Ví dụ minh họa trong chính báo cáo đặt đối chiếu một tiêu chí quá khớp, vốn loại hai trong ba câu trả lời đúng, với một tiêu chí mơ hồ chấp nhận cả ba câu trả lời sai, rồi cho thấy bản viết lại khớp với ranh giới đó. Sản phẩm bàn giao được phân tích cú pháp và giao cho một trình chấm điểm theo rubric — gói mã nguồn mở của công ty, với GPT-5.6 Terra là mô hình giám khảo. Quá trình huấn luyện chạy ở ngữ cảnh 131.072 token, với giới hạn 250 lượt cho tác nhân và nén tại 85% cửa sổ.

Thiết kế đó là nguồn gốc của cả kết quả lẫn điều cần lưu ý. Đó là lý do một mô hình rẻ đến vậy có thể đạt điểm gần một hệ thống tiên tiến nhất trong công việc tài liệu: phân bố tác vụ đã được dàn dựng để giống với công việc tài liệu. Đó cũng là lý do những con số này cần được gắn nhãn. Đây là các benchmark của chính nhà cung cấp, được chấm bởi giám khảo của chính nhà cung cấp, trên các tác vụ do nhà cung cấp viết. Paper Instruments báo cáo rằng PI Knowledge Work tương quan với Artificial Analysis Intelligence Index ở mức r = 0.81, một con số đáng kể và là một câu trả lời một phần — nhưng một mối tương quan ở phía nhà cung cấp thì vẫn ở phía nhà cung cấp. Chưa có bên thứ ba nào công bố đánh giá độc lập về Ultramarine 1 Flash, và mô hình mới chỉ một ngày tuổi.

Tuyên bố không đứng vững trên biểu đồ

Điều dễ bảo vệ nhất về bản phát hành này cũng là điều ít được nhắc đến nhất: mô hình tạo ra ít hơn 6,5% token đầu ra so với bản cơ sở trên cả sáu bộ đánh giá. 30,5 triệu so với 32,7 triệu, đã tính cả suy luận. Trên hóa đơn theo từng tác vụ, đó là sự khác biệt giữa một mô hình rẻ hơn và một mô hình rẻ hơn mà còn rẻ hơn để vận hành, và đó là kiểu kỹ thuật thể hiện trên hóa đơn chứ không phải trên bảng xếp hạng.

Tuyên bố không hoàn toàn đứng vững xoay quanh đường biên chi phí - chất lượng. Trên PI Knowledge Work, GPT-6 Luna ở mức suy luận tối đa đạt 58,3 điểm với 0,11 đô-la mỗi tác vụ. Điểm số tốt nhất của Ultramarine 1 Flash là 59,3 với 0,13 đô-la. Một điểm và hai xu là khoảng cách đủ hẹp để “nằm trên đường biên chi phí - chất lượng ở mức giá hấp dẫn nhất” chỉ là tuyên bố định vị chứ không phải sự thật — điều mà biểu đồ của chính nhà cung cấp, thật đáng khen, đã in rõ cho bất kỳ ai đọc qua mục tiêu đề. Một mô hình chỉ kém một điểm nhưng rẻ hơn hai xu là lựa chọn thay thế xứng đáng cho công việc khối lượng lớn, và phiên bản trung thực của thông cáo này là: Ultramarine 1 Flash đứng đầu một nhóm nhỏ chứ không phải đơn độc trên một đường biên.

Nơi nó phù hợp nếu bạn muốn gọi nó như vậy

Ultramarine 1 Flash không phải là một mô hình đa dụng và cũng không giả vờ làm như vậy. Đầu vào là văn bản, đầu ra là sổ làm việc Excel, bản trình bày PowerPoint hoặc tài liệu Word, với khả năng hành động bên trong một hệ thống doanh nghiệp trong khi làm việc đó. Nếu công việc của bạn là tài liệu, thì đây hiện là một trong những cách rẻ nhất đáng tin cậy để tạo ra nó.

Ultramarine 1 Flash không có trong danh mục của chúng tôi. Mô hình mà nó được hậu huấn luyện từ đó là: GLM-5.3 Flash được phục vụ trên OrcaRouter với giá 0,15 USD cho đầu vào và 0,50 USD cho đầu ra trên mỗi triệu token mà không cộng thêm gì cho mỗi token, và mức giá là giá niêm yết của nhà cung cấp được chuyển thẳng qua, nên nếu Z.ai thay đổi con số thì con số được phục vụ cũng thay đổi theo trong cùng ngày. Điều đó còn quan trọng hơn bình thường đối với một bản phát hành như bản này, vì toàn bộ lập luận cho Ultramarine 1 Flash là phép tính số học dựa trên bảng giá của một mô hình nền. Riêng bốn trong số các mô hình mà nó được đo lường so với — GPT-5.6 Sol, DeepSeek V4.1 Flash, Gemini 3.8 Flash và Kimi K3 — đều có thể truy cập từ cùng một điểm cuối, nghĩa là bạn có thể kiểm chứng so sánh của nhà cung cấp trên tài liệu của chính bạn thay vì trên tài liệu của họ.

Điều gì sẽ làm thay đổi đánh giá?

Ba điều, theo thứ tự giảm dần về mức độ chúng sẽ quan trọng.

Một đánh giá độc lập trên một bộ kiểm thử không do bất kỳ ai ở Paper Instruments viết. Nhà cung cấp đã mở đường cho điều này bằng việc công bố mối tương quan với một chỉ số của bên thứ ba; bước tiếp theo là việc người khác công bố điểm số.

Các trọng số. “Sắp ra mắt” là một chỗ giữ chỗ, và cho đến khi nó thành hiện thực, “mô hình mở” là một mô tả về ý định mà bản phát hành chưa chứng minh được. Nếu chúng thành hiện thực, một mô hình 18B-active được tinh chỉnh cho công việc tài liệu sẽ trở thành thứ bạn có thể tự chạy, và con số $0,13 không còn là cách duy nhất để mua năng lực này.

Một bài kiểm chuẩn mà nó không thắng do cách thiết kế. Bốn bộ mà nó dẫn đầu cho bạn biết nó giỏi ở đúng thứ nó được huấn luyện. Hai bộ mà nó xếp sau cho bạn biết nơi một tác nhân tổng quát vẫn đánh bại một chuyên gia. Bất kỳ ai đang lên kế hoạch cho một pipeline tác nhân pháp lý hoặc tài chính nên đọc hai dòng đó cùng với dòng $0.13, rồi quyết định xem dòng nào mô tả khối lượng công việc của họ.

Những so sánh như thế này cũng là nơi các kiểu lỗi lộ diện: những sự cố AI được ghi nhận và các lỗi của agent đằng sau những mô hình thuộc lớp này được tập hợp trong the OrcaRouter AI Incident Archive, nơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.