Ultramarine: 0,13 dollar – 59,3, GLM, vekter om 2 uker

Paper Instruments slipper Ultramarine 1 Flash 14. oktober. Det er en agentmodell for kunnskapsarbeid i finans, juss, rådgivning og drift, ikke et nytt frontier-flaggskip fra en lab med egen pretrening. API er åpent nå. Vekter kommer om to uker. Administrerende direktør Daanish Khazi skriver at fem personer post-trente den for om lag 300 000 dollar, oppå den åpne basen GLM-5.3 Flash.

Pris: 0,15 dollar per million inn-tokens, 0,03 for cache-inn, 0,50 per million ut. Samme liste som GLM-5.3 Flash. På labens interne PI Knowledge Work koster Ultramarine 0,13 dollar per oppgave og scorer 59,3. Claude Fable 5 på max: 57,8 til 8,19 dollar. GPT-5.6 Sol max: 55,1 til 2,09. Opus 5.5 max ligger på 61,9 til 6,96, GPT-6 Sol max 61,4 til 1,26. Det er labens egne kjøringer, samme harness, offisiell API-pris. Ikke Artificial Analysis.

For CIO er poenget FinOps, ikke SOTA. For CISO er poenget basen, API nå og vekter senere.

Hva som faktisk slippes

Teknisk rapport 14. oktober: storskala forsterkningslæring på oppgaver uten fasit. De fleste leveransene er Excel, PowerPoint, Word og PDF mot levende fagsystemer, ikke unit-tester. Labens Feather-harness trener og evaluerer i samme løkke. Sandbox er isolert E2B med Docker Compose. Trening: LoRA rang 64, kontekst 131 072 tokens, maks 250 agentsteg, kompaktering ved 85 prosent av vinduet. Ingen visjonstrening. Bilde-read svarer at visjon ikke finnes.

88 miljøtyper. Finans alene har 34, fra buy-side M&A til IPO og PE-due diligence. Miljøene blander EDGAR-filer, nettsider, analysesnutter og syntetiske kontrakter. Gradering er per-kriterium mot ferdig leveranse, ikke regex.

SOC 2 Type II står i bunnteksten på papirsiden. Det er sertifikat på selskapet, ikke en databehandleravtale for norsk offentlig sektor.

Tallene, og der den taper

Seks kunnskapsbenker. Ultramarine slår basen på alle, +4,1 poeng i snitt, og bruker 6,5 prosent færre ut-tokens. JobBench: 62,9, foran Gemini 3.8 Flash 60,6 og DeepSeek V4.1 Flash 60,4. FrontierFinance: 53,3, foran basen 50,7. AutomationBench: 50,2, bak DeepSeek 51,3.

Der den ikke leder: DiligenceBench 50,6 mot Gemini 3.8 Flash 53,1 og Fable 5 52,9. APEX-Agents 1.1: 57,0 mot Gemini 64,3 og Fable 63,6. Koding er referanse, ikke salgsargument. Terminal-Bench 2.1: 83,2 mot DeepSeek 90,6 og Gemini 89,4. DeepSWE 1.1: 61,5 mot DeepSeek 74,2 og Gemini 73,8. Den er billigere enn Fable på intern memo- og dekk-arbeid. Den er ikke bedre kodeagent.

PI Knowledge Work er intern. Oppgavene ber om ferdige arbeidsbøker, dekk og notater inne i ERP og MES. Rubrikk per oppgave. Korrelasjon mot Artificial Analysis Intelligence Index oppgis til 0,81. Det er labens tall. Fable 5.1 max scorer 65,5 til 8,64 dollar på samme interne suite. Ultramarine er ikke der.

CISO: kinesisk base, API nå, vekter senere

GLM-5.3 Flash er Z.ai. API-kjøp i dag er data til Paper Instruments, oppå en kinesisk åpen base. Vekter om to uker endrer bildet for on-prem og EØS, men lisens, sporbarhet og om vektene faktisk lander er ikke bekreftet i rapporten. Hugging Face-lenken på produktsiden er reservert.

Ingen visjon. Ikke bruk den på scannede bilag, skjermbilder eller PDF-som-bilde uten annen pipeline. Agenten skriver Office-filer via python-docx, python-pptx og openpyxl. Labens eget Paper Office-sett er laget nettopp fordi agenter ødelegger OOXML. Test korrupsjon og sporbarhet før den får skrive i produksjonsmaler.

Sandboxen holder inferanse-nøkler utenfor miljøet modellen kan endre. Det er riktig arkitektur. Det er ikke din SOC-kontroll. Logg, DLP, region og treningsbruk må stå i kontrakt, ikke i blogginnlegget.

Hva ledelsen bør gjøre denne uken

Tre beslutninger. En: om 0,13 dollar per intern oppgave er nok til å sette Ultramarine inn i FinOps-kortet mot Fable og Sol, vel vitende om at 59,3 er labens suite. To: om API i USA er akseptabelt til vektene kommer, eller om dere venter to uker og kjører on-prem mot GLM-basen. Tre: ikke bytt ut kodeagenter. Terminal-Bench og DeepSWE peker motsatt vei.

Risikoen er å lese «60 ganger billigere enn Fable» som «erstatter Fable». Den er post-trening på Flash-klassen, til 300 000 dollar, for dokumenttungt arbeid. Den andre risikoen er å sende kundememo og due diligence gjennom et ungt API uten EØS-klarering fordi prisen ser ut som avrundingsfeil.

Kilder og medier

Primærkilde: Paper Instruments, «Ultramarine 1 Flash: Scaling Non-Verifiable RL», 14. oktober 2026. https://www.paperinstruments.com/blog/ultramarine

Thumbnail: OpenAI Image 2 / hogby.ai