Paper Instruments 发布 Ultramarine 1 Flash：GLM-5.3 Flash 上做非可验证 RL 的知识工作模型，自测单任务 $0.13、API 已开放、权重将开源

核心背景与行业痛点

Agent 后训练的 RL 数据长期以编码等「可验证」任务为主：单元测试一跑就知道对错。但尽调备忘录、诉讼时间线、董事会材料这类专业工作没有标准答案，奖励难以定义，开源模型在这些场景明显落后闭源旗舰。Paper Instruments 于 2026-10-15 00:02（新加坡时间）发布 Ultramarine 1 Flash，尝试用合成任务 + rubric 奖励把 RL 扩展到「非可验证」知识工作。

架构亮点与底层机制

• 底座：开源 GLM-5.3 Flash，用改造的 CISPO 目标做异步 RL（LoRA rank 64，上下文 131K，最多 250 轮）。
• 课程：金融、法律、咨询、运营 4 大领域、19 个业务方向、88 种环境类型；每个任务含指令、带文件系统与 MCP 服务的沙箱、逐条二元判定的加权 rubric。
• Feather 训练 harness：仅约 50 token 的系统提示；编辑前校验文件指纹防止覆盖过期内容；训练时用 paper-docx/pptx/xlsx 安全编辑 Office 文件。

权威 Benchmark 与实测跑分对比

官方报告（均为最高推理档）：

「60 倍便宜」来自其内部 PI Knowledge Work：$0.13/任务得 59.3，Fable 5 为 $8.19 得 57.8；该基准未公开，需等权重与第三方评测验证。

开发者实战落地与开箱指南

• OpenAI 兼容：base_url=https://api.paperinstruments.com/v1，model="ultramarine-1-flash"，默认 reasoning_effort="max"，推理无法关闭。
• 同时提供 Responses 与 Messages（Anthropic SDK / Claude Code）接口，参见文档。
• 官方建议配合 Feather 的系统提示与 Paper Office 包处理 Word/PPT/Excel；纯编码任务仍应优先编码专用模型。