Paper InstrumentsのUltramarine 1 Flash、Fable級の性能を60分の1のコストで実現
Ultramarine 1 Flash
Paper Instrumentsが公開したUltramarine 1 Flashは、金融・法務・コンサルティング・業務運用の知識作業でFable級の性能を持つオープンモデル。タスクあたり0.13ドルで、8.19ドルのClaude Fable 5や2.09ドルのGPT-5.6 Solを上回る。ベースのGLM-5.3 Flashよりトークン生成が6.5%少なく、プロ品質のExcelやPowerPointも作成できる。
Ultramarine 1 Flashは、最も魅力的な価格帯でコストと品質のフロンティアに位置している。
HNでの議論
100- kadoban
> 我々はUltramarine 1 Flashを発表します。これはプロフェッショナルな知識労働のためのエージェントモデルです。Ultramarineは強力なオープンベースモデルであるGLM-5.3 Flashに対して大規模強化学習を適用し、評価する6つの知識労働ベンチマークすべてで改善しています [...]
何に基づいているのか気になる人のために。（私からはどちらとも判断しません。ポストトレーニングがどれだけうまくできたかによると思いますが、それは私にはわかりません）。
- CobrastanJorji
余談ですが、不必要に誤解を招くグラフは好きではありません。強みも弱みも認めましょう。
「結果」セクションでは、Ultramarineをすべての指標で自分より劣るモデルとのみ比較することを選んでいます。Fable 5.1、GPT-6 Astra、Claude Opus 5.5などのモデルは無視しています。
そして、価格に焦点を当てた「タスクあたりのコストに対するスコア」のグラフでは、突然、Ultramarineより性能が高いこれらのモデルがすべて戻ってきます。なぜなら、それらはより高価でもあるからです。
時には自分たちを2番目に優れているとリストしてもいいんですよ。あなたたちの成果は印象的です。愚かなマーケティング担当者に、くだらないトリックでそれを隠させないでください。
- bythreads
混乱しているのですが、これはGLM 5.3 - Flashをスキンしただけのように見えます。いくつかのコンテキスト注入トリックとガードレール付きで。これらの「スタートアップ」はどうなっているのでしょうか？
- vehemenz
限られたテストでは、価格性能比は宣伝通りでした。昨日たまたまHaiku、GPT-mini、Deepseek v4 0731で同じタスクをテストしていたので、モデルを比較するための合理的なベースラインがありました。
- hypfer
こういうのにはどんなハーネスを使うのでしょうか？
Office文書を作成できると言っていますが（私の理解が正しければ）、どうやってやるのでしょうか？
「先四半期の売上高のスライドデッキをくれ」と言うために、これを何に接続する必要があるのでしょうか？
__
https://www.paperinstruments.com/feather
彼らのTwitter動画によると、これがそのものかもしれません？
- test_user369
試してみたいのですが、会社を運営するにはいくつの特化モデルが必要なのでしょうか。
簿記に使ってみようと思います。たとえば、フォルダを指定して請求書を記帳するように指示し、1年分の個人取引が入ったCSVファイルを指定して、処理、分類され、特定のトレンドについて質問できるか見てみます。
- binbag
ソフトウェア開発者ではない者として（学ぶためにここを覗いている我々もいます）、ビジネスを運営し、いわゆる「知識労働」を日々行っている者として、このようなものがどうやって、なぜ、会社をClaude（デスクトップアプリとして）の使用から移行させる説得力を持つのでしょうか？これらのモデルはClaudeのTeamサブスクリプションより安いのは確かですが、ハーネスを選んで実装し、人々のために設定する方法を考えるのは大変な頭痛の種になるように感じます。しかも分野の動きが速いので、いつ新しいモデルに移行すべきか常に考え続ける必要があり、リスクが生じます。私たちやほとんどの企業にとって最も安全な賭けは、うまくいっていると知っているものに固執し、そのプレミアムを払うことだと思います。ご意見をお待ちしています。
- chicagobuss
なぜパレートのタスクあたりコストのチャートに6.1 solがないのでしょうか？