Paper Instruments 发布 Ultramarine 1 Flash：在 GLM-5.3 Flash 上做知识工作强化学习，自家基准接近 Fable 5、每任务约 0.13 美元，先开 API、权重稍后

这件事意味着什么

【要点】

旧金山小团队 Paper Instruments 于 10 月 14 日发布 Ultramarine 1 Flash，一个面向专业知识工作（金融、法律、咨询、运营）的智能体模型。技术报告说明：它是在智谱开源的 GLM-5.3 Flash 底座上做大规模「不可验证奖励」强化学习（按任务定制评分细则、由模型评分）得到的，覆盖 88 类合成工作环境，产出 Excel 模型、PPT、Word/PDF 备忘录等交付物。官方称在六项知识工作基准上平均比底座高 4.1 分、少用 6.5% 的 token；在自家内部套件 PI Knowledge Work 上 59.3 分、每任务约 0.13 美元，高于 Claude Fable 5（57.8 分、8.19 美元）和 GPT-5.6 Sol（55.1 分），比 Claude Opus 5.5 低 2.6 分、比 GPT-6 Sol 低 2.0 分。API 已开放，定价每百万 token 输入 0.15 美元、输出 0.50 美元（与 GLM-5.3 Flash 相同），兼容 OpenAI 与 Anthropic 接口，可直接接进 Claude Code。CEO Daanish Khazi 在 X 上称后训练由 5 人团队完成、总花费约 30 万美元，权重稍后发布（官网写「Model weights coming soon」）。

【可核验】

技术报告：https://www.paperinstruments.com/blog/ultramarine （datePublished 2026-10-14T19:00Z）

产品页（定价、「权重即将发布」）：https://www.paperinstruments.com/ultramarine

API 文档：https://docs.paperinstruments.com/docs/ultramarine

CEO 发布帖：https://x.com/bertgodel/status/2110400987622265232 （10/14 16:02Z，约 108 万次浏览、5.7k 赞）

报告 Table 8 显示编码基准低于底座：Terminal-Bench 2.1 为 83.2（GLM-5.3 Flash 84.3），DeepSWE 1.1 为 61.5（底座 63.4）。

【我们的判断】

一、看点是「便宜底座 + 专门后训练」：小团队用开源中国底座、对不可验证的专业任务做 RL，在知识工作上逼近一线闭源模型，成本差一个数量级以上。

二、「Fable 级」主要来自自家内部基准；在公开的 APEX-Agents 1.1、DiligenceBench 上仍落后 Fable 5 和 Gemini 3.8 Flash，编码还略低于底座。CEO 自己也说别拿它写代码。

三、目前只有 API，「开源」要等权重真正放出来才算数，到时再核对许可。