Paper Instruments 发 Ultramarine 1 Flash：拿 GLM-5.3 Flash 做非可验证 RL，六项知识工作基准平均 +4.1
旧金山的小型实验室 Paper Instruments 10 月 14 日发布 Ultramarine 1 Flash：在开源基座 GLM-5.3 Flash 上做大规模强化学习，专攻「不可验证」的专业工作——尽职调查备忘录、诉讼时间线、Excel 与 PPT 交付物这类没有单元测试可判对错的产出。官方技术报告称，六项知识工作基准上平均提升 4.1 分，同时少生成 6.5% 的 token（3270 万 → 3050 万）。分项：JobBench 62.9 排第一，其后是 Gemini 3.8 Flash 60.6、DeepSeek V4.1 Flash 60.4，基座 GLM-5.3 Flash 56.3；外部基准 FrontierFinance 53.3、DiligenceBench 50.6、APEX-Agents 1.1 为 57.0；AutomationBench 50.2，该榜第一是 DeepSeek V4.1 Flash 51.3。
训练侧的构造是这条发布里最实的一块：四类领域（金融、法律、咨询、运营）拆成 19 个业务方向、88 种环境类型，每个方向一条独立的生成管线，按交付物格式、复杂度来源、利益相关方、材料冲突、交易所处的阶段等轴采样，单方向的配置空间在 10⁷–10¹⁰ 量级；奖励不是正则或单元测试，而是按任务写的评分细则。超参也用全：CISPO 损失（改过的双策略目标）、LoRA rank 64、AdamW、128K 上下文、单次最多 250 轮工具调用，上下文用到 85% 或只剩 3 万 token 时压缩。
它给「专业工作智能体」这条线换了一张价目表：官方口径单任务 0.13 美元，对照同榜的 Claude Fable 5（max）8.19 美元、GPT-5.6 Sol（max）2.09 美元，并在成本—质量前沿上与 Claude Opus 5.5（max）6.96 美元、GPT-6 Sol（max）1.26 美元差 2–3 分。两点保留意见写在这里：那个「60 倍便宜」的说法建立在厂商自建的内部基准上，尚无第三方复现；权重目前只写「即将放出」，产品页上线的只有托管 API——所以这条记录的是模型上线与训练方法，不是权重开放。