PaperInstruments Ultramarine 1 Flash：在GLM-5.3-Flash上做“非可验证RL”知识工作模型，但权重尚未开源

PaperInstruments Ultramarine 1 Flash：在GLM-5.3-Flash上做“非可验证RL”知识工作模型，但权重尚未开源

又一个小团队，想用地道的方式撬开“专业工作”这道缝。PaperInstruments在2026年10月14日发布Ultramarine 1 Flash，一个架在开源底座GLM-5.3-Flash之上、用强化学习后训练出来的“知识工作智能体”。几句判断先说在前面：其一，“开源”二字目前要打个问号——它跑在开源底座上、工具链开源，但Ultramarine自己的权重还“即将开源”，当前只有API，并没有真正开源到手；其二，真正有意思的不是“又一个小模型”，而是它把强化学习从“有标准答案的编码”扩到了“没标准答案的专业工作”（尽调、诉讼、董事会材料），靠合成环境与rubric（评分准则）打分解决奖励难定义；其三，“Fable级能力、约1/60成本”成立，但对比的是老版本Claude Fable 5（57.8），不是更新的Fable 5.1（65.5），后者分数更高；其四，六项基准三项第一、两项第三、一项第二，谈不上“全面领先”，且核心基准PI Knowledge Work（内部自研）尚未独立复现。

它是什么：一个“知识工作智能体”，不是从零训的模型

PaperInstruments把Ultramarine 1 Flash，定位成“面向专业知识工作的智能体（agentic）模型”。说人话：它不是一个从零预训练的大模型，而是在智谱的开源模型GLM-5.3-Flash之上，用强化学习做后训练，专门练“出成品交付物”——Excel工作簿、PPT、Word文档，并且能钻进ERP/MES这类真实业务系统里干活。这一点很关键：它的“便宜”和“专业”，来自后训练（只改部分权重，即LoRA，rank 64），而不是从头造一个模型。据多家报道，后训练成本约30万美元，和预训练动辄上亿完全不是一个量级。该模型于2026年10月14日发布，10月17/18日登Hacker News（HN）首页，引发对小团队用后训练撬动专业工作的讨论。

非可验证RL：把强化学习扩到“没标准答案”的活

强化学习在编码上早就跑通了——单元测试一跑，对错立判，奖励好定义。但专业工作没有标准答案：一份尽调备忘录、一条诉讼时间线、一摞董事会材料，好坏靠的是rubric（评分准则）逐条评判，而不是一个红叉。Ultramarine的做法，是用合成任务把这类“非可验证”工作规模化：训练课程覆盖金融、法律、咨询、运营4个领域、19个专业方向、88类环境；每条任务的二元判定（对/错）汇总成原始奖励，再喂给RL更新。换句话说，它让模型围绕“交付物”拿反馈，而不是只练短答案——这正是它能稳定产出Excel/PPT/Word这类成品的原因。

图：Ultramarine 1 Flash，主张的“非可验证RL”后训练闭环（相对关系，非官方架构图）

  合成任务环境（金融/法律/咨询/运营，88类）
        │
        ▼
┌─────────────────────────────────┐
│  模型试做交付物（Excel/PPT/Word） │
└──────────────┬──────────────────┘
               ▼
┌─────────────────────────────────┐
│  Rubric（评分准则）逐项打分（二元判定汇总）│
└──────────────┬──────────────────┘
               ▼
      原始奖励 ──► RL更新（LoRA rank 64）
               │
        回灌下一轮合成环境

说明：图示PaperInstruments主张的“非可验证RL”后训练思路（合成环境加rubric（评分准则）奖励加LoRA（低秩适配）后训练，覆盖无标准答案的专业工作），相对关系，非官方架构图，具体实现以技术报告为准。

基准与成本：六项三项第一，但核心是自研基准

把官方给出的六项知识工作成绩摊开看。Ultramarine 1 Flash在PI Knowledge Work（内部自研）、JobBench、FrontierFinance三项居首；AutomationBench第二（第一是DeepSeek V4.1 Flash）、DiligenceBench与APEX-Agents 1.1两项第三（前两名分别是Gemini 3.8 Flash、Claude Fable 5）。平均比底座GLM-5.3-Flash高4.1点，且少生成6.5%的token。注意一个诚实的注脚：PI Knowledge Work是PaperInstruments自研基准，但它和Artificial Analysis（AA）智能指数的相关系数达到r=0.81（在AA也测过的24个配置上），说明它不是随手编的数字，只是仍缺第三方独立复现。

最抓眼球的，是“Fable级能力、约1/60成本”。在PI Knowledge Work上，Ultramarine 1 Flash拿到59.3分，单任务成本0.13美元；对比Claude Fable 5的57.8分、8.19美元——成本确实约1/63，也就是宣传的1/60量级。但要认准两点：第一，对比的是老版本Fable 5，不是更新的Fable 5.1（65.5分、8.64美元），论分数Ultramarine并没追上最新版；第二，Claude Fable 5的57.8是“max reasoning”档，Ultramarine的59.3也是max档，口径一致，这点倒是公平的。底座GLM-5.3-Flash自身在PI Knowledge Work只有52.0分、0.10美元——后训练把分数抬了7分多，成本几乎没变，这才是“后训练杠杆”真正值钱的地方。定价上，API为每百万token输入0.15美元、缓存0.03美元、输出0.50美元（与GLM-5.3-Flash同价），但官方博客以“每任务”计价，每百万token明细来自API文档与报道口径。

局限与边界

几句要留白。其一，所谓“开源”，目前是“承诺态”——Ultramarine自身的权重还“即将开源”，官方博客并未直接确认其开源计划，当前只有API，并没有开源到手；它确实跑在开源底座GLM-5.3-Flash上、工具链（rubric包、docx/pptx/xlsx生成）开源，但这是“借开源”，不等于“自己开源”。其二，核心基准PI Knowledge Work是官方自研，虽与AA智能指数r=0.81相关，仍缺权重公开后的第三方独立复现（当前只有API，外界跑不了）。其三，六项成绩里三项第一、两项第三、一项第二，且JobBench/FrontierFinance等公开榜单上的分数由PaperInstruments在自家harness跑出，跨模型严格同条件仍需独立验证。其四，对比锚点是Claude Fable 5（57.8），不是更新的Fable 5.1（65.5），“Fable级”应按版本认领。其五，本文只陈述与分析，不给任何一方选型建议。

意味着什么

Ultramarine 1 Flash最值得记的，不是“又一个小模型吊打巨头”，而是它把RL的边界往前推了一寸：从“有标准答案的编码”扩到“没标准答案的专业工作”。这套打法（合成环境+rubric（评分准则）奖励+LoRA（低秩适配）后训练）成本极低、杠杆极高——30万美元的后训练，就把一个开源底座抬到了接近旗舰的专业工作水位。但它也把“开源”这个词用得很巧妙：底座开源、工具链开源、自己“即将开源”，当前却只有API。等权重真的开源到手、第三方跑出独立数字，这个故事才算闭环。在那之前，把它当“一个聪明的后训练样本”看，比当“开源革命”看，更稳当。