Ultramarine 1 Flash 与 Gemini 3.5 Flash-Lite：交付产物和回答问题，是两种不同的产品

先从结束争论的那句话开始，而不是从引发争论的那句话开始。 Gemini 3.5 Flash-Lite接受文本、图像、语音和视频，并返回文本。 Ultramarine 1 Flash接收文本，返回一份已就地编辑好的 Excel 工作簿、PowerPoint 演示文稿或 Word 文档，并且已经读取并写入了这些工作所依托的业务系统。两者都很便宜。Google 的模型在 Artificial Intelligence Index 上得分 22，每完成一项任务花费 0.19 美元；Paper Instruments 则在其内部测试套件上报告每项任务 0.13 美元。两个数字足够接近，成本这笔账算是打了个平手，剩下的问题便是：你买的究竟是一个答案，还是一份交付物——因为在这个问题上，这两款模型根本不在同一个市场里。

它们也并非在同一时间、出于同一原因而被构建出来。Gemini 3.5 Flash-Lite 于 2026 年 7 月正式全面可用，是 Google 最具成本效益的一档，价格约为 3.6 Flash 的五分之一。Ultramarine 1 Flash 于 2026 年 10 月 14 日发布，是对 GLM-5.3 Flash 进行强化学习后训练的产物，目标是一份可直接交付给客户的成果，而非一条回复。

规格线，两侧

Ultramarine 的数据来自 Paper Instruments 公布的 API 费率及其自行公布的评测结果；其上下文数字是技术报告中所述的训练配置。G​emini 的数据则是 G​oogle 的费率表加上 Artificial Analysis 的测量值，凡属测量值之处均已标注。

• 输入价格——Ultramarine 1 Flash 每百万 token 0.15 美元，对比 Gemini 3.5 Flash-Lite 0.30 美元。G​oogle 在输入方面的价格是它的 2 倍。

• 输出价格 — 每百万 $0.50 对比 $2.50。5 倍，而这一项才是文档任务成本真正累积的地方。

• 缓存输入 — 每百万 $0.03（优惠 80%），对比 $0.03（优惠 90%）。相同的绝对数值，却由不同的折扣得出。

• 上下文窗口 — 训练配置中为 131,072 个 token，相比之下为 1,048,576。Google 则多出 8 倍。

• 最大输出 — 未公布 vs 65,536 tokens。

• 输入 — 文本和文档工作 vs 文本、图像、语音和视频。

• 每完成一项任务的成本——PI Knowledge Work 上为 $0.13，而 Intelligence Index 上为 $0.19。这是开篇两个数字中的第二个，也是最需要谨慎对待的一个。

• 输出速度——Ultramarine 1 Flash 未公布，而 Gemini 3.5 Flash-Lite 为每秒 425.0 个输出 token，在同级别 148 个模型中排名第四。

速度数值中的延迟数值

Gemini 3.5 Flash-Lite 是迄今人们测过的速度最快的模型之一。但它启动也很慢。Artificial Analysis 记录到，在 Google 自家 API 上，它的首 token 时间为 8.13 秒，而同等价位区间的模型首 token 时间中位数仅为 1.85 秒。该模型一旦开始输出，速度可达每秒 425 个 token，但启动却要花上八秒。

这不是缺陷；这是服务路径的一种属性，它告诉你这个层级是为哪些工作负载设计的。批处理分类任务、提取流水线、后台代理——它们都不会注意到八秒的启动时间，而它们都能从大约一秒内完成 500 个 token 的响应中获得巨大收益。而等待聊天回复的人只会注意到等待本身，别的都无关紧要。“Flash”这个词描述的是吞吐量，而不是响应能力，二者并不是同一种衡量指标。

Ultramarine 1 Flash 完全没有公布任何速度或延迟数据。Paper Instruments 没有公布，任何第三方也没有。没有任何依据可以声称它比 Google 的模型更快或更慢，任何告诉你相反说法的人，都是在根据架构进行推测，而不是在读一个具体数字。技术报告确实披露的是它训练时所处的运行范围：131,072 token 的上下文、智能体循环最多 250 轮，以及在窗口使用达到 85% 或剩余 30,000 token 时触发的上下文压缩，以先到者为准。一个在设计上就会压缩自身上下文的运行框架，是为那些否则会溢出的长任务而构建的——这暗示了其任务的形态，而不是对它产出速度的衡量。

一项“任务”值多少，取决于基准是谁写的。

$0.13 和 $0.19 看起来差不多，衡量的却是不同的东西，而这恰恰是并排对比表会向你隐藏的部分。

Intelligence Index 是由十项评估组成的综合指标——数学、编程、推理、智能体工作。它的任务都有评分器可以核验的答案。Gemini 3.5 Flash-Lite 的 22 分来自一个与模型没有利益关系的评估方，是真实得分；其 $0.19 是在该测试套件中每完成一项任务的实测成本。G​oogle 还拥有两项冗长度记录中更体面的那项：完成 Intelligence Index 需输出 5900 万个 token，在 60 个中排名第 23，并且相对于 9500 万的中位数，被描述为相当简洁。这是一个被设计成不会东拉西扯的模型。

PI Knowledge Work 则不是这样。它是一套可直接交付给客户的交付物，按照专为该任务撰写的评分标准进行评分，因为一份尽职调查备忘录并没有可供核对的正确答案。Ultramarine 1 Flash 在此项上得分为 59.3，每项任务成本 0.13 美元，而 Claude Fable 5 为 57.8，成本 8.19 美元，GPT-5.6 Sol 为 55.0，成本 2.09 美元。该厂商报告称，其评测套件与 Artificial Analysis Intelligence Index 的相关性为 r = 0.81——这是个很可观的数字，但却是二手数据。一个评测套件中的任务并不是另一个套件中的任务：一道推理题可能只有几十个 token，而一份董事会演示文稿则是一次长时间、智能体式的运行，最终产出一个文件。这两个每任务数据并非同一事物的计量单位，把它们相减，是在对类别错误做算术。

经得起那番批评的那部分更狭窄，但确实有用。Paper Instruments 衡量 token 效率时，对照的不是它自己：在其全部六项基准测试中，Ultramarine 1 Flash 的输出 token 比它所源自的 GLM-5.3 Flash 模型少 6.5%——3050 万对 3270 万，推理部分也计入——同时在六项基准的每一项上都胜过对方。同一套测试集，同一个评测框架，双方均被纳入测量。按 token 计费的费率卡来算，一个用更少输出换来更好结果的模型，就是打了两次折扣。

一个密钥，两种工作模式

Gemini 3.5 Flash-Lite 在 OrcaRouter 上提供服务，输入每百万 token 0.30 美元、输出每百万 token 2.50 美元，即直接按供应商标价转售，每 token 不加价——因此 Google 一调价，这里当天就会生效，我们这边无需部署。与之并列的是本次对比反复提到的模型：GPT-5.6 Sol、Claude Fable 5 和 GLM-5.3 Flash，即 Ultramarine 1 Flash 训练时所基于的基础模型，它们都能从同一个端点和同一个密钥访问。

对这套组合来说，这一点比典型的正面对决更重要，因为工作负载是混合的。围绕百万级 token 窗口和四种输入模态构建的文档流水线，与围绕可交付成果生成型智能体构建的流水线是不同的流水线，而这两者通常共存于同一个团队中。路由规则可以把扫描件或音视频输入留在 Google 的模型上，并把从文本到可交付成果的路径发送到别处，同时在首选失败时使用声明的回退方案——一份契约而不是两份，而且当你改变由哪个模型处理长任务的想法时，无需更改代码。

Ultramarine 1 Flash 本身并不在我们的产品目录中；目前获取它的途径是供应商自己的 API，以及转售它的第三方平台。

我实际上会如何做决定

两种情况，都能干净利落地解决。

如果输入中包含任何非文本内容——拍摄的合同、通话录音、屏幕截图、视频演示——那么 Google 的模型是两者中唯一能够接受该请求的模型。这不是偏好问题，而是能力边界，它直接终结了针对该工作负载的比较。

如果产出本身就是付费购买的成果——一个模型、一套演示文稿、一份备忘录、一份会被人打开并编辑的文档——那么问题就变成：经过后训练的专业模型能否胜过高效的通用模型，而 Ultramarine 1 Flash 就是那个专业模型。支持这一点的证据来自厂商，基于厂商的基准测试，且是在发布仅一天后，因此应将其视为一种假设，而非一项发现。不过，这是一个具体且可检验的假设：在 Paper Instruments 领先的六个套件中的四个上，最大的幅度出现在 JobBench 和 FrontierFinance 上，这两者最接近真实的交付工作；而在 APEX-Agents 1.1 和 DiligenceBench 这两项智能体循环与研究任务上，Gemini 3.8 Flash 和 Claude Fable 5 领先，Ultramarine 1 Flash 位列第三。

尚未解决的问题并不是哪个模型更好，而是这种产出交付物的行为，在接触到并非由 Paper Instruments 任何人撰写的文档时，是否还能站得住脚。该公司已将其方法公布得足够详细，恰好会招来这样的测试，却没有公布能让人们不经由其 API 就能运行它的权重。这两个事实都至关重要，而其中只有一个可能很快改变。

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。