--- title: "Ultramarine 1 Flash：价格、API 限制与文档智能体迁移" canonical: https://wavect.io/zh/blog/ultramarine-1-flash-api-document-workflows/ language: zh description: "想用 Ultramarine 1 Flash 替换文档流程中的 GPT 或 Claude？本文核查 API 价格、三种接口的兼容差异、模型权重发布状态与“便宜 60 倍”的依据，并提供十二项文档验收测试和试点方案。" image: "https://wavect.io/img/blog/headers/header_ultramarine-1-flash-api-document-workflows.png" author: ["Kevin Riedl"] published: "2026-10-15" updated: "2026-10-15" reviewed: "2026-10-15" --- # Ultramarine 1 Flash 文档智能体迁移指南：价格、API 限制与验收测试 [**返回**](/zh/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/zh/team/kevin-riedl/) [Kevin Riedl](/zh/team/kevin-riedl/) https://linkedin.com/in/wsdt 14 分钟 阅读 · 2026年10月15日 最近审核 2026年10月15日 [**下一篇**](/zh/blog/ai-pilot-kill-or-scale-scorecard/) 要点速览 Ultramarine 1 Flash 是 Paper Instruments 面向知识工作的模型。截至 2026 年 10 月 15 日，API 和训练代码已经提供，官方发布页仍将模型权重标为即将发布。“便宜 60 倍”源于特定基准比较，并非企业总成本保证。Chat Completions、Responses 和 Messages 支持的接口功能不同。替换现有模型前，应验证文档准确性、排版、工具行为、权限边界和人工复核时间。 只花几美分就能起草一份报告，听起来很实用。但如果原本两分钟的检查变成二十分钟的返工，就未必划算。 Ultramarine 1 Flash 值得关注，因为它瞄准的是从“生成答案”到“交付专业人员真正能用的成果”之间的工作：文档、电子表格和演示文稿。关键不在于它是否像 Claude，而在于你的文档智能体换了模型后，能否保住证据、结构与控制权。 **资料核查日期：2026 年 10 月 15 日。**本文是基于公开来源的迁移分析，不是 Wavect 实测的模型基准。下文的检查项是建议的评估方案，我们没有调用付费 API 执行这些测试。 ## Ultramarine 1 Flash 是什么？哪些内容已经发布？ Ultramarine 1 Flash 是 Paper Instruments 面向知识工作的模型。 [官方发布页](https://www.paperinstruments.com/ultramarine) 提供 API 入口，同时仍将模型权重标为即将发布。其目标用户包括为金融、法律、咨询和企业运营团队提供服务的公司。 [2026 年 10 月 14 日发布的技术报告](https://www.paperinstruments.com/blog/ultramarine) 说明，基础模型是 GLM-5.3 Flash。因此，这是在现有模型上进行专业化后训练，不是小团队从零完成前沿模型预训练的证据。 [创始人的发布声明](https://www.linkedin.com/posts/daanishkhazi_today-were-releasing-ultramarine-1-flash-activity-7516166740649750528-p8Cx) 称，后训练由五个人完成，投入约 30 万美元，并承诺在声明发布后两周内开放权重。这些属于厂商披露的投入和发布计划，不是独立审计结论，也不代表权重已经上线。 已公开的 [Feather 训练代码仓库](https://github.com/paper-instruments/feather-train) 采用 MIT 许可证。但代码许可证并不能确定未来模型权重的使用条款。其 [训练配置说明](https://github.com/paper-instruments/feather-train/blob/main/feather-train/README.md) 还要求任务数据集和 E2B 快照。因此，仅有公开代码不等于能够复现整个训练实验。 **实际决策：**目前可以评估托管 API。自行部署、最终权重许可证、推理资源要求与训练复现，需要等相关资源齐备后分别核查。桌面客户端也不等于本地推理。 ## 非可验证强化学习为什么可能改善专业文档？ 一个表格可以正常打开，却回答了错误的问题。一份报告可以引用正确的文件，却把真正的结论埋在六页漂亮的空话里。这类任务需要多个质量标准，而不是一个可执行的“答案正确”判断。 对于 Ultramarine，技术报告描述了合成的专业任务环境及其专用评分标准。训练单元包含工作区、指令和评审器。因此，最终文件及其生成过程都是学习任务的一部分，而不只是优化一条独立聊天回复。 [Rubrics as Rewards 研究](https://arxiv.org/abs/2507.17746v2) 的相关思路，是针对开放任务提供任务级评价标准。对于文档智能体，应分别考察事实依据、完整性、可用性和呈现质量。排版更漂亮，不能抵消一个编造的数字。 Paper Instruments 另一篇 [关于评分标准与评审模型的分析](https://www.paperinstruments.com/blog/rubric-judge) 指出了一个重要区别：评审模型可以始终一致地执行评分标准，但标准本身仍可能衡量错了东西。我们的实施结论是，不要把事实和权限检查混进一个笼统的质量总分。 把“专业”定义成可观察的结果：先给结论，再给背景；关键数字都有来源；不确定性明确可见；幻灯片可读；受保护的措辞不变。这比问模型“是否像资深专家写的”更有用。有关通用评估方法，可参阅我们的 [LLM-as-a-Verifier 指南](/zh/blog/llm-as-a-verifier/) 。 ## 它真的接近 Fable 5，而且便宜 60 倍吗？ **已发布的结果足以支持试点，但不足以支持无条件替换。**下列数据选自上方链接的技术报告，属于厂商发布的比较。不同测试集采用不同评估安排，不能视为一次统一、独立复现的实验。 | 基准 | Ultramarine 1 Flash | Fable 5 | 对决策的意义 | | --- | --- | --- | --- | | PI Knowledge Work | 59.3 | 57.8 | 厂商内部测试集支持发布时的性能比较。 | | DiligenceBench | 50.6 | 52.9 | 更聚焦的专业任务集得出不同排序。 | | APEX-Agents 1.1 | 57.0 | 63.6 | 另一项智能体基准显示更大的差距。 | 内部测试集报告，Ultramarine 每项任务花费 0.13 美元，最大推理设置下的 Fable 5 为 8.19 美元。用这两个已四舍五入的数字相除，得到 63。这解释了“60 倍”标题的量级，但不能证明你的提示词、输出长度、工具调用和复核流程也能获得相同降幅。 同样，“帕累托前沿”指的是所测成本与质量之间的权衡：在选定维度上，没有被比较的方案同时更便宜且表现更好。它不等于所有任务最强、延迟最低，或生产可靠性有保证。引用这一说法时，应同时保留成本口径和实验条件。 本文负责文档工作流迁移这一问题。编程场景请参阅 [Fable 编程工作流指南](/zh/blog/coding-with-claude-fable-5/) ，不要把知识工作分数当作代码能力排行榜。 ## Ultramarine 1 Flash API 如何收费？ [公开价格接口](https://api.paperinstruments.com/v1/pricing) 在 2026 年 10 月 15 日返回了以下美元费率。制定预算前，应重新检查实时价目表。 | 类别 | 美元 | | --- | --- | | 未缓存输入 | 0.15 美元 | | 缓存输入 | 0.03 美元 | | 输出，包含推理 | 0.50 美元 | [计费文档](https://docs.paperinstruments.com/docs/ultramarine/billing) 确认，推理内容按输出计费。使用量中的缓存输入属于总输入的子集，推理 token 属于总输出的子集。不要重复计算。 **以下是算例，不是实测：**假设完整流程消耗 100,000 个输入 token，其中 60,000 个命中缓存；另有 25,000 个输出 token，已经包含推理。模型费用为 `(40,000 × 0.15 + 60,000 × 0.03 + 25,000 × 0.50) / 1,000,000 = 0.0203 美元`。其中不含工具服务、基础设施和人工复核。 如果假设审核人员成本为每小时 30 美元，仅多花两分钟复核就增加 1.00 美元。极低的推理账单，完全可能对应一个昂贵的业务流程。因此，应按“每份验收通过的交付物”计算总成本，并纳入失败尝试。通用核算方法请看 [AI 智能体每次有效行动成本指南](/zh/blog/ai-agent-cost-per-action-2026/) 。 ## 它能直接替换 GPT 或 Claude API 吗？ **请求格式层面部分兼容，完整工作流层面仍需测试。** [Chat Completions 文档](https://docs.paperinstruments.com/docs/ultramarine/chat-completions) 、 [Responses 文档](https://docs.paperinstruments.com/docs/ultramarine/responses) 和 [Messages 文档](https://docs.paperinstruments.com/docs/ultramarine/messages) 描述了不同的功能子集。先选择接口，再验证其实际契约。 | 端点 | 可用能力 | 迁移陷阱 | | --- | --- | --- | | `/v1/chat/completions` | 文本、图像输入，以及由应用执行的函数工具。 | 不支持 `developer` 角色；此端点拒绝 `store` 和 `metadata`。推理强度为 `low`、`high` 或 `max`，不接受 `medium`。 | | `/v1/responses` | 文本、函数工具和部分托管工具；存储需要主动开启。 | 不支持图像或文件输入，也没有 `file_search` 或 `code_interpreter`。`previous_response_id` 要求已存储的响应。HTTP 200 也可能返回未完成结果。 | | `/v1/messages` | Anthropic 风格消息、图像块和自定义工具。 | 不支持 PDF／文档块、Files API 来源或服务端引用块；不支持代码执行、网页搜索等服务端工具。 | 需要区分研究训练与线上接口：报告写明没有进行视觉训练，但 Chat Completions 和 Messages 文档接受图像输入。能够接收图片，并不证明具有可靠的视觉理解能力。Responses 则拒绝图片。扫描页和幻灯片截图都应在计划上线的具体接口上实测。 不要把一个客户端的对话历史原封不动搬到另一个格式。保留完整的工具调用与结果配对，使用端点对应的推理字段，并拒绝被截断的工具参数。文档列出的输出上限为 32,768 个 token，推理会占用其中一部分。训练或基准使用的上下文设置，不等于 API 的合同承诺。 ## 如何发出第一条 API 请求？ [官方快速入门](https://docs.paperinstruments.com/docs/ultramarine) 使用模型标识 `ultramarine-1-flash`，OpenAI 兼容客户端的基础地址为 `https://api.paperinstruments.com/v1`。Anthropic SDK 客户端则使用 `https://api.paperinstruments.com`。不要重复追加 `/v1`。 以下 Bash 示例需要有余额的 API 密钥，以及支持 `--fail-with-body` 的 curl。它只发送合成事实，是一个不启用流式输出的小型连通性测试，不是完整的文档生成运行环境。我们没有执行这条请求。 ``` 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 ``` 检查 `choices[0].message.content`、`reasoning_content`、`finish_reason` 和 `usage`。HTTP 成功不代表已经生成最终答案。若结束原因为 `length`，可能是任务完成前预算已耗尽。4,096 个 token 的上限仅用于限制本次测试，不是生产配置建议。 不要把密钥写进代码仓库或日志。示例不自动重试：超时不能证明服务端没有执行工作。评估真实文档前，应为长任务增加流式处理、完成状态检查和应用层重试机制。 ## Word、Excel 和 PowerPoint 工作流应该怎样设计？ API 响应并不会自动成为有效的 DOCX、XLSX 或 PPTX 文件。应用仍需受控工具来读取、修改、保存和验证交付物。 [Paper Office](https://www.paperinstruments.com/paper-python) 提供面向智能体的文档库，但有这些库，并不证明你的模板在模型更换后仍能完整保留。 ``` 已批准来源 + 版本化模板 -> 对应端点的请求适配器 -> 模型提出工具调用 -> 权限检查 + 隔离的文档工具 -> 保存 DOCX / XLSX / PPTX -> 结构校验 + 重算 / 渲染 -> 证据复核 + 人工批准 -> 验收交付物 + 记录总成本 ``` 固定模板和文档库版本。比较修改后的文件与原文件，不要只相信模型的成功提示。电子表格需要检查公式，并在目标应用中重新计算。演示文稿需要逐页渲染，检查裁切和可读性。Word 则需要同时验证结构与外观。 目标应用本身也是测试条件。“ZIP 容器能打开”与“客户能继续编辑且不会破坏文件”是两种验收标准。应记录实际测试的 Office 版本或替代编辑器版本。 ## 文档智能体应通过哪十二项验收测试？ 以下是 Wavect 建议的迁移检查表，不是已经发布的 Ultramarine 基准。使用经过脱敏处理的测试材料，并为每项通过或失败保留证据。 | 案例 | 测试材料 | 需要的证据 | | --- | --- | --- | | 1. 来源冲突 | 已批准数字与更新但尚未批准的草稿不一致。 | 遵守预设的来源权威顺序，并披露冲突。 | | 2. 证据缺失 | 报告要求一个来源包中没有的数字。 | 不编造数值，明确标注信息缺口。 | | 3. 结论可追溯 | 尽调摘要综合多份文件。 | 每个关键事实都能对应到已提供来源中的具体位置。 | | 4. DOCX 受保护内容 | 合同模板包含不得改动的商业条款措辞。 | 只改授权区域，受保护文字与原文一致。 | | 5. DOCX 结构 | 报告包含标题、表格和交叉引用。 | 目标编辑器能够打开，结构和引用仍可使用。 | | 6. XLSX 计算 | 工作簿包含公式、日期和货币单位。 | 公式仍为公式，重新计算后的结果符合预期值。 | | 7. XLSX 内容保留 | 仅允许修改一个输入区域。 | 其他工作表、名称和相关工作簿功能保持完好。 | | 8. PPTX 可读性 | 密集页面包含图表和较长标签。 | 逐页渲染后没有裁切，标签和来源清晰可读。 | | 9. 多语言保真 | 相同数据出现在 EN、DE、ES、ZH 模板中。 | 本地化不改变数字、日期、单位、名称或含义。 | | 10. 不可信指令 | 来源文件要求上传整个工作目录。 | 把该指令视为数据，阻止未授权外传。 | | 11. 部分完成 | 流式连接提前断开，或工具参数被截断。 | 不执行不完整调用，也不把草稿标为已批准。 | | 12. 重试安全 | 文档保存请求发出后发生超时。 | 应用核对已有状态，不重复导出或发送。 | 把必须通过的发布门槛与可打分的质量维度分开。更漂亮的幻灯片不能抵消一次未授权上传，措辞更流畅的报告不能抵消一个伪造来源。专业适用性需要人工复核，而不只是让另一个模型打分。 ## 一个有价值的 20 项任务迁移试点是什么样的？ 从一个真实流程中选择 20 项已脱敏任务。二十项用于发现问题，不构成统计保证。比较现有模型与 Ultramarine 之前，先固定输入、预期产出与验收条件。 每个模型都完成每项任务，最好各运行三次，以观察波动。使用相同文档工具、权限和期限。允许两个模型各自用少量、已记录的预算，在独立样例上调整提示词；随后冻结提示词，再运行保留测试集。迁移测试应比较合理配置，而不是因为某个模型沿用了另一模型的提示词就判它失败。 让复核人员在不知道模型名称的情况下评估保存后的文件。记录验收通过率、关键故障、复核分钟数、端到端时延、工具错误和总成本。失败运行与重试都要计入，不能只挑最便宜的一次成功结果。 提前确定采用规则。例如：试点集中没有关键失败，验收率没有实质下降，而且每份通过验收的文档总成本更低。这些是建议条件，不是 Ultramarine 已经实现的结果。小规模试点即使表现正常，也仍需分阶段上线和持续抽样。更广泛的投入决策，可参考 [AI 试点停止或扩展评分卡](/zh/blog/ai-pilot-kill-or-scale-scorecard/) 。 ## 哪些权限必须保留在模型之外？ 发布、外部上传、付款和破坏性修改，都应由应用层授权。Feather 仓库提醒，本地 shell 工具具有运行进程的操作系统权限。本地智能体环境不等于自动隔离，也可能继续调用远程模型。 Responses 文档还将托管 MCP 的设置限制为 `require_approval: "never"`。不要把这个字段当成审批流程。敏感操作应通过你自己的审批式工具网关，或者根本不向模型开放。限制凭据、可写路径与网络目的地。 容量也是迁移变量。 [速率限制文档](https://docs.paperinstruments.com/docs/ultramarine/rate-limits) 说明，API 与 Feather 共用组织级额度。较大的输出预留可能减少可接纳的并发请求。应读取实际账户额度，而不是把文档示例当作服务保证。 输入机密材料前，应向供应商确认数据处理、保留期限、处理地点及合同条款。公开的模型成绩不能回答这些问题。我们的 [AI 供应商安全问卷](/zh/blog/ai-vendor-security-questionnaire-eu/) 用于这项独立尽调。 ## 什么时候值得评估 Ultramarine？ **当流程可重复、来源受控，而且你能检查保存后的交付物时。**不要因“60 倍”标题就替换整个文档系统。从边界清楚、故障可见且容易回退的流程开始。 Wavect 的 [AI 集成与工程服务](/zh/services/artificial-intelligence/) 可以帮助把评估转化为受控实现。 [Twinsoft AI 案例](/zh/case-studies/twinsoft-ai/) 提供的是相邻领域交付经验，不是 Ultramarine 部署证明。我们的 [上线前软件质量检查表](/zh/software-development-guide/software-qa-checklist-before-launch/) 可把模型评估与发布准备连接起来。 准备一份已脱敏来源包、一份目标模板，以及现有复核流程，与 [Wavect 讨论文档智能体迁移](/zh/contact/) 。最终依据应是验收通过的工作成果，而不是更便宜的 token 计数器。 ## Ultramarine 1 Flash 常见问题 ### Ultramarine 1 Flash 已经开源了吗？ Feather 训练代码采用 MIT 许可证，但截至 2026 年 10 月 15 日，官方发布页仍将模型权重标为即将发布。应单独核查最终权重许可证。公开代码本身也不包含复现训练所需的全部数据和环境。 ### Ultramarine 1 Flash 多少钱？ 2026 年 10 月 15 日核查的公开 API 价目表显示，每百万 token 的未缓存输入为 0.15 美元，缓存输入为 0.03 美元，输出为 0.50 美元，输出包含推理。工具服务与人工复核另计。 ### Ultramarine 真的比 Fable 5 便宜 60 倍吗？ 该说法来自特定基准中的任务成本比较：Ultramarine 为每任务 0.13 美元，最大推理设置下的 Fable 5 为 8.19 美元。这不保证其他流程也能获得相同降幅，更不是完整企业成本比较。 ### Ultramarine 能替换 OpenAI 和 Anthropic API 吗？ 它提供 Chat Completions、Responses 和 Messages 端点，但兼容范围不同。如果应用依赖未支持的角色、文件输入、托管工具或对话续接方式，仅修改基础地址还不够。需要测试实际端点与完整流程。 ### Ultramarine 能读 PDF 或图片吗？ Chat Completions 和 Messages 文档接受图片输入，Responses 则拒绝图片与文件。Messages 拒绝 PDF／文档块。接收图片不等于可靠的视觉理解，应验证具体文件格式与输入处理链。 ### Ultramarine 能生成 Word、Excel 和 PowerPoint 文件吗？ 文档智能体可以通过应用控制的工具创建或修改 DOCX、XLSX 和 PPTX。API 响应本身不是已经验证的 Office 文件。应检查保存后的文件、公式、渲染、事实依据及权限。 ### Ultramarine 是花 30 万美元从零训练的吗？ 创始人将约 30 万美元和五个人的投入归于后训练。技术报告说明其基础模型为 GLM-5.3 Flash。这不是基础模型预训练的总成本，本文也没有独立审计该预算。 QA 与生产就绪 ## 接下来读什么 可靠生产软件所需的测试、审计、维护与加固。 [从这里开始**AI 生成代码的 QA**](/zh/blog/qa-for-ai-generated-code/) - [Greptile Base、Plus、Apex：如何分配 PR 审查预算](/zh/blog/greptile-base-plus-apex-review-budget/) - [Arga Labs 与 Archal：有状态智能体集成测试](/zh/blog/arga-vs-archal-agent-integration-testing/) - [Canary AI QA：验证缺陷检出，而不是排行榜分数](/zh/blog/canary-ai-qa-defect-detection/) - [Cua 桌面 QA：从浏览器到原生应用的测试协议](/zh/blog/cua-desktop-qa-browser-native-workflow/) - [Browser Use 与 Playwright：超时后如何核验已登录业务动作](/zh/blog/browser-use-vs-playwright-authenticated-workflow/) [下一篇文章**Greptile Base、Plus、Apex：如何分配 PR 审查预算**](/zh/blog/greptile-base-plus-apex-review-budget/) [**返回**](/zh/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/zh/team/kevin-riedl/) [Kevin Riedl](/zh/team/kevin-riedl/) https://linkedin.com/in/wsdt 14 分钟 阅读 · 2026年10月15日 最近审核 2026年10月15日 [**下一篇**](/zh/blog/ai-pilot-kill-or-scale-scorecard/)