Ultramarine 1 Flash：Paper Instruments 以每项任务 0.13 美元的价格交付可用的模型

Paper Instruments 发布了 Ultramarine 1 Flash，时间为 2026 年 10 月 14 日；而该公司主推的数字并不是基准测试分数。它是一个价格：在 PI Knowledge Work 上完成一项任务需 0.13 美元，这是该公司的内部金融、法律、咨询和运营工作套件。完成同一任务需花费 8.19 美元的模型——以最大推理力度运行的 Claude Fable 5——在那里得分为 57.8。Ultramarine 1 Flash 得分为 59.3。按厂商的说法解读这组对比，你得到的是一个以大约六十三分之一的成本击败前沿系统的模型。更仔细地解读，你会发现某种更狭窄也更有趣的东西：一个为特定类型输出而构建的模型，按它自己基础模型收取的费率定价，而说明这一点的基准测试正是由售卖它的公司编写的。

值得先说清楚基础模型，因为它解释了大部分价格。Ultramarine 1 Flash 是在GLM-5.3 Flash基础上进行后训练得到的。后者是来自 Z.ai 的 320B 总参量 / 18B 激活原生多模态模型；前者通过大规模强化学习得到改进，而非从零构建。其 API 价格为每百万输入 token 0.15 美元、缓存输入 0.03 美元、输出 0.50 美元——与 GLM-5.3 Flash 的完全相同，这正是厂商自家定价区块中“与 GLM-5.3 Flash 相同”这句话的含义。

哪些已经落地，哪些还只是承诺

发布当天有两件事都成立，而它们之间的落差，正是许多报道会抹平的那个故事。

Ultramarine API 已上线。你今天就可以把任务交给它，并按上方的费率付费。落地页上有一条朴素的"Ultramarine API →"链接，指向它。

权重并非如此。同一页面上写着“模型权重即将发布”，而技术报告将 GLM-5.3 Flash 描述为“一个强大的开放基础模型”——这是关于基础模型的陈述，而不是关于其衍生模型的陈述。Ultramarine 1 Flash 目前是一个封闭的托管端点，同时怀有开放权重的意图。它最终是否真正开放，是围绕它的最大悬而未决的问题，而许多二手摘要已经通过假设而非核实回答了这个问题。

发布日当天真正开源的，是脚手架。Feather agent harness——模型正是在其中训练和评估的——已作为代码仓库发布。paper-docx、paper-pptx 和 paper-xlsx 也同样发布了，它们是 Paper Instruments 对标准 Python Office 库的 fork，模型用它们来编写 Excel 工作簿、PowerPoint 演示文稿和 Word 文档。按照该公司自己的说法，这些 fork 之所以存在，是因为驱动 python-docx 及其同类库的 agent“会遇到 API 缺口，退回到原始 OOXML，并造成静默损坏和回归。”

这六项基准测试，包括它输掉的那两项

Paper Instruments 在六个套件上进行了评估。Ultramarine 1 Flash 在其中四个套件中领先，在两个套件中未领先，这比平均值是更有用的总结。

• JobBench——Ultramarine 1 Flash 获得 62.9 分，领先于 Gemini 3.8 Flash 的 60.6 分和 DeepSeek V4.1 Flash 的 60.4 分，Claude Fable 5 为 57.4 分，GPT-5.6 Sol 为 45.4 分。

• PI Knowledge Work，这一内部套件——59.3，领先于 57.8 的 Claude Fable 5 和 55.1 的 GPT-5.6 Sol。

• FrontierFinance — 53.3，领先于 50.7 的 GLM-5.3 Flash 和 50.0 的 Gemini 3.8 Flash。

• AutomationBench —— 第二名。DeepSeek V4.1 Flash 以 51.3 力压 Ultramarine 的 50.2，将这一名次拿下。

• DiligenceBench —— 排名第三。Gemini 3.8 Flash 以 53.1 领先，Claude Fable 5 以 52.9 位居第二，Ultramarine 1 Flash 则为 50.6。

• APEX-Agents 1.1 —— 第三名。Gemini 3.8 Flash 以 64.3 分、Claude Fable 5 以 63.6 分双双超过它；Ultramarine 1 Flash 以 57.0 分位居其后，仍远高于 GPT-5.6 Sol 的 51.5 分和 DeepSeek V4.1 Flash 的 39.5 分。

失利中的模式一致且值得命名：Ultramarine 1 Flash 在交付物是文档时最强，在任务是对系统进行实时智能体循环时最弱。DiligenceBench 是一个股票研究智能体评测；APEX-Agents 是一个智能体套件。AutomationBench 是自动化。其发布者围绕办公交付物构建的两个基准，正是它以最大幅度胜出的两个。

为什么这些分数看起来是那样的？

几乎所有专业工作都无法由解析器检查。尽职调查备忘录无法编译，董事会演示文稿也没有单元测试，因此没有任何正则表达式能判断其中哪一个是正确的。这正是 Paper Instruments 着手攻克的问题，而它的答案是一句可以逐字引用的话：“我们在智能体式知识工作中规模化不可验证的任务合成。”

该机制是一套课程体系。四大领域——金融、法律、咨询、运营——扩展为 19 个实务领域和 88 种不同的环境类型，每种环境类型都会从一组分类维度中抽样：交付物格式、来源冲突、利益相关方、交易阶段。公司给出的名义配置空间为每个实务领域大约 10⁷ 到 10¹⁰ 种组合，这既是一种规模宣称，也是一种模式崩溃防御。每个环境都是一个真实工作空间：一个由 SEC EDGAR 申报文件、分析师报告和合成合同构建的文件系统，外加通过 MCP、HTTP 和 CLI 访问的实时记录系统——ERP、CRM、WMS、MES、GRC。

评分环节在这里显得不同寻常。每个任务都附带一份评分标准，而每一条标准的写法，都是在可接受的答案范围上划出一条边界，而不是要求某一个特定答案。报告自己给出的示例，将一个会拒绝三个正确答案中两个的过拟合标准，与一个会接受三个错误答案的模糊标准进行对照，然后展示了改写后的版本如何与那条边界相吻合。交付物会被解析并交给评分标准评分器——即该公司的开源软件包，以 GPT-5.6 Terra 作为评判模型。训练在 131,072 token 的上下文下进行，智能体轮次上限为 250 轮，并在达到窗口 85% 时进行压缩。

那种设计既是结果的来源，也是警示的来源。正是它让一个如此廉价的模型能在文档工作上取得接近前沿系统的分数：任务分布是被刻意制造成类似文档工作的。它也是这些数字需要附加说明的原因。这些都是厂商自己的基准测试，由厂商自己的评判器评分，任务也是厂商自己编写的。Paper Instruments 报告称，PI Knowledge Work 与 Artificial Analysis Intelligence Index 的相关性为 r = 0.81，这是一个很可观的数字，也是一个部分答案——但站在厂商这一边的相关性，终究还是站在厂商这一边。目前还没有第三方发布对 Ultramarine 1 Flash 的独立评估，而这个模型才刚发布一天。

在图表上不成立的说法

这次发布最站得住脚的一点，也恰恰是被引用得最少的一点：在全部六项基准测试中，该模型生成的输出 token 比其基础模型少 6.5%。3050 万对 3270 万，推理也包含在内。从每项任务的账单来看，这就是一个更便宜的模型，与一个不仅更便宜、运行成本也更低的模型之间的差别，而这种工程优化会体现在账单上，而不是排行榜上。

那个并不完全站得住脚的说法，是「成本—质量前沿」。在 PI Knowledge Work 上，以最高推理档运行的 GPT-6 Luna 得分为 58.3，每项任务成本 0.11 美元。Ultramarine 1 Flash 的最好成绩是 59.3，成本 0.13 美元。一分之差、两美分之差是足够狭窄的差距，因此「以最具吸引力的价格点坐落于成本—质量前沿之上」是一句定位话术，而非事实——而值得称道的是，厂商自家的图表也把它印了出来，凡读到标题条目之后的人都能看到。一个落后一分、却便宜两美分的模型，对于批量工作而言是名副其实的替代选择；而这次发布诚实的说法应当是：Ultramarine 1 Flash 处在一个小集群的前列，而不是独自站在一条前沿之上。

如果你想这么称呼的话，它适合在哪里

Ultramarine 1 Flash 并非通用模型，也无意冒充。它是文本输入，输出 Excel 工作簿、PowerPoint 演示文稿或 Word 文档，并且在此过程中能够在业务系统内执行操作。如果你的工作负载就是一份文档，那么如今这是生成它最便宜、最可信的方式之一。

Ultramarine 1 Flash 不在我们的目录中。它进行后训练的基座模型是：GLM-5.3 Flash 由 OrcaRouter 提供服务，每百万 token 输入 $0.15、输出 $0.50，每 token 不额外加价，且该费率为供应商标价原样直通，因此如果 Z.ai 调整这个数字，所提供的价格当天就会随之变动。对于这样一次发布而言，这一点比平时更为重要，因为 Ultramarine 1 Flash 的全部论证都是基于基座模型费率表所做的算术。另外，它所对标的模型中，有四款——GPT-5.6 Sol、DeepSeek V4.1 Flash、Gemini 3.8 Flash 和 Kimi K3——可从同一端点访问，这意味着你可以在自己的文档上检验厂商的对比，而不是在他们的文档上。

什么会改变这项评估？

三件事，按重要性从高到低排列。

一项独立评估，评测的是一套 Paper Instruments 无人参与编写的测试套件。厂商公布与第三方指数的相关性，已经等于主动招来了这件事；下一步，就是由别人来公布得分了。

权重。“即将推出”是一个占位符，在它兑现之前，“开放模型”只是一种意图描述，而此次发布并未证实这一点。如果它们真正落地，一个为文档工作调优的 18B 激活参数模型就会成为你可以自行运行的东西，而 $0.13 这个数字也不再是购买这项能力的唯一途径。

一个它并非凭构造就能取胜的基准测试。它领先的四个套件说明，它擅长自己被训练时所针对的那件事。它落后的两个套件则说明，通用智能体在哪些地方仍能胜过专用智能体。任何正在规划法律或金融智能体流水线的人，都应该把这两行和 $0.13 那一行放在一起读，并判断哪一行描述的是自己的工作负载。

像这样的比较，也正是故障模式暴露之处：OrcaRouter AI Incident Archive 收录了这类模型背后有记录的 AI 事件和智能体故障，其中每个条目都带有各自的来源、严重程度、置信度等级和争议标记。