Ultramarine 1 Flash für Dokumenten-Agenten: Preise, API-Grenzen und Migrationstest

Zurück

Kevin Riedl

14 Min. Lesezeit · 15. Okt. 2026
Zuletzt geprüft 15. Oktober 2026

Weiter

Ein Modell, das ein Memo für wenige Cent entwirft, klingt nützlich. Ein Modell, das aus zwei Minuten Prüfung zwanzig Minuten Korrektur macht, nicht.

Ultramarine 1 Flash verdient Aufmerksamkeit, weil es auf die Arbeit zwischen „eine Antwort erzeugen“ und „ein professionell nutzbares Ergebnis liefern“ zielt: Dokumente, Tabellen und Präsentationen. Entscheidend ist nicht, ob es wie Claude klingt. Entscheidend ist, ob Ihr Dokumenten-Agent das Modell wechseln kann, ohne Belege, Struktur oder Kontrolle zu verlieren.

Recherchestand: 15. Oktober 2026. Dies ist eine quellenbasierte Migrationsanalyse, kein Modellbenchmark von Wavect. Die folgenden Prüfungen sind ein vorgeschlagenes Evaluierungsverfahren. Wir haben sie nicht gegen die kostenpflichtige API ausgeführt.

Was ist Ultramarine 1 Flash, und was ist bereits verfügbar?

Ultramarine 1 Flash ist ein Modell von Paper Instruments für Wissensarbeit. Die offizielle Produktankündigung bietet API-Zugang und kündigt die Modellgewichte weiterhin an. Als Zielgruppe nennt sie Unternehmen, die Teams in Finanzwirtschaft, Recht, Beratung und betrieblichen Abläufen unterstützen.

Der technische Bericht vom 14. Oktober 2026 nennt GLM-5.3 Flash als Basismodell. Es handelt sich um spezialisiertes Nachtraining eines bestehenden Modells, nicht um den Nachweis, dass ein kleines Team ein Spitzenmodell von Grund auf vortrainiert hat.

Die Ankündigung des Gründers ordnet dem Nachtraining fünf Personen und rund 300.000 US-Dollar zu. Die Gewichte sollen innerhalb von zwei Wochen nach der Ankündigung folgen. Das sind Herstellerangaben und ein Veröffentlichungsversprechen, weder unabhängig geprüfte Kosten noch bereits veröffentlichte Gewichte.

Das veröffentlichte Feather-Trainingsrepository steht unter MIT-Lizenz. Eine Codelizenz legt jedoch nicht die Lizenz künftiger Modellgewichte fest. Der Trainingsaufbau benötigt außerdem Aufgabendatensätze und E2B-Snapshots. Veröffentlichter Code allein macht daher nicht das gesamte Training reproduzierbar.

Die praktische Antwort: Die gehostete API lässt sich bereits evaluieren. Selbstbetrieb, endgültige Gewichtelizenz, Infrastrukturbedarf und Reproduzierbarkeit bleiben separate Prüfungen, bis die nötigen Artefakte vorliegen. Eine Desktop-App belegt keine lokale Inferenz.

Warum könnte nicht eindeutig überprüfbares Reinforcement Learning bessere Dokumente liefern?

Eine Tabelle kann sich öffnen und trotzdem die falsche Frage beantworten. Ein Memo kann das richtige Dokument zitieren und die Entscheidung dennoch unter sechs Seiten elegantem Fülltext begraben. Solche Aufgaben brauchen mehrere Qualitätskriterien statt einer einzigen ausführbaren Prüfung auf „richtig“.

Für Ultramarine beschreibt der technische Bericht synthetisch erzeugte berufliche Aufgabenumgebungen mit eigenen Bewertungskriterien. Eine Trainingseinheit verbindet Arbeitsumgebung, Anweisung und Bewertungsinstanz. Damit gehören das erzeugte Dokument und der Weg dorthin zur Lernaufgabe, statt nur eine isolierte Chatantwort zu optimieren.

Die relevante Idee der Forschung zu Rubrics as Rewards ist aufgabenspezifisches Feedback für offene Aufgaben. Trennen Sie bei einem Dokumenten-Agenten Faktenbelege, Vollständigkeit, Nutzbarkeit und Darstellung. Ein schöneres Dokument darf eine erfundene Zahl nicht ausgleichen.

Die separate Analyse von Paper Instruments zur Qualität von Bewertungsrastern macht eine hilfreiche Unterscheidung: Ein Bewertungsmodell kann ein Raster konsistent anwenden, obwohl dieses das Falsche misst. Unsere technische Schlussfolgerung: Fakten- und Berechtigungsprüfungen gehören nicht in eine einzige pauschale Qualitätsnote.

Definieren Sie „professionell“ beobachtbar: Das Ergebnis steht vor dem Hintergrund. Jede wesentliche Zahl hat eine Quelle. Unsicherheit bleibt sichtbar. Folien sind lesbar. Geschützte Formulierungen bleiben unverändert. Das hilft mehr als die Frage, ob ein Ergebnis „nach Senior-Level klingt“. Unser Leitfaden zu LLM-as-a-Verifier behandelt das übergeordnete Evaluierungsmuster.

Ist Ultramarine mit Fable 5 vergleichbar und 60-mal günstiger?

Die veröffentlichten Ergebnisse rechtfertigen einen Pilotversuch, keinen bedingungslosen Austausch. Diese ausgewählten Werte stammen aus dem oben verlinkten technischen Bericht. Es sind vom Hersteller veröffentlichte Vergleiche mit unterschiedlichen Evaluierungsaufbauten, kein einheitlicher, unabhängig reproduzierter Test.

Die interne Testsuite nennt 0,13 US-Dollar je Ultramarine-Aufgabe gegenüber 8,19 US-Dollar für Fable 5 bei maximalem Reasoning. Der Quotient dieser gerundeten Werte beträgt 63. Das erklärt die Größenordnung von „60-mal günstiger“. Für Ihre Prompts, Ausgabelängen, Werkzeuge und Prüfprozesse belegt es keine entsprechende Ersparnis.

Auch „Pareto-Grenze“ bezieht sich auf das gemessene Verhältnis von Kosten und Qualität: Keine verglichene Option ist auf den gewählten Achsen zugleich günstiger und besser. Das bedeutet nicht die beste Leistung bei jeder Aufgabe, niedrigste Latenz oder garantierte Zuverlässigkeit im Betrieb. Kostenbasis und Versuchsaufbau gehören deshalb zur Aussage.

Dieser Artikel behandelt die Migration von Dokumenten-Workflows. Für den separaten Programmierablauf ist unser Fable-Leitfaden für den Coding-Alltag zuständig. Wissensarbeitswerte sind keine Coding-Rangliste.

Was kostet die API von Ultramarine 1 Flash?

Der öffentliche Preisendpunkt lieferte am 15. Oktober 2026 die folgenden Dollarpreise. Prüfen Sie die aktuelle Preiskarte vor der Budgetierung erneut.

Die Abrechnungsdokumentation bestätigt, dass Reasoning als Ausgabe berechnet wird. In den Nutzungszahlen sind Cache-Tokens bereits Teil der Gesamteingabe und Reasoning-Tokens Teil der Gesamtausgabe. Berechnen Sie diese Teilmengen nicht doppelt.

Rechenbeispiel, keine Messung: Ein vollständiger Ablauf verbraucht angenommen 100.000 Eingabetokens, davon 60.000 aus dem Cache, sowie 25.000 Ausgabetokens einschließlich Reasoning. Die Modellkosten betragen (40.000 × 0,15 + 60.000 × 0,03 + 25.000 × 0,50) / 1.000.000 = 0,0203 USD. Werkzeugdienste, Infrastruktur und menschliche Prüfung sind nicht enthalten.

Bei angenommenen Prüfungskosten von 30 US-Dollar pro Stunde kosten bereits zwei zusätzliche Prüfminuten 1,00 US-Dollar. Eine winzige Inferenzrechnung kann deshalb zu einem teuren Arbeitsablauf gehören. Messen Sie die Gesamtkosten je abgenommenem Ergebnis einschließlich fehlgeschlagener Versuche. Die allgemeine Rechenmethodik beschreibt unser Leitfaden zu KI-Agentenkosten je erfolgreicher Aktion.

Ist Ultramarine ein direkter Ersatz für GPT- oder Claude-APIs?

Beim Anfrageformat teilweise. Für den vollständigen Arbeitsablauf muss es sich erst beweisen. Die Dokumentationen für Chat Completions, Responses und Messages beschreiben unterschiedliche unterstützte Teilmengen. Wählen Sie zuerst den Endpunkt und prüfen Sie dann dessen tatsächlichen Funktionsumfang.

Forschung und Bereitstellung müssen getrennt betrachtet werden: Laut Bericht erhielt das Modell kein Vision-Training, während Chat Completions und Messages Bildeingaben dokumentieren. Die Annahme eines Bildes beweist kein verlässliches Bildverständnis. Responses lehnt Bilder ab. Testen Sie gescannte Seiten und Folienbilder am konkret vorgesehenen Endpunkt.

Kopieren Sie den Gesprächsverlauf eines Clients nicht ungeprüft in ein anderes Format. Erhalten Sie vollständige Paare aus Werkzeugaufruf und Ergebnis, verwenden Sie die passenden Reasoning-Felder und verwerfen Sie abgeschnittene Werkzeugargumente. Die dokumentierte Ausgabegrenze beträgt 32.768 Tokens; Reasoning verbraucht einen Teil davon. Eine Kontextgröße aus Training oder Benchmark ist keine vertragliche API-Zusage.

Wie sieht die erste API-Anfrage aus?

Der offizielle Schnelleinstieg verwendet die Modell-ID ultramarine-1-flash und die OpenAI-kompatible Basis-URL https://api.paperinstruments.com/v1. Ein Anthropic-SDK-Client nutzt stattdessen https://api.paperinstruments.com. Hängen Sie /v1 nicht doppelt an.

Dieses Bash-Beispiel benötigt einen API-Schlüssel mit Guthaben und curl mit Unterstützung für --fail-with-body. Es überträgt nur synthetische Angaben. Es ist ein kleiner Verbindungstest ohne Streaming, keine vollständige Umgebung für Dokumentenerzeugung. Wir haben diese Anfrage nicht ausgeführt.

set -eu
: "${PAPERINSTRUMENTS_API_KEY:?Set your API key in the environment}"
curl --fail-with-body --silent --show-error \
  --connect-timeout 10 --max-time 180 \
  https://api.paperinstruments.com/v1/chat/completions \
  -H "Authorization: Bearer ${PAPERINSTRUMENTS_API_KEY}" \
  -H 'Content-Type: application/json' \
  --data-binary @- <<'JSON'
{
  "model": "ultramarine-1-flash",
  "messages": [
    {"role": "system", "content": "Use only the supplied facts. Flag missing evidence."},
    {"role": "user", "content": "Synthetic fixture: approved revenue is 120; a draft says 150. Write one sentence that uses the approved value and flags the conflict."}
  ],
  "reasoning_effort": "max",
  "max_completion_tokens": 4096,
  "stream": false
}
JSON

Prüfen Sie choices[0].message.content, reasoning_content, finish_reason und usage. HTTP-Erfolg belegt keine fertige Antwort. Ein Abschluss mit length kann bedeuten, dass das Budget vorher erschöpft war. Die Grenze von 4.096 Tokens ist für diesen Test bewusst knapp gewählt, keine Empfehlung für den Produktivbetrieb.

API-Schlüssel gehören weder ins Repository noch in Protokolle. Das Beispiel wiederholt Anfragen nicht automatisch: Ein Timeout belegt nicht, dass der Anbieter keine Arbeit ausgeführt hat. Ergänzen Sie für längere Aufgaben Streaming, Abschlussprüfungen und eine anwendungsseitige Wiederholungslogik, bevor echte Dokumente folgen.

Wie sollten Word-, Excel- und PowerPoint-Abläufe aufgebaut sein?

Eine API-Antwort ist nicht automatisch eine gültige DOCX-, XLSX- oder PPTX-Datei. Ihre Anwendung braucht weiterhin kontrollierte Werkzeuge zum Lesen, Bearbeiten, Speichern und Prüfen. Paper Office bietet agentenorientierte Dokumentbibliotheken. Deren Verfügbarkeit belegt aber nicht, dass Ihre Vorlagen einen Modellwechsel unbeschadet überstehen.

freigegebene Quellen + versionierte Vorlage
  -> endpunktspezifischer Anfrageadapter
  -> Modell schlägt Werkzeugaufrufe vor
  -> Berechtigungsprüfung + isolierte Dokumentwerkzeuge
  -> gespeicherte DOCX / XLSX / PPTX
  -> Strukturprüfung + Neuberechnung / Rendering
  -> Belegprüfung + menschliche Freigabe
  -> abgenommenes Ergebnis + gemessene Gesamtkosten

Fixieren Sie Vorlagen- und Bibliotheksversionen. Vergleichen Sie die bearbeitete Datei mit dem Ausgangsdokument, nicht nur mit der Erfolgsmeldung des Modells. Prüfen Sie Tabellenformeln und berechnen Sie sie in der Zielanwendung neu. Rendern Sie jede Präsentationsfolie und prüfen Sie Beschnitt und Lesbarkeit. Bei Word zählen Struktur und Darstellung.

Die Zielanwendung ist wichtig. „Der ZIP-Container lässt sich öffnen“ und „der Kunde kann die Datei ohne Schäden weiterbearbeiten“ sind unterschiedliche Abnahmekriterien. Halten Sie die tatsächlich getestete Office-Version oder den alternativen Editor fest.

Welche zwölf Abnahmetests sollte ein Dokumenten-Agent bestehen?

Dies ist Wavects vorgeschlagene Migrationscheckliste, kein veröffentlichter Ultramarine-Benchmark. Verwenden Sie bereinigte Testdaten und dokumentieren Sie Belege für jedes Bestehen oder Scheitern.

Trennen Sie harte Freigabekriterien von abgestufter Qualität. Eine schönere Folie gleicht keinen unerlaubten Upload aus. Ein elegantes Memo gleicht keine erfundene Quelle aus. Lassen Sie die fachliche Eignung von Menschen prüfen, nicht nur von einem weiteren Modell.

Wie sieht ein sinnvoller Migrationstest mit 20 Aufgaben aus?

Beginnen Sie mit 20 bereinigten Aufgaben aus einem echten Arbeitsablauf. Zwanzig Fälle dienen der ersten Erkundung, nicht einer statistischen Garantie. Fixieren Sie Eingaben, erwartete Ergebnisse und Abnahmekriterien, bevor Sie Ihr bisheriges Modell mit Ultramarine vergleichen.

Führen Sie jede Aufgabe mit beiden Modellen aus, möglichst dreimal, um Schwankungen sichtbar zu machen. Verwenden Sie dieselben Dokumentwerkzeuge, Rechte und Fristen. Geben Sie beiden Modellen ein kleines, dokumentiertes Budget zur Prompt-Abstimmung an separaten Beispielen. Danach bleiben die Prompts für die zurückgehaltenen Testfälle unverändert. Ein Modell soll nicht nur deshalb verlieren, weil der Prompt für ein anderes optimiert wurde.

Lassen Sie die gespeicherten Dateien ohne sichtbaren Modellnamen beurteilen. Erfassen Sie Abnahmequote, kritische Fehler, Prüfminuten, gesamte Laufzeit, Werkzeugfehler und Gesamtkosten. Fehlversuche und Wiederholungen zählen mit, nicht nur der günstigste erfolgreiche Durchlauf.

Definieren Sie die Entscheidungsregel vorher. Beispielsweise: kein kritischer Fehler im Pilotsatz, keine wesentliche Verschlechterung der Abnahmequote und geringere Gesamtkosten je abgenommenem Dokument. Das sind vorgeschlagene Einführungskriterien, keine bereits nachgewiesenen Ultramarine-Ergebnisse. Auch nach einem sauberen kleinen Piloten braucht es gestufte Einführung und laufende Stichproben. Unsere Scorecard zum Stoppen oder Skalieren eines KI-Piloten behandelt die übergeordnete Investitionsentscheidung.

Was darf nicht in die Entscheidungsgewalt des Modells fallen?

Veröffentlichung, externe Uploads, Zahlungen und destruktive Änderungen brauchen anwendungsseitige Autorisierung. Das Feather-Repository warnt, dass lokale Shell-Werkzeuge mit den Betriebssystemrechten des Prozesses laufen. Eine lokale Agentenumgebung ist nicht automatisch isoliert und kann weiterhin ein entferntes Modell aufrufen.

Die Responses-Dokumentation beschränkt gehostetes MCP außerdem auf require_approval: "never". Verwechseln Sie dieses Feld nicht mit einem Freigabeprozess. Verwenden Sie für sensible Aktionen ein eigenes Werkzeug-Gateway mit Freigabe oder stellen Sie die Aktion nicht bereit. Begrenzen Sie Zugangsdaten, beschreibbare Pfade und Netzwerkziele.

Kapazität ist eine weitere Migrationsvariable. Laut Dokumentation der Ratenbegrenzungen teilen sich API und Feather die Organisationslimits. Große reservierte Ausgabebudgets können die zugelassene Parallelität senken. Prüfen Sie die Grenzen Ihres Kontos, statt eine Beispielquote als Leistungszusage zu lesen.

Klären Sie vor vertraulichen Eingaben Datenverarbeitung, Aufbewahrung, Verarbeitungsorte und Vertragsbedingungen mit dem Anbieter. Die veröffentlichten Modellergebnisse beantworten diese Fragen nicht. Unser Sicherheitsfragebogen für KI-Anbieter unterstützt diese separate Sorgfaltsprüfung.

Wann lohnt sich eine Evaluierung von Ultramarine?

Wenn der Ablauf wiederholbar ist, die Quellen kontrolliert sind und das gespeicherte Ergebnis geprüft werden kann. Wechseln Sie nicht die gesamte Dokumentenlandschaft wegen einer „60-mal“-Schlagzeile. Beginnen Sie mit einem begrenzten Ablauf, in dem Fehler sichtbar und Rückschritte einfach sind.

Wavects Leistungen für KI-Integration und Engineering helfen, aus einer Evaluierung eine kontrollierte Umsetzung zu machen. Die Twinsoft-AI-Fallstudie zeigt angrenzende Umsetzungserfahrung, keinen Ultramarine-Einsatz. Unsere Software-QA-Checkliste vor dem Launch verbindet Modellbewertung und Freigabereife.

Bringen Sie ein bereinigtes Quellenpaket, eine Zielvorlage und Ihren bisherigen Prüfprozess mit, um eine Dokumenten-Agenten-Migration mit Wavect zu besprechen. Entscheidend ist abgenommene Arbeit, nicht der billigere Tokenzähler.