Ultramarine 1 Flash 對比 Claude Haiku 4.5：兩個每任務成本數字，衡量的卻不是同一件事

這項比較中的兩個模型都會公布每項任務的成本，而人難免會想把兩個數字並排放著相減。Paper Instruments 表示，Ultramarine 1 Flash完成一項工作只要 $0.13。Artificial Analysis 測得 Claude Haiku 4.5在其推理設定下，每完成一項 Intelligence Index 任務為 $0.28。其中一個不到另一個的一半，如果這就是全貌，這個決定十秒鐘就能做完。但這並不是全貌，因為這兩個數字來自不同的測試套件，要求模型做的事並不相同，而弄清楚哪個套件更接近你的工作，才是這整場比較的重點。費率本身的差距還要更大：Paper Instruments 的模型是每百萬輸入 $0.15、輸出 $0.50，而 Anthropic 的則是 $1.00 與 $5.00——輸入相差 6.7 倍，輸出相差 10 倍。

還有第二種不對稱。Claude Haiku 4.5 的公佈分數來自一個並非其開發者的實驗室。Ultramarine 1 Flash 的公佈分數則來自訓練它的公司，而且是在該公司自行打造的測試套件上取得。這兩個事實在此比任何單一基準數字都更重要，而兩者都不會出現在並排比較中。

那兩張費率卡，以及兩者上不一致的那一行

Ultramarine 的數字是 Paper Instruments 所公布的 API 定價，以及其自行公布的評測。Claude Haiku 4.5 的定價出自 A​nthropic 的價目表；其評測數字則是 Artificial Analysis 的測量結果，並已如此標示。

• 輸入 — Ultramarine 1 Flash 每百萬個 token 0.15 美元，對比 Claude Haiku 4.5 的 1.00 美元。Anthropic 的模型在輸入方面成本高出 6.7 倍。

• 快取輸入 — 每百萬 $0.03 對比 $0.10，Anthropic 一方享有 90% 折扣，Paper Instruments 一方則為 80% 折扣。絕對差距仍然很大，比例差距則縮小。

• 輸出 — 每百萬 $0.50 對比 $5.00。10 倍，而這正是差距真正落下的地方，因為文件工作會產生大量輸出。

• 上下文 — 技術報告所指定的訓練配置中為 131,072 個 token，相較於 Haiku 費率卡上的 200,000 個。Anthropic 則大約多 1.5 倍。

• 最大輸出 — Paper Instruments 未公佈，相較之下 Claude Haiku 4.5 為 64,000 個 token。列表中的一個空白儲存格。

• 輸入 — Claude Haiku 4.5 接受文字、圖像與檔案上傳。Ultramarine 1 Flash 是圍繞文字與文件工作打造的；其基礎模型 GLM-5.3 Flash 原生具備多模態能力，但 Paper Instruments 並未公布該衍生模型的模態清單。

• 每項已完成任務的實測成本——Ultramarine 1 Flash 在 PI Knowledge Work 上為 $0.13，而 Claude Haiku 4.5（推理）在 Intelligence Index 上為 $0.28。這些數字會是人們拿來互相引用的。下一節將說明它們為什麼不是同一個單位。

每個分數實際涵蓋的內容

Claude Haiku 4.5 公開的紀錄有兩種組態，值得將它們分開說明，因為搜尋結果通常會顯示錯誤的那一種。Artificial Analysis 列出非推理組態的 Intelligence Index 為 15，輸出速度為每秒 87.3 個 token。推理組態——也就是附有每項任務成本數據、且本文全篇所採用的那一種——測得 Intelligence Index 為 17，輸出速度為每秒 90.0 個 token，輸入每百萬 token 1.00 美元、輸出每百萬 token 5.00 美元，快取折扣 90%，每完成一項 Index 任務 0.28 美元，以及 7,800 萬個輸出 token 的冗長度。其上下文視窗為 200,000 個 token，知識截止時間為 2025 年 7 月，並接受文字與圖像。

智慧指數是由數學、程式設計、推理與代理式評估彙整而成。它的組成測試中，沒有任何一項要求模型產出董事會簡報、盡職調查備忘錄，或內含即時預測的 Excel 模型，因為這些產物並沒有單一正確答案，而若要為它們評分的基準測試，就得為每項任務準備一份評分規準。

這正是 Paper Instruments 所打造的，也正是為什麼這種比較不能是簡單相減。PI Knowledge Work 是一套可直接交付客戶的成品組合，涵蓋金融、法律、顧問與營運領域，由評分模型依據撰寫好的評分規準逐項評分。Ultramarine 1 Flash 在其中得分 59.3，每項任務成本為 0.13 美元。在文件交付成品評分規準上拿到的 59.3 分，與在數學與程式設計指標上拿到的 17 分，並非可互相比較的量。成本數字也一樣不能直接比較，因為某一套測試中的一項任務，長度可能比另一套中的一項任務高出一個數量級。

這種搭配確實能支持的主張較狹窄，但仍然有用。Claude Haiku 4.5 已由與其沒有利害關係的人，在沒有任何 Anthropic 人員設計的測試上評測過。Ultramarine 1 Flash 則沒有。這不是在批評 Paper Instruments 的數字——該公司以罕見的詳細程度公開其方法——但這是所提供的證據類型上的差異，而把這項選擇擺到風險委員會面前的買家，立刻就會碰上這個問題。

Claude Haiku 4.5 無可爭議勝出之處

三個地方，而且沒有一個跟變得更聰明有關。

多模態輸入是最明確的。一份掃描的合約、一張損壞試算表的螢幕截圖、一張白板的照片——所有這些都能透過一個已支援此功能、一年來未曾改變的介面，送入 Claude Haiku 4.5。Ultramarine 1 Flash 建立在一個能讀取圖像與影片的基礎模型上，但該供應商並未公布其衍生模型的模態清單，技術報告中也沒有任何範例取決於模型必須觀看的圖像。如果你的文件是以掃描形式送達，這一點本身就足以決定答案。

營運成熟度是第二項。一個已歷經一年生產環境流量的模型，其失效模式早已被那些並非受雇來找出它們的人發現並記錄下來。而一個在 2026 年 10 月 14 日發布的模型則尚未如此，而任何新端點的第一週，正是你了解它在負載下表現如何的時候。

獨立驗證是第三項，而且是會產生複利效應的那一項。Haiku 4.5 存在的每一個額外月份，都是又一個有人將它用在自己的工作上、並記錄下發生什麼事的月份。

當差距縮小到幾乎不存在時——以及為何這種算術會造成誤導

輸出上的 10 倍頭條數字是真的，而且在長篇文件的工作上，它產生的帳單正如你所預期。頭條所掩蓋的是，這兩個模型的單一任務經濟效益可能趨於一致，因為 PI Knowledge Work 上的一項任務，與 Intelligence Index 上的一項任務並非相同的工作量——也因為 A​nthropic 模型在實務上是一個高度快取的模型。

Paper Instruments 那邊有個反直覺的數字，值得好好細讀。在其六項基準測試中，Ultramarine 1 Flash 產生的輸出 token 數比它進行後訓練所依據的 GLM-5.3 Flash 模型少了 6.5%——3050 萬對上 3270 萬，且包含推理在內——卻在全部六項都拿到更好的分數。token 效率有所提升，並不是後訓練流程常見的走向；而在每百萬 token 的價目表上，這是在第一層折扣之上再疊加的第二層折扣。這是 Paper Instruments 頁面上唯一一項雙方都以相同方法、在同一套測試集上衡量的比較，也因此是本次發布中最值得信賴的數字。

相較之下，Claude Haiku 4.5 是在一個沒人宣傳的比較中較便宜的模型：每完成一項 Index 任務為 0.28 美元，它的定價是針對一套任務比盡職調查備忘錄更短、且更不具代理性的套件。把一份真正的法律或財務交付物分別擺在兩者面前，0.13 美元這個數字所衡量的工作單位，從來就與 0.28 美元那個不同。

兩款模型都在 同一組金鑰下，可透過 OrcaRouter 使用，如果你想用實測而非閱讀來解決這件事。Claude Haiku 4.5 的服務價格為每百萬個詞元 $1.00 和 $5.00，且每個詞元不加收任何費用——供應商的牌價直接轉嫁過來，因此供應商若調整費率，我們這邊當天就會生效；對一個價格曾經變動過的模型來說，這絕非微不足道的特性。把同樣二十份文件跑過兩者並查看帳單，成本比開會討論該選哪一個還低，而且它產出的是數字，不是爭論。

這項決定，以岔路的形式表述

如果輸入是有人掃描的文件或螢幕截圖，答案就是 Claude Haiku 4.5，沒什麼好再討論的。

如果輸入是文字，而產出是完成的交付成果——一個模型、一份簡報、一份備忘錄——而且用量高到輸入端 $0.15 與 $1.00 的差距會改變專案的樣貌，那麼 Ultramarine 1 Flash 值得在你自己的工作上先做一次試行。它才問世一天。$0.13 是廠商在自家建置的測試套件上自行回報的數字，目前還沒有獨立的評估。但價目表是真的，token 效率的比較是以唯一能誠實衡量的方式測得的，而它在領先的四項基準上相對於自家基礎模型的提升是一致性的，不是刻意挑選出來的。

如果你嘅工作負載同時涵蓋這兩者，有用的做法並不是二選一。一條路由規則可以讓掃描文件的路徑留在 Anthropic 模型上，並把「文字到交付成品」的路徑送到兩者之中能在任何樣本上通過你品質門檻的那一個——而如果較新的那個撐不住，請求就會轉到較舊的那個，不必改程式碼，也不必再簽一份合約。 Wait — I should use Traditional Chinese, not Cantonese. Let me redo properly. 如果你的工作負載同時涵蓋這兩者，有用的做法並不是從中二選一。一條路由規則可以讓掃描文件的路徑留在 Anthropic 模型上，並把「文字轉交付成品」的路徑送往兩者之中能在樣本上通過你品質門檻的那一個——而如果較新的那個撐不住，請求就會轉到較舊的那個，無須更動程式碼，也無須再簽一份合約。

能解決這個懸而未決問題的，是對 Ultramarine 1 Flash 進行一次單一獨立評估，而且評測所用的是並非由其開發者撰寫的測試套件。在那之前，誠實的立場是：Claude Haiku 4.5 是行為可預測的模型，而 Ultramarine 1 Flash 則是你會希望能用其價格的模型。今天發表的任何內容都沒有說你不能。除了廠商自家的頁面以外，今天發表的任何內容都沒有說你能。

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。