Ultramarine 1 Flash 對比 Gemini 3.5 Flash-Lite：交付產物與回答問題是兩種不同的產品

以結束爭論的那一句話開頭，而不是以開啟它的那一句話開頭。Gemini 3.5 Flash-Lite 接受文字、圖像、語音和影片，並回傳文字。Ultramarine 1 Flash 接受文字，並回傳 Excel 活頁簿、PowerPoint 簡報或 Word 文件，且是在就地編輯、讀取並寫入該工作所賴以運作的業務系統之後。兩者都很便宜。Google 模型在 Artificial Intelligence Index 上，每完成一項任務的費用為 0.19 美元；Paper 報告其內部套件每項任務為 0.13 美元。這些數字夠接近，使成本方面打成平手，剩下的問題是：你買的是一個答案，還是一份交付成果——因為就這個問題而言，這兩個模型根本不在同一個市場上。

它們也不是在同一時間、基於相同理由打造出來的。Gemini 3.5 Flash-Lite 於 2026 年 7 月正式全面推出，是 Google 最具成本效益的層級，價格約為 3.6 Flash 的五分之一。Ultramarine 1 Flash 則於 2026 年 10 月 14 日發布，是對 GLM-5.3 Flash 進行強化學習後訓練的成果，著眼於交付可直接交到客戶手上的成品，而非一則回覆。

規格行，兩側

Ultramarine 的數據是 Paper Instruments 公佈的 API 費率及其自行公佈的評估；其上下文數據則是技術報告中所述的訓練配置。Gemini 的數據是 Google 的費率表加上 Artificial Analysis 的測量值，並在屬於測量值時加以標示。

• 輸入價格 —— Ultramarine 1 Flash 每百萬個 token 為 0.15 美元，而 Gemini 3.5 Flash-Lite 為 0.30 美元。就輸入而言，Google 的成本是 2 倍。

• 輸出價格 — 每百萬 $0.50 對比 $2.50。5 倍，而這正是文件作業成本實際累積的項目。

• 快取輸入 — 每百萬 $0.03（減價 80%）對比 $0.03（減價 90%）。同樣的絕對數字，透過不同的折扣幅度達成。

• 上下文視窗 — 訓練配置中為 131,072 個詞元，相較之下為 1,048,576。Google 則擁有 8 倍之多。

• 最大輸出 — 未公布 vs 65,536 個 token。

• 輸入 — 文字與文件作業 vs 文字、圖像、語音與影片。

• 每項完成任務的成本——PI Knowledge Work 為 $0.13，Intelligence Index 則為 $0.19。這是開頭兩個數字中的第二個，也是最需要謹慎看待的一個。

• 輸出速度 — Ultramarine 1 Flash 未公布，Gemini 3.5 Flash-Lite 則為每秒 425.0 個輸出詞元，在同級 148 款模型中排名第四快。

速度數字裡的延遲數字

Gemini 3.5 Flash-Lite 是任何人測過最快的模型之一，但它的起步也很慢。Artificial Analysis 在 Google 自家 API 上記錄到的首個 token 時間為 8.13 秒，而同等價格級別的模型之中位數為 1.85 秒。該模型一旦開始，便以每秒 425 個 token 串流，並需要八秒才能啟動。

那不是缺陷；那是服務路徑的一項特性，而且它會告訴你這個層級是為哪些工作負載而設計的。批次分類作業、擷取管線、背景代理——它們都不會注意到八秒的啟動時間，而且全都會因為能在大約一秒內完成 500 個 token 的回應而獲得極大效益。人類在等待聊天回覆時，不會注意到其他任何事。「Flash」這個詞描述的是輸送量，不是回應性，而這兩者並非同一種量測。

Ultramarine 1 Flash 完全沒有公布任何速度或延遲數據。不論是 Paper Instruments，還是任何第三方，都沒有。沒有任何依據可以宣稱它比 Google 的模型更快或更慢，而任何向你說相反話的人，都是從架構推論，而不是讀到實際數字。技術報告確實有揭露的，是它訓練時所處的操作範圍：131,072 個 token 的上下文、代理迴圈最多 250 回合，以及當視窗用滿 85%、或剩餘 30,000 個 token 時觸發的上下文壓縮，以先發生者為準。一個在設計上就會壓縮自身上下文的執行框架，是為了原本會溢出的長期工作而打造的框架——這暗示了它任務的樣貌，而不是衡量它產出這些任務的速度。

「任務」的價值取決於基準測試是誰寫的

$0.13 和 $0.19 看似相當，實際衡量的卻是不同的東西，而這正是並排對照表會向你隱藏的那部分比較。

Intelligence Index 是十項評估的綜合指標——數學、程式設計、推理、代理式工作。其任務都有評分者能核對的答案。Gemini 3.5 Flash-Lite 的 22 分，是來自與該模型沒有利害關係的評估者所給出的真實分數，而其 $0.19 是在這整套評測中，每完成一項任務的實測成本。Google 也握有兩項冗長度紀錄中較體面的那一項：完成 Intelligence Index 用了 5,900 萬個輸出 token，在 60 個之中排名第 23，且相對於 9,500 萬的中位數，被形容為相當簡潔。這是一個被設計成不囉嗦的模型。

PI Knowledge Work 並非如此。它是一套可直接交付客戶的成果套件，依每項任務各自撰寫的評分規準來評分，因為盡職調查備忘錄並沒有可供核對的正確答案。Ultramarine 1 Flash 在那裡的得分為 59.3，每項任務 $0.13；相較之下，Claude Fable 5 為 57.8、$8.19，GPT-5.6 Sol 為 55.1、$2.09。供應商報告指出，其套件與 Artificial Analysis Intelligence Index 的相關性為 r = 0.81 ——這是個不容小覷的數字，卻也是二手數據。某一套件中的任務並不等於另一套件中的任務：一道推理題可能只有幾百個 token，而一份董事會簡報則是一段產出檔案的漫長代理式執行。這兩個每項任務的數字並非同一事物的單位，把它們相減，就是對範疇錯誤做算術。

經得起這番批評的部分範圍較窄，卻確實有用。Paper Instruments 衡量詞元效率時，並非拿它與自身比較：在其全部六項基準測試中，Ultramarine 1 Flash 的輸出詞元比它所衍生的 GLM-5.3 Flash 模型少了 6.5%——3,050 萬對比 3,270 萬，且已計入推理——同時在六項測試中全部勝出。同一套測試組、同一套測試框架，雙方皆經量測。在按詞元計費的價目表上，一款寫得更少卻交出更好結果的模型，等於是折扣套用兩次。

一個按鍵，兩種運作模式

Gemini 3.5 Flash-Lite 透過 OrcaRouter 提供服務，每百萬個 token 輸入 $0.30、輸出 $2.50，供應商定價原封不動直接透傳，每 token 不加收任何費用——因此 Google 一調整費率，這裡當天就生效，我們這端無需任何部署。與它並列的，還有本次比較不斷提到的幾個模型：GPT-5.6 Sol、Claude Fable 5，以及 Ultramarine 1 Flash 訓練所依據的基礎模型 GLM-5.3 Flash，全都能透過同一個端點與同一把金鑰取用。

對這種組合來說，這一點比典型的正面對決更為重要，因為工作負載是混合的。圍繞百萬 token 上下文窗口與四種輸入模態打造的文件處理流程，和圍繞能產出交付成果的代理所打造的流程是截然不同的兩回事，而這兩者通常共存於同一個團隊中。路由規則可以把掃描檔或影音輸入留在 G​oogle 的模型上，並把「文字到交付成果」這條路徑導向其他地方，同時宣告第一選擇失效時要用的備援方案——只需一份契約而非兩份，而且當你改變心意、決定該由哪個模型負責長時間執行的任務時，也無須更動任何程式碼。

Ultramarine 1 Flash 本身並不在我們的目錄中；目前取得它的途徑是供應商自家的 API，以及轉售它的第三方平台。

我實際上會如何決定

兩種情況，而它們都能乾淨俐落地解決。

如果輸入包含任何非文字的內容——一張合約照片、一段通話錄音、一張螢幕截圖、一支影片導覽——那麼在兩者之中，只有 Google 的模型能接受該請求。這不是偏好問題，而是能力界線，對這類工作負載而言，比較到此為止。

如果產出本身就是付費標的——一個模型、一份簡報、一份備忘錄、一份有人會打開並編輯的文件——那麼問題就變成：經過後訓練的專才是否能勝過高效率的通才，而 Ultramarine 1 Flash 就是那個專才。支持這一點的證據來自供應商，而且是發布一天後在供應商自家基準測試上的表現，因此應將其視為假設而非定論。但這是一個具體且可檢驗的假設：在 Paper Instruments 領先的六個套件中的四個裡，差距最大的是 JobBench 和 FrontierFinance，這兩者最接近真實可交付成果的工作；在屬於代理迴圈與研究任務的 APEX-Agents 1.1 和 DiligenceBench 上，Gemini 3.8 Flash 和 Claude Fable 5 領先，Ultramarine 1 Flash 排名第三。

尚未解決的問題，不是哪個模型更好。而是那種會產出交付成果的行為，能否在接觸到 Paper Instruments 內部無人撰寫的文件後依然成立。該公司已將其方法公開到足以正好引來這項測試的詳細程度，卻未公開能讓人不必透過其 API 就能運行它的權重。這兩項事實都具有關鍵作用，而其中只有一項可能在短期內改變。

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。