Ultramarine 1 Flash 对比 Claude Haiku 4.5：两个每任务成本数字，衡量的并非同一回事

这项对比中的两个模型都公布了每项任务的成本，人们很容易把这两个数字并排放在一起然后相减。Paper Instruments 表示，Ultramarine 1 Flash完成一项任务只需 0.13 美元。Artificial Analysis 测量的是Claude Haiku 4.5在推理配置下，每完成一个 Intelligence Index 任务为 0.28 美元。一个不到另一个的一半，如果这就是全貌，做决定只需十秒钟。但它不是全貌，因为这两个数字来自不同的测试套件，这些套件要求模型做的事情不同，而弄清哪个套件更像你的工作，才是整个比较的关键。费率本身的差距还要更大：Paper Instruments 的模型每百万输入 0.15 美元、输出 0.50 美元，而 A​nthropic 的为 1.00 美元和 5.00 美元——输入相差 6.7 倍，输出相差 10 倍。

还有第二种不对称。Claude Haiku 4.5 的公开评分来自一个并非其开发者的实验室。Ultramarine 1 Flash 的公开评分则来自训练它的公司，而且是在该公司自己构建的测试套件上取得的。在这里，这两个事实比任何单一的基准数字都更重要，而两者都不会出现在并排对比中。

两张费率卡，以及两者上不相同的那一行

Ultramarine 的数据来自 Paper Instruments 公布的 API 定价及其自行公布的评测结果。Claude Haiku 4.5 的定价取自 Anthropic 的价目表；其评测数据为 Artificial Analysis 的测量结果，并已如实标注。

• 输入 — Ultramarine 1 Flash 每百万 tokens 0.15 美元，对比 Claude Haiku 4.5 的 1.00 美元。Anthropic 的模型在输入上的成本是 Ultramarine 1 Flash 的 6.7 倍。

• 缓存输入 — 每百万 $0.03 对比 $0.10，Anthropic 一侧的折扣为 90%，而 Paper Instruments 一侧的折扣为 80%。绝对差距仍然很大，比例差距则在收窄。

• 输出 — 每百万 $0.50 对 $5.00。10 倍，而这一项正是差距真正体现的地方，因为文档工作会产生大量输出。

• 背景——技术报告指定的训练配置为 131,072 个 token，而 Haiku 费率卡上为 200,000 个。Anthropic 大约是其 1.5 倍。

• 最大输出 — Paper Instruments 未公布，而 Claude Haiku 4.5 为 64,000 个 token。列表中的一个空白单元格。

• 输入 — Claude Haiku 4.5 接受文本、图片和文件上传。Ultramarine 1 Flash 围绕文本与文档处理构建；其基础模型 GLM-5.3 Flash 原生支持多模态，但 Paper Instruments 并未公布这款衍生模型的模态列表。

• 每个已完成任务的实测成本——在 PI Knowledge Work 上，Ultramarine 1 Flash 为 0.13 美元，而在 Intelligence Index 上，Claude Haiku 4.5（推理）为 0.28 美元。这些就是人们会互相引用的数字。下一节要讲的是，为什么它们并不是同一个单位。

每个分数实际涵盖的内容

Claude Haiku 4.5 已公布的记录有两种配置，值得将它们区分开来，因为搜索结果通常会向你显示错误的那一种。Artificial Analysis 将非推理配置列为智能指数 15，输出速度为每秒 87.3 个 token。推理配置——即附有每任务成本数据的那一种，也是本文通篇采用的那一种——测得智能指数 17，输出速度为每秒 90.0 个 token，输入每百万 $1.00、输出每百万 $5.00，缓存折扣 90%，每完成一项 Index 任务 $0.28，输出冗长度为 7800 万个 token。其上下文窗口为 200,000 个 token，知识截止日期为 2025 年 7 月，并且接受文本和图像。

智能指数由数学、编码、推理和智能体评估组成。它的任何组件测试都不要求模型生成董事会演示文稿、尽职调查备忘录或内置实时预测的Excel模型，因为这些产物没有唯一的正确答案，而一个对它们进行评分的基准测试需要为每个任务制定评分标准。

这正是 Paper Instruments 所构建的，也正是为什么这种比较不能是简单相减。PI Knowledge Work 是一套面向金融、法律、咨询和运营领域的客户就绪型交付成果，由评分标准评分模型依据专门编写的评分标准逐项任务进行评分。Ultramarine 1 Flash 在该套件上得分为 59.3，每个任务成本为 0.13 美元。文档交付物评分标准上的 59.3 分与数学和编程指数上的 17 分不是可比的数量。成本数字同样不可比，因为一个套件中的任务可能比另一个套件中的任务长一个数量级。

这种配对所能提供的支持更窄，但仍然有用。Claude Haiku 4.5 是由与它毫无利益关系的人、在并非 Anthropic 设计的测试中测量出来的。Ultramarine 1 Flash 则没有。这并不是在批评 Paper Instruments 给出的数字——该公司披露方法之详尽非同寻常——但这确实是所提供证据类型上的差异，而一位要把这个选择摆到风险委员会面前的采购者会立刻撞上这一点。

Claude Haiku 4.5 无可争议地胜出之处

三个地方，没有一处与变得更聪明有关。

多模态输入这一点最清楚不过。一份扫描的合同、一张坏掉的电子表格的截图、一张白板的照片——所有这些都能通过一个一年来始终支持它、未曾改变的接口，送入 Claude Haiku 4.5。Ultramarine 1 Flash 基于一个能读取图像和视频的基础模型，但厂商并未公布其衍生版本所支持的模态列表，技术报告中也没有任何一个示例需要模型去查看图像。如果你的文档以扫描件形式送达，那么仅凭这一点就能决定问题的答案。

运营成熟度是第二点。一个背后有整整一年生产流量历练的模型，其失效模式早已被那些并非受雇去寻找它们的人发现并记录在案。而一个在 2026 年 10 月 14 日才发布的模型则不然，任何新端点的第一周，正是你了解它在负载之下会如何表现的时候。

独立验证是第三点，也是会产生复利效应的一点。Haiku 4.5 每多存在一个月，就多出一个月的时间，有人在其中把它用于自己的实际工作，并记录下所发生的一切。

当差距缩小到几乎为零时——以及为什么这种算术具有误导性

宣传中的输出 10 倍是真的，而且在长文档任务中，它产生的账单完全如你所料。宣传所掩盖的是，这两个模型的单任务经济性可能会趋同，因为 PI Knowledge Work 上的一个任务与 Intelligence Index 上的一个任务并不代表相同的工作量——还因为在实践中，Anthropic 模型是一个高度依赖缓存的模型。

在 Paper Instruments 一侧有一个反直觉的数字，值得认真读一读。在其六项基准测试中，Ultramarine 1 Flash 生成的输出 token 比它进行后训练所基于的 GLM-5.3 Flash 模型少 6.5%——3050 万对 3270 万，且包含推理——同时在全部六项上得分更高。效率得到提升的 token 并不是后训练运行的常见走向，而按每百万 token 的费率卡来算，这还是在第一重折扣之上叠加的第二重折扣。这是 Paper Instruments 页面上唯一一个双方在同一套测试集上以相同方法测量的对比，也因此是本次发布中最可信的数字。

与此相对，Claude Haiku 4.5 在一个没人宣传的对比中是更便宜的模型：按每完成一个 Index 任务 $0.28 计算，它的定价针对的是一套任务比尽职调查备忘录更短、智能体化程度也更低的测试集。把一份真正的法律或财务交付物分别摆到两者面前，$0.13 这个数字从来衡量的就不是与 $0.28 相同的工作单位。

两个模型都共用一个密钥接入 OrcaRouter，如果你想用实测而不是靠读资料来一锤定音的话。Claude Haiku 4.5 的费率是每百万 token 1.00 美元和 5.00 美元，不按 token 加收任何费用——供应商的标价原样透传，因此供应商那边一调价，我们这边当天就同步生效；对于一个价格此前已经变动过的模型来说，这可不是无关紧要的特性。把同样这二十份文档分别跑一遍两个模型，再去核对账单，成本比开一场讨论该选哪个的会还低，而且它给出的是一个数字，而不是一场争论。

这个决定，以岔路的形式表述

如果输入是有人扫描的文档或截图，那么答案就是 Claude Haiku 4.5，没有什么可再讨论的。

如果输入是文本，而输出是成品交付物——一个模型、一份演示文稿、一份备忘录——并且处理量足够大，以至于输入价格 $0.15 与 $1.00 的差别会改变项目形态，那么 Ultramarine 1 Flash 值得在你自己的工作中做一次试点。它才发布一天。$0.13 是供应商在供应商自建套件上报告的数据，目前还没有独立评估。但价目表是真实的，token 效率对比是以唯一能诚实测量的方式测得的，而且它在所领先的四项基准测试上相对自身基础模型的提升是一致性的，而非精挑细选出来的。

如果你的工作负载同时包含两者，明智的做法并不是二选一。一条路由规则可以让扫描文档这条路径继续交给 Anthropic 模型处理，而把从文本到交付物的这条路径发送给两者中在样本上达到你质量标准的那个；而如果较新的那个出了故障，请求会转到较旧的那个，既不需要改代码，也不需要再签一份合同。

要解决这个悬而未决的问题，需要的是一次对 Ultramarine 1 Flash 的独立评估，而且是在并非由其制造商编写的测试套件上进行。在这项评估出现之前，诚实的立场是：Claude Haiku 4.5 是那个你可以预测其行为的模型，而 Ultramarine 1 Flash 则是那个你希望凭借其价格得以使用的模型。今天发表的任何内容都没有说你不能。除了厂商自己的页面之外，今天发表的任何内容都没有说你可以。

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。