Ultramarine 1 Flash: o que os benchmarks da própria empresa dizem (e não dizem) sobre o modelo de $0,13 por tarefa

Às 16h02 UTC de 14 de outubro de 2026, o laboratório de São Francisco Paper Instruments lançou o Ultramarine 1 Flash (abre em nova aba), um modelo agentic para trabalho de conhecimento profissional, pós-treinado sobre o GLM-5.3 Flash com reforço em larga escala. A promessa central: desempenho próximo ao da classe Fable por uma fração do custo. Na suíte interna da empresa, o modelo pontua 59,3 a US$ 0,13 por tarefa, contra 57,8 a US$ 8,19 do Claude Fable 5. É um número que pede leitura cuidadosa antes de qualquer decisão de arquitetura.

A apresentação lembra a cotação de um carro usado: o preço do anúncio é real, mas o estado do veículo depende de quem fez a vistoria. Aqui, a vistoria foi feita pelo próprio vendedor. Isso não invalida os dados; muda quem paga o ônus da verificação.

O que o modelo é e como foi treinado

O Ultramarine 1 Flash parte de um modelo aberto, o GLM-5.3 Flash, e aplica reinforcement learning em escala sobre tarefas de trabalho profissional: finanças, direito, consultoria e operações. A técnica tem nome no relatório: RL não-verificável, com recompensas definidas por rubricas por tarefa, sobre uma variante modificada do algoritmo CISPO, com LoRA de rank 64. Contexto de treino de 131.072 tokens e até 250 turnos de agente.

Diferente do RL verificável clássico, onde a resposta certa se valida sozinha (um código que roda, uma equação que fecha), o RL não-verificável usa rubricas humanas ou modelos-juiz para atribuir nota a entregáveis ambíguos: uma planilha Excel bem feita, um deck de apresentação, um documento Word. É um terreno onde a recompensa é opinião estruturada, não fato binário. O relatório do anúncio (abre em nova aba) alega ganho de 4,1 pontos em média sobre o modelo base em seis benchmarks, gerando 6,5% menos tokens de saída (30,5 milhões contra 32,7 milhões no agregado das seis suítes).

O custo de pós-treino alegado é de cerca de US$ 300 mil, por uma equipe de cinco pessoas. A fala é do fundador:

Estamos lançando o Ultramarine 1 Flash, um modelo de classe fronteira construído para trabalho de conhecimento. Ele é open-source e alcança desempenho semelhante ao Fable 5, sendo 60x mais barato.

— Daanish Khazi (@bertgodel), 14 de out. de 2026, no X

Duas alegações merecem separação. "60x mais barato" compara US$ 8,19 por US$ 0,13 por tarefa, na suíte da própria empresa, com cada modelo no seu preço oficial de API. "Classe fronteira" é sustentada por 2,6 pontos atrás do Claude Opus 5.5 e 2,0 atrás do GPT-6 Sol no mesmo teste. São margens pequenas e custos de referência distintos: contra o GPT-6 Sol, a vantagem de custo cai para cerca de 10x, não 60x.

Os benchmarks: o que os números sustentam

O relatório avalia seis benchmarks de trabalho de conhecimento e dois de código por referência. Todos os modelos rodam no máximo nível de raciocínio que suportam. Os números, conforme a Tabela 8 do relatório:

Três leituras. Primeira: a consistência do ganho sobre a base é o dado mais sólido do conjunto. Quatro pontos em média, em seis suítes, com menos tokens gerados, é o tipo de resultado que raramente é ruído de medição. Segunda: a liderança em primeiro lugar concentra-se em JobBench, FrontierFinance e na suíte interna. Em AutomationBench, DiligenceBench e APEX-Agents, o modelo fica atrás de concorrentes; em APEX-Agents, com 7,3 pontos de distância para o Gemini 3.8 Flash. Terceira: a regressão em código é pequena, mas existe. O RL sobre rubricas de trabalho de conhecimento parece ter custado um pouco de capacidade de programação, o que importa para quem pensa no modelo como agente generalista.

O problema de verificação está na estrutura, não nos dígitos. O resultado central de custo-qualidade vem de PI Knowledge Work, um benchmark interno, com rubricas escritas pela mesma equipe que treina e anuncia o modelo. A empresa afirma que as notas correlacionam fortemente com o Artificial Analysis Intelligence Index (r = 0,81), mas correlação agregada não equivale a reproducibilidade por tarefa. Na data de referência, nenhum rerun independente do resultado de US$ 0,13 por tarefa estava publicado. As notas dos concorrentes vêm das fontes citadas nas notas da tabela, com tokens do modelo base medidos em execuções próprias, o que é procedimento defensável, porém não cego.

O que decidir aqui: se sua decisão depende do ranking absoluto contra Claude Opus 5.5 ou GPT-6 Sol, espere reproducão independente ou teste no seu workload. Se sua decisão é "a base GLM-5.3 Flash + Ultramarine supera a base dele nos meus fluxos financeiros e legais", os dados do relatório tornam isso plausível, e o custo de validar isso por conta própria é baixo, dado o preço do modelo.

Custo real versus custo divulgado

O preço de API é o mesmo do modelo base: US$ 0,15 por milhão de tokens de entrada, US$ 0,03 de entrada em cache e US$ 0,50 de saída, incluindo tokens de raciocínio. Isso é documentado na página de billing (abre em nova aba) e confirmado no exemplo oficial: 20 mil tokens de entrada não-cacheada mais 1 mil de saída custam US$ 0,0035.

O custo por tarefa de US$ 0,13, em contraste, é uma medida no harness da empresa, com nível de raciocínio no máximo. Entre os dois números há uma variável que o leitor técnico conhece: consumo de tokens de raciocínio. O modelo é treinado para pensar bastante antes de responder, e os tokens de pensamento são cobrados como saída a US$ 0,50/M. Numa execução típica, eles dominam a fatura. O relatório não publica, na documentação disponível, a média de tokens por tarefa dividida entre entrada, cache e saída, o que impediria de estimar o custo fora do harness deles. Se suas tarefas têm contexto grande e saídas curtas, o perfil de preço favorece você; se geram documentos longos, o custo por tarefa tende a subir.

Dois detalhes operacionais da cobrança pre-paga merecem atenção:

• A plataforma reserva o custo máximo do request antes da geração. Se você não define max_completion_tokens, o fundo reservado cobre o teto total de saída. Para contêineres de budget apertado, defina o parâmetro sempre.
• Se o uso de uma requisição interrompida não for confirmado, o valor reservado permanece indisponível até a confirmação.

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.paperinstruments.com/v1",
    api_key=os.environ["PAPERINSTRUMENTS_API_KEY"],
)
resp = client.chat.completions.create(
    model="ultramarine-1-flash",
    reasoning_effort="max",
    max_completion_tokens=8192,
    stream=True,
    messages=[{"role": "user", "content": "..."}],
)

A comparação contra modelos de fronteira, repita-se, usa o preço oficial de API de cada desenvolvedor em outubro de 2026, sem descontos de volume, cache do lado de cada provedor ou acordos corporativos. O custo total documentado da sua operação pode divergir dos US$ 0,13 por tarefa em qualquer direção.

Acesso, API e Brasil

A API é compatível com os SDKs da OpenAI e da Anthropic, com base https://api.paperinstruments.com/v1 e identificador ultramarine-1-flash. O quickstart recomenda reasoning_effort="max" como padrão e avisa que o limite de 8.192 tokens por resposta inclui o raciocínio: se finish_reason vier como "length", aumente o limite. Os textos do raciocínio chegam em delta.reasoning_content.

Sobre o Brasil, a documentação disponível não informa restrições de país, disponibilidade regional de infraestrutura nem suporte em português. A página de billing tampoco menciona nada específico sobre o assunto; o pagamento passa pelo Stripe Checkout, com recarga automática opcional de cartão salvo. Para um desenvolvedor brasileiro, o caminho prático é: criar conta no console, adicionar fundos, gerar a chave e testar. A latência até servidores fora da América Latina e eventuais limites de taxa não estão documentados nas páginas analisadas, o que convém testar antes de comprometer produção. A latência é variável invisível no benchmark e decisiva em fluxo de agente com 250 turnos possíveis: se cada turno custa 2 segundos a mais de rede, uma tarefa de 100 turnos acumula mais de 3 minutos só de viagem.

O contraponto: onde a tese pode falhar

O argumento contra o Ultramarine, consistente com os próprios dados, tem três frentes. A primeira já foi dita: o resultado de destaque vem de benchmark interno, com rubricas da casa, sem rerun independente até 15 de outubro de 2026. A segunda: nas suítes externas, o modelo não é o melhor em metade dos casos, e a distância para o GPT-6 Sol é de apenas 2,0 pontos a um custo de US$ 1,26 contra US$ 0,13, o que recoloca a comparação de "60x mais barato" como dependente de qual concorrente se escolhe como régua. A terceira: o próprio CEO atribuiu à empresa a promessa de pesos abertos "em cerca de duas semanas" após o lançamento; até o anúncio, o modelo é acessível só pela API deles. Quem precisa de pesos agora ainda não os tem.

Um cenário hipotético ajuda a separar benefício possível de resultado comprovado: uma consultoria de médio porte automatiza triagem de contratos com o Ultramarine. Os benchmarks de finanças e direito sugerem que a tarefa está no escopo do modelo. Mas o custo por tarefa medido no harness da Paper Instruments não é o custo por tarefa da consultoria, cujos contratos têm contexto, formatos e critérios de erro próprios. Só um piloto com rubrica própria responde. A promessa, nos termos do anúncio, é de Fable-class; o comprovado, nos termos do relatório, é "melhor que o próprio modelo base em seis suítes, uma delas interna".

O ganho de 6,5% em eficiência de tokens, por sua vez, é verificado nos números do relatório e coerente com o efeito esperado de RL com recompensa por rubrica: modelos treinados para entregar o que a rubrica pedem aprendem a economizar rodeios. É um mecanismo plausível, e o dado agregado é consistente, mas os 6,5% valem para os benchmarks deles, não necessariamente para o seu prompt.

Veredito: para quem faz sentido

O Ultramarine 1 Flash é, com base no que se pode ler hoje, o caso mais interessante do mês na faixa de custo baixo para trabalho de conhecimento agentic. O ganho sobre o modelo base é o fato mais bem sustentado. O custo por token é dos mais baixos do mercado. A estrutura de cobrança é transparente e programática. O que falta é a camada externa: reruns independentes do número de US$ 0,13 por tarefa e a liberação dos pesos prometida.

Faz sentido, nas condições atuais, para equipes técnicas que: já usam GLM-5.3 Flash ou modelo aberto de contexto 131K; têm fluxos em finanças, jurídico, consultoria ou operações com entregáveis avaliáveis por rubrica; e têm tolerância para piloto com verificação própria. Faz menos sentido para quem precisa de líder garantido em automação multiagente (APEX-Agents favorece o Gemini 3.8 Flash), quem depende de capacidade de código (a base é melhor nesse eixo) ou cuja operação não tolera os riscos de um provedor novo, com uma semana de histórico, billing pre-pago em dólar e SLA não documentado.

A recomendação prática cabe num parágrafo: use o portal da API (abre em nova aba) para um piloto de custo mínimo, defina max_completion_tokens em todo request, meça o custo real no seu workload com GET /v1/usage e aguarde dois marcos antes de qualquer decisão estrutural: o rerun independente do benchmark e a publicação dos pesos. Os dois, se confirmados, transformam a tese de custo-benefício em algo verificável; até lá, o número de US$ 0,13 é a melhor estimativa disponível e a palavra de quem o produziu.

Perguntas frequentes