Ultramarine 1 Flash so với Gemini 3.5 Flash-Lite: Việc tạo ra một thành phẩm và trả lời một câu hỏi là hai sản phẩm khác nhau

Hãy bắt đầu bằng câu kết thúc cuộc tranh luận thay vì câu mở đầu nó. Gemini 2.0 Flash-Lite nhận văn bản, hình ảnh và video rồi trả về văn bản. Ultramarine 1 Flash nhận văn bản và trả về một sổ làm việc Excel, một bài trình chiếu PowerPoint hoặc một tài liệu Word, được chỉnh sửa tại chỗ, sau khi đã đọc và ghi vào các hệ thống kinh doanh nơi công việc tồn tại. Cả hai đều rẻ. Mô hình của Google đạt 22 điểm trên Artificial Intelligence Index với 0,19 USD cho mỗi tác vụ hoàn thành; Paper Instruments báo cáo 0,13 USD mỗi tác vụ trên bộ kiểm thử nội bộ của riêng mình. Các con số đủ gần nhau đến mức câu chuyện chi phí là hòa, và điều còn lại là câu hỏi liệu bạn đang mua một câu trả lời hay mua một sản phẩm bàn giao — bởi ở câu hỏi đó, hai mô hình này hoàn toàn không cùng một thị trường.

Chúng cũng không được xây dựng cùng thời điểm hay vì cùng một lý do. Gemini 3.5 Flash-Lite đạt trạng thái khả dụng chung vào tháng 7 năm 2026 với tư cách là gói tiết kiệm chi phí nhất của Google, có mức giá chỉ khoảng một phần năm giá của 3.6 Flash. Ultramarine 1 Flash được công bố vào ngày 14 tháng 10 năm 2026 như một bước hậu huấn luyện bằng học tăng cường của GLM-5.3 Flash, nhắm đến sản phẩm bàn giao sẵn sàng cho khách hàng thay vì một câu trả lời.

Các dòng thông số kỹ thuật, cả hai bên

Các số liệu của Ultramarine là mức giá API đã công bố của Paper Instruments và các đánh giá đã công bố của chính họ; số liệu ngữ cảnh của nó là cấu hình huấn luyện được nêu trong báo cáo kỹ thuật. Các số liệu của G​emini là bảng giá của G​oogle cộng với các phép đo của Artificial Analysis, được ghi nhãn ở những chỗ là các phép đo.

• Giá đầu vào — Ultramarine 1 Flash $0.15 mỗi triệu token so với Gemini 3.5 Flash-Lite $0.30. Google đắt gấp 2 lần ở đầu vào.

• Giá đầu ra — $0.50 so với $2.50 mỗi triệu. Gấp 5 lần, và đây chính là mục mà chi phí của một tác vụ tài liệu thực sự tích lũy.

Đầu vào được lưu trong bộ nhớ đệm — $0.03 mỗi triệu (giảm 80%) so với $0.03 (giảm 90%). Cùng một con số tuyệt đối, đạt được bằng các mức giảm giá khác nhau.

• Cửa sổ ngữ cảnh — 131.072 token trong cấu hình huấn luyện so với 1.048.576. G​oogle nắm giữ nhiều hơn gấp 8 lần.

• Đầu ra tối đa — không được công bố so với 65.536 token.

• Đầu vào — công việc văn bản và tài liệu so với văn bản, hình ảnh, giọng nói và video.

• Chi phí cho mỗi nhiệm vụ đã hoàn thành — $0.13 trên PI Knowledge Work so với $0.19 trên Intelligence Index. Con số thứ hai trong hai con số ở phần mở đầu, và là con số cần đặc biệt thận trọng nhất.

Tốc độ đầu ra — không được công bố đối với Ultramarine 1 Flash so với 425.0 token đầu ra mỗi giây đối với Gemini 3.5 Flash-Lite, nhanh thứ tư trong số 148 mô hình cùng phân khúc.

Số độ trễ bên trong số tốc độ

Gemini 3.5 Flash-Lite là một trong những mô hình nhanh nhất mà bất kỳ ai từng đo được. Nó cũng khởi động chậm. Artificial Analysis ghi nhận thời gian tới token đầu tiên là 8,13 giây trên API của chính Google, so với mức trung vị 1,85 giây đối với các mô hình ở phân khúc giá tương đương. Mô hình này truyền phát ở tốc độ 425 token mỗi giây sau khi bắt đầu và mất tám giây để khởi động.

Đó không phải là một khiếm khuyết; đó là một đặc tính của đường phục vụ, và nó cho bạn biết tầng này được thiết kế cho những khối lượng công việc nào. Một công việc phân loại theo lô, một pipeline trích xuất, một tác nhân chạy nền — không cái nào để ý đến việc khởi động mất tám giây, và tất cả đều hưởng lợi cực lớn từ việc hoàn tất một phản hồi 500 token trong khoảng một giây. Một con người đang chờ phản hồi trò chuyện thì không để ý gì khác. Từ “Flash” đang mô tả thông lượng, không phải độ phản hồi, và hai thứ đó không phải cùng một phép đo.

Ultramarine 1 Flash hoàn toàn không có một con số nào được công bố về tốc độ hay độ trễ. Không từ Paper Instruments, cũng không từ bất kỳ bên thứ ba nào. Không có cơ sở nào để khẳng định nó nhanh hơn hay chậm hơn mô hình của Google, và bất kỳ ai nói với bạn điều ngược lại đều đang suy diễn từ kiến trúc chứ không phải đọc một con số. Điều mà báo cáo kỹ thuật có tiết lộ là phạm vi vận hành mà nó được huấn luyện bên trong: ngữ cảnh 131.072 token, tối đa 250 lượt trong vòng lặp tác tử, và việc nén ngữ cảnh được kích hoạt ở mức 85% của cửa sổ hoặc khi còn lại 30.000 token, tùy điều kiện nào đến trước. Một harness tự nén ngữ cảnh theo thiết kế là một harness được dựng cho những công việc dài mà nếu không sẽ tràn — đó là một gợi ý về hình dạng các tác vụ của nó chứ không phải phép đo xem nó tạo ra chúng nhanh đến mức nào.

Giá trị của một "nhiệm vụ" phụ thuộc vào người đã viết benchmark.

$0.13 và $0.19 trông có vẻ tương đương nhau nhưng lại đo lường những thứ khác nhau, và đây chính là phần của phép so sánh mà một bảng đặt cạnh nhau sẽ giấu bạn.

Intelligence Index là một chỉ số tổng hợp từ mười bài đánh giá — toán học, lập trình, suy luận, công việc agentic. Các nhiệm vụ của nó có đáp án mà người chấm điểm có thể kiểm tra. Điểm 22 của Gemini 3.5 Flash-Lite là điểm số thực từ một đơn vị đánh giá không có lợi ích gắn với mô hình, và mức $0.19 của nó là chi phí đo được cho mỗi tác vụ hoàn thành trên toàn bộ bộ đánh giá đó. Google cũng nắm giữ kỷ lục về độ dài dòng có lợi hơn trong hai kỷ lục: 59 triệu token đầu ra để hoàn thành Intelligence Index, xếp thứ 23 trong số 60 và được mô tả là khá súc tích so với mức trung vị 95 triệu. Đó là một mô hình được thiết kế để không lan man.

PI Knowledge Work không phải như vậy. Đó là một bộ sản phẩm bàn giao sẵn sàng cho khách hàng, được chấm điểm theo một rubric được soạn riêng cho từng tác vụ, bởi vì một bản ghi nhớ thẩm định không có đáp án đúng để đối chiếu. Ultramarine 1 Flash đạt 59,3 trong bộ đó với $0,13 mỗi tác vụ, so với Claude Fable 5 ở 57,8 với $8,19 và GPT-5.6 Sol ở 55,1 với $2,09. Nhà cung cấp báo cáo rằng bộ sản phẩm của họ tương quan với Artificial Analysis Intelligence Index ở mức r = 0,81 — một con số đáng nể, và là một con số gián tiếp. Một tác vụ trên bộ này không phải là một tác vụ trên bộ kia: một câu hỏi suy luận có thể chỉ vài trăm token, còn một bộ slide trình bày trước hội đồng quản trị là một lượt chạy tác tử dài tạo ra một tệp. Hai con số mỗi tác vụ đó không phải là đơn vị của cùng một thứ, và việc trừ chúng đi là làm số học trên một lỗi phạm trù.

Điều còn trụ lại sau lời chỉ trích đó thì hẹp hơn nhưng thực sự hữu ích. Paper Instruments đã đo hiệu quả token so với một thứ khác ngoài chính nó: trên toàn bộ sáu benchmark của mình, Ultramarine 1 Flash phát ra ít hơn 6,5% token đầu ra so với mô hình GLM-5.3 Flash mà nó bắt nguồn từ đó — 30,5 triệu so với 32,7 triệu, bao gồm cả suy luận — đồng thời đánh bại nó ở từng một trong sáu. Cùng bộ kiểm thử, cùng khung kiểm thử, cả hai bên đều được đo. Trên bảng giá theo từng token, một mô hình viết ít hơn để có kết quả tốt hơn là một khoản giảm giá được áp dụng hai lần.

Hai mô hình hoạt động trên một khóa

Gemini 3.5 Flash-Lite được cung cấp trên OrcaRoutervới mức giá 0,30 USD cho đầu vào và 2,50 USD cho đầu ra trên mỗi triệu token, đúng theo giá niêm yết của nhà cung cấp, được chuyển thẳng nguyên vẹn, không cộng thêm gì cho mỗi token — vì vậy khi Google thay đổi biểu giá, mức giá mới sẽ có hiệu lực ngay tại đây trong cùng ngày, mà không cần triển khai gì từ phía chúng tôi. Bên cạnh đó là những mô hình mà phần so sánh này vẫn luôn nhắc đến: GPT-5.6 Sol, Claude Fable 5 và GLM-5.3 Flash, bản nền mà Ultramarine 1 Flash được huấn luyện từ đó, đều có thể truy cập được từ cùng một endpoint và cùng một khóa.

Điều đó quan trọng hơn đối với cặp so sánh này so với một cuộc đối đầu trực diện thông thường, vì khối lượng công việc là hỗn hợp. Một pipeline tài liệu được xây dựng xoay quanh cửa sổ một triệu token và bốn phương thức đầu vào là một pipeline khác với pipeline được xây dựng xoay quanh một tác nhân tạo ra sản phẩm bàn giao, và hai loại này thường cùng tồn tại trong cùng một nhóm. Một quy tắc định tuyến có thể giữ đầu vào dạng quét hoặc nghe nhìn trên mô hình của Google và gửi đường đi từ văn bản đến sản phẩm bàn giao sang nơi khác, với một phương án dự phòng được khai báo nếu lựa chọn đầu tiên thất bại — một hợp đồng thay vì hai, và không cần thay đổi mã khi bạn đổi ý về việc mô hình nào sẽ đảm nhận các tác vụ dài.

Bản thân Ultramarine 1 Flash không có trong danh mục của chúng tôi; hiện nay, cách truy cập là API của chính nhà cung cấp và các nền tảng bên thứ ba bán lại sản phẩm này.

Cách tôi thực sự sẽ quyết định

Hai tình huống, và chúng được giải quyết gọn gàng.

Nếu đầu vào chứa bất cứ thứ gì không phải văn bản — một hợp đồng được chụp ảnh, một bản ghi âm cuộc gọi, một ảnh chụp màn hình, một video hướng dẫn — thì mô hình của Google là mô hình duy nhất trong hai mô hình có thể tiếp nhận yêu cầu đó. Đó không phải là một sự ưu tiên, mà là một ranh giới về năng lực, và nó chấm dứt phép so sánh đối với khối lượng công việc đó.

Nếu sản phẩm đầu ra chính là thứ được trả tiền — một mô hình, một bộ trình chiếu, một bản ghi nhớ, một tài liệu mà người ta sẽ mở ra và chỉnh sửa — thì câu hỏi trở thành liệu một chuyên gia đã qua huấn luyện hậu kỳ có đánh bại một mô hình tổng quát hiệu quả hay không, và Ultramarine 1 Flash chính là chuyên gia đó. Bằng chứng cho điều này đến từ nhà cung cấp, trên các bộ đánh giá của chính nhà cung cấp, chỉ một ngày sau khi phát hành, và nên được đọc như một giả thuyết thay vì một kết luận. Nhưng đó là một giả thuyết cụ thể và có thể kiểm chứng: trong bốn trong số sáu bộ kiểm thử mà Paper Instruments dẫn đầu, các khoảng cách lớn nhất nằm ở JobBench và FrontierFinance, hai bộ gần nhất với công việc tạo ra sản phẩm thực tế; ở APEX-Agents 1.1 và DiligenceBench, vốn là các tác vụ vòng lặp agent và nghiên cứu, Gemini 3.8 Flash và Claude Fable 5 dẫn đầu còn Ultramarine 1 Flash đứng thứ ba.

Câu hỏi chưa được giải đáp không phải là mô hình nào tốt hơn. Mà là liệu hành vi tạo ra sản phẩm bàn giao có trụ được khi tiếp xúc với những tài liệu mà không ai tại Paper Instruments viết hay không. Công ty đã công bố phương pháp của mình đủ chi tiết để mời gọi đúng phép thử đó, nhưng chưa công bố trọng số cho phép ai đó chạy nó mà không phải đi qua API của công ty. Cả hai sự thật ấy đều mang tính quyết định, và chỉ một trong hai có khả năng sớm thay đổi.

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.