Ultramarine 1 Flash 對決 GPT-5.6 Luna：從未同登同一排行榜的兩款模型

關於這組配對，首先要留意的是廠商自家圖表中少了什麼。Paper Instruments 於 2026 年 10 月 14 日發布 Ultramarine 1 Flash，附有六張基準測試表，以及涵蓋三十多種模型配置的成本-品質圖。GPT-5.6 Luna並未出現在圖上。無論低、中、最高投入等級，都沒有。它的同系列模型 GPT-5.6 Sol 在每個投入等級都出現；一個名為 GPT-6 Luna 的模型以 58.3、每項任務 $0.11 的數據出現；GPT-5.6 Luna 則完全沒有出現。另一方面，Artificial Analysis 有 GPT-5.6 Luna 的條目——智慧指數 37、每項完成任務 $0.18、每秒輸出 115.4 個 token——卻完全沒有 Ultramarine 1 Flash 的條目。兩個相隔三個月發布的模型，都瞄準低成本、高吞吐量的工作，而沒有任何第三方曾在包含另一個的基準測試中測量過其中一個。

那項缺席，就是比較本身。GPT-5.6 Luna 是 OpenAI 旗下 GPT-5.6 家族中快速、具成本效益的層級，於 2026 年 7 月 9 日推出，在十項評估組成的綜合指標上帶有獨立分數。Ultramarine 1 Flash 是 GLM-5.3 Flash 經強化學習後訓練而成的成果，定價為每百萬個 token 輸入 $0.15／輸出 $0.50，其打造目的在於產出 Excel 活頁簿、簡報檔案與 Word 備忘錄，而非產出答案，且僅帶有自家廠商的數字。以下全部內容，都是關於這樣的安排能得出、以及不能得出哪些結論。

這兩筆記錄實際上所在的位置

Luna 的數據是 Artificial Analysis 在 OpenAI 自家 API 上所做的測量。Ultramarine 的數據則是 Paper Instruments 公佈的費率及其自行公佈的評估結果，其中上下文長度數字取自其技術報告中的訓練配置。

• 獨立評分——GPT‑5.6 Luna 在最高投入下取得 Intelligence Index 37，於同級 148 個模型中排名第四；反觀 Ultramarine 1 Flash 則完全沒有任何形式的獨立評測。

• 價目表上的輸入價格——每百萬個 token 為 $0.20，對比 $0.15。Paper Instruments 模型在輸入端便宜 25%。

• 輸出價格 — 每百萬 $1.20 對比 $0.50。2.4 倍，是這組配對中差距最大的。

• 快取輸入 — Luna 每百萬 $0.02（省 90%），對比 $0.03（省 80%）。一分之差，對 OpenAI 有利。

• 背景脈絡 — Luna 價目表上的 1,050,000 個 token，對比 Ultramarine 訓練配置中的 131,072 個。視窗大小是八倍，也是唯一一項差距毫不接近的地方。

• 最大輸出 — 128,000 個 token，對手則未公布。

• 每項已完成任務的實測成本 — Luna（最高投入）在 Intelligence Index 上為 $0.18，對比 Ultramarine 1 Flash 在 PI Knowledge Work 上為 $0.13。兩套不同的評測套件、兩類不同的任務、兩個看似可相比、實則不然的數字。

• 首個 token — Luna 在 OpenAI API 上以最高強度執行時為 121.46 秒，相較之下，其價格級距的中位數為 1.85 秒；Ultramarine 1 Flash 則未以任何形式公布此數據。

兩分鐘的第一個 token，以及為什麼它是設定而非缺陷

那個 121.46 秒的數字值得單獨闢一節來談，因為這類數字常被當成缺陷引用，實際上它是一項參數。

GPT-5.6 Luna 在最大推理強度下，會先完成推敲思考，之後才輸出任何內容。在 Intelligence Index 上，它一旦開始運作，每秒可產生 115.4 個輸出 token，完成整套測試總共需要 1.5 億個輸出 token——在同級 60 個模型中，其冗長程度排名第 41，Artificial Analysis 形容它略嫌冗長，而中位數為 9,500 萬。37 的 Index 分數即是在該最大設定下測得。

這個模型支援可設定的投入程度，這表示同一組得花兩分鐘才開始回應的權重，也能調整到立即回應的程度，但分數較低。OpenAI 在 Artificial Analysis 的紀錄上並未公布各投入程度的細分資料，因此這個下降幅度並未揭露——預設呼叫會低於 37，但低了多少，OpenAI 以外沒有人測量過。對於扇出步驟，也就是一百個低成本呼叫各自草擬簡短內容的情況，這正是正確的設定。對於鏈結末端唯一一項困難任務，最大投入程度才是。兩者都是同一個模型，且都沒有設定錯誤。

Ultramarine 1 Flash 並未公佈任何延遲數據、吞吐量數據，也沒有首個 token 的時間。其技術報告確實披露了它訓練和評估時所處的運作範圍——131,072 個 token 的上下文、代理迴圈上限為 250 回合、在視窗的 85% 或剩餘 30,000 個 token 時觸發壓縮——而一個為了壓縮自身工作記憶而構建的框架，就是為長時間任務而構建的框架。這是對任務形態的推論，而非關於速度的證據，而誠實的立場是：這個比較的一方存在經過測量的延遲問題，另一方則沒有測量數據。

可交付基準能衡量什麼，而智能指數卻不能

這兩個模型之所以從未相遇，並非排程上的偶然。這些基準測試是刻意衡量不同的東西。

讓 Luna 得到 37 分的 Intelligence Index 是由十項評估構成的綜合指標——AA-Briefcase、GDPval-AA、AutomationBench 及其他——每一項都有評分者可以核對的答案。這正是它可重現的原因，也是為什麼與任何模型都沒有利害關係的評估者能執行它，並為所有人發布一個可比較的數字。

PI Knowledge Work 之所以被打造，正是因為專業工作中可重現的部分，並不是真正重要的部分。一份盡職調查備忘錄無法編譯。一份董事會簡報沒有單元測試。一個內含即時預測的定價模型，會以選擇題評分器看不見的方式出錯。所以 Paper Instruments 改為撰寫評分規準，每項任務一份，每個準則都被劃定為可接受答案的邊界，而不是對單一答案的要求。其報告對比了一個過度擬合的準則——它拒絕了三個正確回應中的兩個——與一個模糊的準則——它接受了三個錯誤的回應——然後展示改寫後的版本如何吻合那條邊界；這既公允地展示了這件事為何困難，也公允地警告了單一評分規準分數應該承載多少重量。

這些數字究竟代表什麼，直白地說：Ultramarine 1 Flash 在該測試套件上得分 59.3，每項任務成本 $0.13。Luna 的較大型同系列模型 GPT-5.6 Sol 得分 55.1，成本 $2.09，並且出現在全部六張 Paper Instruments 表格中——在 JobBench 上為 45.4，對上 Ultramarine 的 62.9；在 FrontierFinance 上為 46.8，對上 53.3；在 APEX-Agents 1.1 上為 51.5，對上 57.0。該廠商報告指出，其測試套件與 Artificial Analysis Intelligence Index 的相關性為 r = 0.81，這是個不容小覷的數字，而且是二手數據。沒有任何第三方曾在任何項目上測試過 Ultramarine 1 Flash。

在雙方以相同方式衡量的比較

在這組配對中，恰好只有一類量測是雙方的數字都不取決於對方的方法論：token 效率，且在單一測試套件內由單一測試框架測得。

Artificial Analysis 記錄到 GPT-5.6 Luna 在完成 Intelligence Index 時使用了 1.5 億個輸出 token，比同級別 9,500 萬的中位數高出 58%。這個數字就藏在每項任務 0.18 美元的價格背後——一個寫得很多的快速模型，並不是購買已完成任務最便宜的方式，而冗長程度排名讓箇中原因清晰可見。

Paper Instruments 對自家模型提出相反的說法，而且是用可查證、而非僅靠斷言的方式來做。在其全部六項基準測試中，Ultramarine 1 Flash 的輸出 token 數比它接受後訓練所依據的模型 GLM-5.3 Flash 少了 6.5%——3,050 萬對上 3,270 萬，且包含推理在內——同時在六項中的每一項都拿到更高分。該比較的兩邊都是在相同任務上使用同一套測試框架，因此不會受到籠罩此地其他所有說法的那項批評所影響。這也是一個並非唾手可得的方向：後訓練後的模型變得更愛說話的頻率，並不亞於變得更安靜。

對任何帳單主要由輸出 token 主導的人來說，那是這份發布中最具可轉移性的事實。它並不是說 Ultramarine 1 Flash 比 GPT-5.6 Luna 更節省。它說的是，兩者中依基礎模型較短者的關係成立，而且是在一套公司外無人重現過的測試套件上。

你自己執行測試

GPT-5.6 Luna 是在 OrcaRouter 上提供的，價格為每百萬個 token 輸入 $0.20、輸出 $1.20，並依每次請求設定 effort 等級。這是供應商的標價直接轉嫁，每 token 未加收任何費用，這對一個價格已經變動過一次的模型來說很重要——OpenAI 今年稍早實施的 80% 降價已反映在此，且無須任何人重新協商合約。同一個端點也能使用 GPT-5.6 Sol、Claude Fable 5、DeepSeek V4 Flash 和 GLM-5.3 Flash，其中最後一個正是 Ultramarine 1 Flash 訓練所依據的基礎模型，並以完全相同的 $0.15 / $0.50 價目表提供服務。

Ultramarine 1 Flash 不在我們的目錄中；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。這種不對稱就是這項比較在實務上的具體形態。這兩個模型中，有一個你今天就能放進正式生產路徑，後面接上經路由的備援，眼前還有量測到的 p50。另一個則是在供應商的端點上先做試行，並單憑它自己的輸出來評判。

哪一個才是值得進行的測試，而且成本很低：把同一批文件送給雙方，分別以 Luna 的預設投入程度與其最大投入程度來跑，然後比較產出物與帳單。專家的整套論點是，其產出需要較少返工。這在一個下午內就能衡量，而這是唯一能定奪這種配對的證據——在這種配對裡，沒有人發表過共用的計分板。

該立場，以已知與未知來表述

已知，且有來源可查：GPT-5.6 Luna 在一項由十項可檢核評測所建構的指標上得分 37，每完成一項任務要價 0.18 美元，具備 1,050,000 個權杖的上下文視窗，而在能拿到 37 分的推理強度下，首個權杖可能要等上兩分多鐘。它每權杖的價格便宜，在同級之中能力不俗，而且——根據 Artificial Analysis 自家的量測——傾向比同儕多寫 58%。

據其製造商報告，未經重現：Ultramarine 1 Flash 在以評分規準評分的金融、法律、顧問與營運交付成果套件上得分 59.3，每項任務成本為 $0.13；相較之下，Claude Fable 5 為 $8.19、得分 57.8，GPT-5.6 Sol 為 $2.09、得分 55.1，而且它在全部六個套件上都勝過自家基礎模型，同時產生的 token 數少了 6.5%。

未知的是：這一切能否在一份並非 Paper Instruments 任何人所寫的文件中留存下來、模型在負載下的延遲表現如何，以及供應商頁面上那句「模型權重即將推出」最終是否會落實為真正的發布。

任何從中選出贏家的文章，都是自己編造出來的。可以明確說的是：如果你需要在投入之前取得一份經過驗證的評分，GPT-5.6 Luna 是這組對比中唯一握有這種評分的模型；而如果你的產出是一份交付成果，而不是一個答案，那麼真正有意思的說法完全落在另一邊，而且尚未經過任何非受聘測試者檢驗。

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。