Ultramarine 1 Flash：Paper Instruments 以每項任務 0.13 美元的價格推出可交付模型

Paper Instruments 發表了Ultramarine 1 Flash，日期是 2026年10月14日，而該公司主打的數字並不是基準測試分數。那是一個價格：在 PI Knowledge Work 上完成一項任務要 0.13 美元；PI Knowledge Work 是該公司內部的財務、法律、顧問與營運工作套件。以最高推理設定的 Claude Fable 5 完成同一項任務要價 8.19 美元，在該處得分 57.8。Ultramarine 1 Flash 得分 59.3。若照供應商所鋪陳的方式解讀這組對比，你會得到一個以約六十三分之一成本擊敗前沿系統的模型。更仔細地解讀，你會看到一個更狹隘、也更有趣的東西：一個為了特定類型產出而打造的模型，以其自家基礎模型的收費標準定價，而說明這點的基準測試，正是由販售它的公司所撰寫。

值得先說明基礎模型，因為這解釋了大部分的價格。Ultramarine 1 Flash 是GLM-5.3 Flash的後訓練版本；後者是來自 Z.ai 的 320B 總參數／18B 啟動參數原生多模態模型，經由大規模強化學習改良而來，而非從零打造。其 API 費率為每百萬輸入 token 0.15 美元、快取輸入 0.03 美元、輸出 0.50 美元——與 GLM-5.3 Flash 完全相同，而這正是廠商自家定價區塊中「與 GLM-5.3 Flash 相同」所指的意思。

哪些已經推出，而哪些還只是承諾

在發布當天，有兩件事同時為真，而兩者之間的落差，正是許多報導會抹平的故事。

Ultramarine API 已上線。你今天就能派工作給它，並依上述費率付款。到達頁面在單純的「Ultramarine API →」一行下方連結到它。

權重則不然。同一頁面寫著「模型權重即將推出」，而技術報告將 GLM-5.3 Flash 描述為「一個強大的開放基礎模型」——這是關於基礎模型的陳述，而非關於其衍生模型。Ultramarine 1 Flash 目前是一個封閉的託管端點，僅帶有開放權重的意向。它最終是否真正開放，是關於它最大的未解問題，而這正是許多二手摘要早已憑假設、而非查證來回答的問題。

在發布日真正開源的，是鷹架。Feather 代理框架——模型就是在其中訓練、也在其中接受評估——已以儲存庫形式發布。paper-docx、paper-pptx 和 paper-xlsx 也是如此，它們是 Paper Instruments 對標準 Python Office 函式庫的分支，模型用它們來撰寫 Excel 活頁簿、PowerPoint 簡報和 Word 文件。這些分支之所以存在，是因為根據該公司自己的說法，代理程式在驅動 python-docx 等函式庫時「會碰到 API 缺口、落入原始 OOXML，並造成無聲的損毀與迴歸。」

這六項基準測試，包括它輸掉的兩項。

Paper Instruments 在六個測試套件上接受評估。Ultramarine 1 Flash 在其中四項領先，在兩項中未領先，這比平均值是更有用的總結。

• JobBench — Ultramarine 1 Flash 為 62.9，領先 Gemini 3.8 Flash 的 60.6 與 DeepSeek V4.1 Flash 的 60.4，而 Claude Fable 5 為 57.4、GPT-5.6 Sol 為 45.4。

• PI Knowledge Work，這套內部套件 —— 59.3，領先 Claude Fable 5 的 57.8 與 GPT-5.6 Sol 的 55.1。

• FrontierFinance — 53.3，領先 GLM-5.3 Flash 的 50.7 與 Gemini 3.8 Flash 的 50.0。

• AutomationBench — 第二名。DeepSeek V4.1 Flash 以 51.3 勝過 Ultramarine 的 50.2。

DiligenceBench — 第三名。Gemini 3.8 Flash 以 53.1 領先，Claude Fable 5 以 52.9 居次，Ultramarine 1 Flash 則為 50.6。

• APEX-Agents 1.1 — 第三名。Gemini 3.8 Flash 以 64.3、Claude Fable 5 以 63.6 雙雙超越它；Ultramarine 1 Flash 則處於 57.0，仍大幅領先 GPT-5.6 Sol 的 51.5 與 DeepSeek V4.1 Flash 的 39.5。

這些失利中的模式一致，且值得命名：Ultramarine 1 Flash 在交付成果是文件時最強，在任務是跨系統的即時代理迴圈時最弱。DiligenceBench 是股票研究代理評測；APEX-Agents 是代理型套件。AutomationBench 則是自動化。其自家發布者圍繞辦公室交付物所打造的兩個基準，正是它勝出幅度最大的兩個。

為什麼分數看起來會是那樣

幾乎所有專業工作都無法由剖析器檢查。一份盡職調查備忘錄不會編譯，董事會簡報也沒有單元測試，因此沒有任何正規表示式能判斷其中一份是否正確。這正是 Paper Instruments 著手處理的問題，而它的答案是一句可以直接引用的話：「我們將不可驗證的任務合成規模化，推展至代理式知識工作。」

這套機制的本體是一份課程。四大領域——金融、法律、顧問、營運——延伸出 19 個實務領域與 88 種截然不同的環境類型，每一種都從一組軸向分類體系中取樣：交付物格式、來源衝突、利害關係人、交易階段。該公司推估，每個實務領域的名目組態空間大約落在 10⁷ 到 10¹⁰ 種組合之間；這既是規模上的宣稱，也同樣是防止模式崩塌的防禦手段。每個環境都是真實的工作空間：一套由 SEC EDGAR 申報文件、分析師報告與合成合約建構而成的檔案系統，再加上實際運作中的權威記錄系統——ERP、CRM、WMS、MES、GRC——透過 MCP、HTTP 與 CLI 存取。

評分正是這裡變得不太尋常的地方。每項任務都附帶一份評分規準，而每一條準則的寫法，是要在可接受的答案上劃出一條界線，而不是要求某一個答案。報告自身的範例對比了一個過度擬合的準則——它會拒絕三個正確答案中的兩個——以及一個模糊的準則——它會接受三個錯誤答案——接著展示改寫後的版本如何符合該界線。交付成果會被解析並交給評分規準評分器——該公司的開源套件，並以 GPT-5.6 Terra 作為評審模型。訓練以 131,072 個詞元的上下文進行，代理回合上限為 250 回合，並在視窗的 85% 處進行壓縮。

那個設計既是這個結果的來源，也是這個但書的來源。這正是為什麼一個如此便宜的模型，能在文件工作上取得接近前沿系統的成績：任務分布是被刻意製造成類似文件工作的樣貌。這也是為什麼這些數字需要附上一個標籤。這些是廠商自家的基準測試，由廠商自家的評判者評分，題目也是廠商自己寫的。Paper Instruments 報告指出，PI Knowledge Work 與 Artificial Analysis Intelligence Index 的相關性為 r = 0.81，這是個不容小覷的數字，也是部分的答案——但落在廠商這一側的相關性，終究還是落在廠商這一側。目前還沒有第三方發表對 Ultramarine 1 Flash 的獨立評估，而這個模型才問世一天。

在圖表上不成立的說法

這次發布最站得住腳的一點，也是最少被引述的一點：該模型在所有六項基準測試中，產生的輸出 token 數比其基礎版本少 6.5%。3050 萬對上 3270 萬，包含推理在內。以每項任務的帳單來看，這差別在於一個更便宜的模型，和一個更便宜、運行成本也更低的模型之間；而這種工程實力，會反映在帳單上，而不是排行榜上。

那個不太站得住腳的說法，就是成本-品質前沿。在 PI Knowledge Work 上，GPT-6 Luna 在最大推理設定下得分 58.3，每項任務 $0.11。Ultramarine 1 Flash 的最佳成績是 59.3，價格 $0.13。一分與兩美分的差距窄到足以讓「以最具吸引力的價格點坐落在成本-品質前沿上」成為一句定位聲明，而非事實——值得讚許的是，廠商自家的圖表也印出了這一點，只要讀者讀過標題條目之後的內容。一個落後一分、便宜兩美分的模型，對大量工作而言是真正的替代選擇；而這次發布誠實的版本應該是：Ultramarine 1 Flash 位於一個小型集群的前端，而不是獨自站在前沿上。

如果你想這麼稱呼它的話，它適合放在哪裡

Ultramarine 1 Flash 不是通用型模型，也不假裝自己是。它的運作方式是輸入文字，輸出 Excel 活頁簿、PowerPoint 簡報或 Word 文件，並且在產出這些內容的同時，能在企業系統內採取行動。如果你的工作負載就是一份文件，那麼這現在是產出它最便宜且可信的方式之一。

Ultramarine 1 Flash 並不在我們的目錄上。它所後訓練自的模型是：GLM-5.3 Flash 在 OrcaRouter 上提供，每百萬詞元輸入 $0.15、輸出 $0.50，每詞元不額外加價，而該費率就是供應商定價的直接轉嫁，因此若 Z.ai 調整這個數字，實際提供的數字當天就會跟著變動。對這樣的一次發布而言，這一點比平常更重要，因為 Ultramarine 1 Flash 的整套論據，就是拿基礎模型的價目表來做算術。另外，它被拿來對比的四個模型——GPT-5.6 Sol、DeepSeek V4.1 Flash、Gemini 3.8 Flash 與 Kimi K3——都可從同一個端點存取，這意味著你可以用你自己的文件，而不是用廠商的文件，來檢驗廠商的比較。

什麼會改變這項評估？

三件事，按它們的重要性由高到低排列。

一項針對某套件的獨立評估，而該套件並非 Paper Instruments 任何人所撰寫。廠商藉由公布與第三方指數的相關性，招來了這件事；下一步就是由其他人公布分數。

權重。「即將推出」只是個佔位符，而在它落實之前，「開放模型」只是一種意圖的描述，這次發布並未加以證實。如果權重真的落地，一個針對文件工作調校的 18B 活躍參數模型，就會成為你能自行運行的東西，而 0.13 美元這個數字也不再是購買這項能力的唯一途徑。

有一項基準測試，它從設計上就贏不了。它領先的四個測試套件告訴你，它擅長自己被訓練來做的事。它落後的兩個測試套件則告訴你，通用型代理仍在哪些地方勝過專用型代理。任何正在規劃法律或金融代理流程的人，都應該把那兩列和 $0.13 那一列放在一起讀，並判斷哪一列描述的是他們的工作負載。

像這樣的比較，也正是失效模式會浮現的地方：這一類模型背後有紀錄的 AI 事故與代理失效，都彙集在OrcaRouter AI 事故檔案庫，其中每一筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。