Ultramarine 1 Flash apuesta por la IA para el trabajo profesional
Paper Instruments presenta Ultramarine 1 Flash, un modelo abierto de inteligencia artificial diseñado para realizar tareas de conocimiento en entornos profesionales, especialmente en finanzas, derecho, consultoría y operaciones.
Según la página oficial del modelo, Ultramarine 1 Flash ofrece un rendimiento de clase Fable en trabajos de conocimiento, con un costo 60 veces inferior al de Fable.
La compañía sostiene que su modelo puede competir con alternativas de mayor costo en tareas que requieren producir documentos, hojas de cálculo y presentaciones terminadas.
Su propuesta combina rendimiento en trabajo profesional, eficiencia en el uso de tokens y una estructura de precios basada en GLM-5.3 Flash, el modelo sobre el que está construido.
Mejora en seis benchmarks frente a GLM-5.3 Flash
En su informe técnico sobre Ultramarine, Paper Instruments presenta resultados de seis benchmarks centrados en trabajo de conocimiento.
De acuerdo con la empresa, Ultramarine 1 Flash supera a GLM-5.3 Flash en las seis evaluaciones, con una mejora promedio de 4,1 puntos.
Además, consigue estos resultados generando un 6,5% menos de tokens que su modelo base.
Las pruebas cubren diferentes dimensiones del trabajo profesional. Los resultados también permiten comparar Ultramarine con Claude Fable 5, GPT-5.6 Sol, Gemini 3.8 Flash, DeepSeek V4.1 Flash y Kimi K3.
Paper Instruments indica que todos los modelos participantes en estas seis evaluaciones utilizan su configuración máxima de razonamiento.
Tabla completa de benchmarks de Ultramarine 1 Flash
La siguiente tabla reúne los resultados publicados por Paper Instruments en su informe técnico. Las cifras corresponden a las puntuaciones informadas por la propia empresa.
| Benchmark | Ultramarine 1 Flash | GLM-5.3 Flash | Claude Fable 5 | GPT-5.6 Sol | Gemini 3.8 Flash | DeepSeek V4.1 Flash | Kimi K3 |
|---|---|---|---|---|---|---|---|
| JobBench | 62,9 | 56,3 | 57,4 | 45,4 | 60,6 | 60,4 | 54,3 |
| PI Knowledge Work (interno) | 59,3 | 52,0 | 57,8 | 55,1 | 49,4 | 47,9 | 51,2 |
| FrontierFinance | 53,3 | 50,7 | 49,2 | 46,8 | 50,0 | 46,0 | 46,4 |
| AutomationBench | 50,2 | 48,8 | 46,2 | 45,8 | 47,3 | 51,3 | 46,7 |
| DiligenceBench | 50,6 | 48,2 | 52,9 | 50,0 | 53,1 | 50,3 | 50,4 |
| APEX-Agents 1.1 | 57,0 | 52,8 | 63,6 | 51,5 | 64,3 | 39,5 | 50,6 |
| Terminal-Bench 2.1 (código) | 83,2 | 84,3 | 84,3 | 88,8 | 89,4 | 90,6 | 88,3 |
| DeepSWE 1.1 (código) | 61,5 | 63,4 | 69,9 | 72,7 | 73,8 | 74,2 | 68,5 |
Fuente: Paper Instruments, informe técnico de Ultramarine 1 Flash. Las primeras seis filas corresponden a trabajo de conocimiento; las dos últimas ofrecen referencias de rendimiento en programación.
Dónde obtiene sus mejores resultados
Ultramarine 1 Flash encabeza las comparaciones de tres de los seis benchmarks de trabajo de conocimiento incluidos en la tabla.
En JobBench, registra 62,9 puntos, frente a 60,6 de Gemini 3.8 Flash, 60,4 de DeepSeek V4.1 Flash y 57,4 de Claude Fable 5.
En PI Knowledge Work, la evaluación interna de Paper Instruments, alcanza 59,3 puntos, por encima de los 57,8 de Claude Fable 5 y los 55,1 de GPT-5.6 Sol.
En FrontierFinance, obtiene 53,3 puntos, superando los 50,7 de GLM-5.3 Flash y los 50,0 de Gemini 3.8 Flash.
Estos resultados respaldan la afirmación de Paper Instruments sobre el enfoque de Ultramarine en tareas profesionales, aunque las diferencias de rendimiento cambian según la evaluación.
En qué benchmarks otros modelos lo superan
La tabla de Paper Instruments también muestra áreas en las que Ultramarine 1 Flash queda por detrás de sus competidores.
En AutomationBench, DeepSeek V4.1 Flash alcanza 51,3 puntos, frente a los 50,2 de Ultramarine.
En DiligenceBench, Gemini 3.8 Flash obtiene 53,1 puntos y Claude Fable 5 registra 52,9, mientras que Ultramarine consigue 50,6.
Las diferencias son más amplias en APEX-Agents 1.1, donde Gemini 3.8 Flash alcanza 64,3 puntos y Claude Fable 5 llega a 63,6, frente a los 57,0 de Ultramarine.
Los resultados de programación también muestran una situación diferente.
En Terminal-Bench 2.1, Ultramarine obtiene 83,2 puntos, por debajo de todos los demás modelos incluidos en la comparación. DeepSeek V4.1 Flash encabeza esa evaluación con 90,6.
En DeepSWE 1.1, Ultramarine registra 61,5 puntos, nuevamente por debajo del resto de los participantes. DeepSeek V4.1 Flash lidera con 74,2.
Así, los resultados publicados por Paper Instruments muestran un modelo competitivo en tareas de conocimiento, pero con diferencias importantes respecto a otros modelos en determinadas evaluaciones y en programación.
PI Knowledge Work: mejor puntuación que Claude Fable 5 y GPT-5.6 Sol a menor costo
Uno de los principales argumentos de Paper Instruments es la relación entre rendimiento y costo por tarea.
En su benchmark interno PI Knowledge Work, Ultramarine 1 Flash alcanza una puntuación de 59,3 con un costo de 0,13 dólares por tarea.
La empresa compara este resultado con modelos que utilizan su configuración máxima de razonamiento.
| Modelo | Puntuación PI Knowledge Work | Costo por tarea |
|---|---|---|
| Ultramarine 1 Flash | 59,3 | $0,13 |
| Claude Fable 5 (max) | 57,8 | $8,19 |
| GPT-5.6 Sol (max) | 55,1 | $2,09 |
| Claude Opus 5.5 (max) | 2,6 puntos por encima de Ultramarine | $6,96 |
| GPT-6 Sol (max) | 2,0 puntos por encima de Ultramarine | $1,26 |
Fuente: Paper Instruments. Costos calculados con los precios oficiales de API de octubre de 2026.
Según esta evaluación, Ultramarine consigue una puntuación superior a la de Claude Fable 5 (max) y GPT-5.6 Sol (max), pese a tener un costo por tarea considerablemente menor.
Frente a modelos con puntuaciones superiores, Paper Instruments destaca que Ultramarine queda a solo 2,6 puntos de Claude Opus 5.5 (max) y a 2,0 puntos de GPT-6 Sol (max).
La compañía también informa que, entre otras 39 ejecuciones correspondientes a 18 modelos y configuraciones, 27 presentan un costo mayor y una puntuación inferior a los de Ultramarine 1 Flash.
Estos datos forman parte de las comparaciones publicadas por Paper Instruments y reflejan los resultados de su metodología de evaluación.
Cómo mide Paper Instruments el trabajo profesional
PI Knowledge Work es un benchmark interno de Paper Instruments centrado en tareas que requieren producir entregables profesionales completos.
En lugar de limitarse a generar respuestas de texto, las tareas incluyen la elaboración de materiales que pueden formar parte de un flujo de trabajo empresarial.
Entre ellos se encuentran: - Libros de Excel terminados. - Presentaciones de PowerPoint. - Documentos de Word. - Trabajos ejecutados dentro de sistemas empresariales activos, incluidos ERP y MES.
Cada tarea se califica mediante una rúbrica que contempla tres aspectos: fondo, precisión y presentación.
Paper Instruments explica que todos los modelos trabajan en el mismo entorno y que los cálculos de costos utilizan los precios oficiales de API de sus desarrolladores correspondientes a octubre de 2026.
Correlación con Artificial Analysis
La empresa también presenta una comparación entre las puntuaciones de PI Knowledge Work y las del Artificial Analysis Intelligence Index.
Según su informe, existe una correlación de r = 0,81 entre ambas mediciones.
Este cálculo se basa en las 24 ejecuciones que también son evaluadas por Artificial Analysis.
Paper Instruments utiliza esta correlación como parte de la descripción de su benchmark interno y de su relación con otra medición de capacidades de inteligencia artificial.
Menos tokens para completar tareas profesionales
Otra de las características que Paper Instruments destaca de Ultramarine 1 Flash es su eficiencia de generación.
En los seis benchmarks de trabajo de conocimiento, el modelo genera un 6,5% menos de tokens que GLM-5.3 Flash, mientras consigue una mejora promedio de 4,1 puntos.
De acuerdo con la empresa, esta combinación representa un camino más corto hacia mejores resultados en las tareas evaluadas.
La diferencia es relevante para su propuesta de trabajo profesional, donde Paper Instruments relaciona la calidad de los entregables con la eficiencia en su producción.
Cuánto cuesta utilizar Ultramarine 1 Flash
Paper Instruments establece para Ultramarine 1 Flash los mismos precios de API que GLM-5.3 Flash.
Las tarifas anunciadas por millón de tokens son:
| Tipo de tokens | Precio por millón |
|---|---|
| Entrada | $0,15 |
| Entrada en caché | $0,03 |
| Salida | $0,50 |
Esta estructura de precios acompaña la estrategia de la compañía de ofrecer rendimiento competitivo en tareas profesionales con un costo reducido.
El costo de 0,13 dólares por tarea que aparece en PI Knowledge Work corresponde específicamente a la medición publicada por Paper Instruments para ese benchmark.
Documentos y presentaciones con estándares profesionales
El enfoque de Ultramarine 1 Flash también abarca la manera de organizar y presentar la información.
Paper Instruments describe su estilo mediante una redacción limpia, simple y directa, acompañada de una jerarquía visual y de información claramente definida.
La compañía señala que el modelo está construido para cumplir las reglas que se exigen a los analistas dentro de los servicios profesionales.
Esto se refleja en su interés por evaluar tanto el contenido como la presentación de los materiales generados.
Un ejemplo aplicado a la industria del acero
Entre los ejemplos que muestra Paper Instruments aparece una lámina dedicada al ciclo del acero de Nucor.
La presentación incluye una tabla con cifras de ventas y ganancias por segmento correspondientes al período entre 2022 y el primer semestre de 2026.
El ejemplo permite observar el tipo de material empresarial que la compañía utiliza para mostrar el enfoque de Ultramarine 1 Flash en la organización de datos y la elaboración de presentaciones profesionales.
En contexto
Ultramarine 1 Flash es un modelo abierto de Paper Instruments basado en GLM-5.3 Flash, orientado al trabajo de conocimiento en finanzas, derecho, consultoría y operaciones.
La compañía presenta su rendimiento mediante seis benchmarks profesionales, dos referencias de programación y PI Knowledge Work, su evaluación interna de entregables completos. Según sus resultados, Ultramarine mejora en promedio 4,1 puntos frente a GLM-5.3 Flash en las seis evaluaciones de conocimiento, con un 6,5% menos de tokens generados.
