GPT-6 Astra vs. Fugu Max: Die Flatrate trifft auf den gestaffelten Tarif

Fugu Max berechnet 2,00 $ pro Million Input-Tokens und 6,00 $ pro Million Output-Tokens – und das sowohl bei 8.000 Tokens als auch bei 800.000. GPT-6 Astra berechnet 10,00 $ und 50,00 $ – bis eine Anfrage 272.000 Input-Tokens überschreitet; ab diesem Punkt werden 20,00 $ und 75,00 $ für die gesamte Anfrage berechnet. Dieser eine strukturelle Unterschied ist das Folgenreichste an diesem Duell, und genau er wird unter einer Benchmark-Debatte begraben, die keine Seite gewinnen kann. Sakana AI veröffentlichte Fugu Max am 11. September 2026; O​penAI bietet GPT-6 Astra seit dem 3. September 2026 allgemein verfügbar an, wobei seine Tarifzähler durch die Preisänderung vom 7. Oktober, die die darunterliegenden Stufen traf, unverändert blieben. Das hier ist also kein Vergleich neuer Modelle. Es ist ein Vergleich zwischen zwei Preisphilosophien, von denen die eine eine Preisphilosophie ist und die andere ein Orchestrierungssystem, das eine trägt.

Die beiden Tarifkarten, gelesen statt zusammengefasst

Sakanas eigene Preisseite ist ungewöhnlich deutlich darüber, was Fugu Max verkauft. Fugu Ultra v2 ist so bepreist, wie es sich für ein Frontier-Modell gehört – 5,00 $ Eingabe, 30,00 $ Ausgabe, 0,50 $ gecacht, mit einer höheren Stufe bei 10,00 $ / 45,00 $ / 1,00 $ über 272K Token. Fugu Max' Tarife werden dann auf derselben Seite als fest, unabhängig von der Kontextlänge, beschrieben. Es gibt keine obere Stufe, mit der man planen müsste. 2,00 $, 6,00 $, 0,25 $ gecacht, bei jeder Prompt-Größe.

GPT-6 Astra ist die entgegengesetzte Konstruktion. Seine erste Stufe reicht bis 272.000 Prompt-Tokens bei 10,00 $ / 50,00 $, wobei gecachte Eingabe 1,00 $ und Cache-Schreibvorgänge 12,50 $ kosten. Jenseits dieser Grenze wird die Anfrage mit 20,00 $ / 75,00 $ neu bepreist, mit gecachter Eingabe zu 2,00 $ und Cache-Schreibvorgängen zu 25,00 $ – angewendet auf die gesamte Anfrage, nicht auf den Überschuss. Das ist O​penAIs Dokumentation, so wie unser eigener Katalog sie heute liest, und sie ist seit September unverändert.

Stellen Sie die beiden anhand der Dimensionen gegenüber, die über einen Gesetzentwurf entscheiden:

• Input, kurzer Prompt — GPT-6 Astra 10,00 $ pro 1M vs. Fugu Max 2,00 $; Fugu Max ist 5-mal günstiger

• Ausgabe — GPT-6 Astra 50,00 $ pro 1 Mio. vs. Fugu Max 6,00 $; Fugu Max ist 8,3-mal günstiger

• Zwischengespeicherte Eingabe — GPT-6 Astra 1,00 $ pro 1 Mio. vs. Fugu Max 0,25 $; Fugu Max ist 4-mal günstiger

• Langer Prompt, über 272K — GPT-6 Astra 20,00 $ / 75,00 $ pro 1 Mio. vs. Fugu Max 2,00 $ / 6,00 $, unverändert

• Kontext erfasst — GPT-6 Astra 1.050.000 Tokens, 128.000 maximale Ausgabe vs. Fugu Max nicht veröffentlicht

• Eingabemodalität — GPT-6 Astra: Text, Bild und Datei als Eingabe, Text als Ausgabe vs. Fugu Max nicht veröffentlicht

• Unabhängige Punktzahl — GPT-6 Astra 53 im Artificial Analysis Intelligence Index vs. Fugu Max: keine, kein Eintrag in dieser Rangliste

• Gewichte — beide geschlossen; Fugu Max ist überhaupt kein Checkpoint

Wo die 272.000-Token-Grenze wirklich zuschlägt

Eine Anfrage mit 300.000 Token auf GPT-6 Astra ist nicht 10 % teurer als eine Anfrage mit 270.000 Token. Sie wird mit 20,00 $ für die Eingabe und 75,00 $ für die Ausgabe bei jedem Token im Aufruf berechnet, wodurch der Sprung beim Überschreiten der Grenze ungefähr eine Verdopplung der Eingabekosten und einen Anstieg der Ausgabekosten um 50 % bedeutet. Auf Fugu Max kostet dieselbe Anfrage 2,00 $ und 6,00 $ pro Million wie jede andere.

Das ist hier wichtiger als auf den meisten Vergleichsseiten, und zwar wegen dessen, wofür GPT-6 Astra verkauft wird. OpenAIs Positionierung ist langfristige, End-to-End-Arbeit — die am 9. September veröffentlichte Enterprise-Seite beschreibt es als ein Modell, das eine Aufgabe über viele Schritte und einen langen Zeitraum hinweg von der Anweisung bis zum fertigen Artefakt führt. Eine Agentenschleife, die einen wachsenden Kontext erneut sendet, ist genau die Form, die 272.000 Token überschreitet, ohne dass jemand es bewusst entscheidet. Astras 1.050.000-Token-Fenster lädt genau die Arbeitslast ein, die den eigenen Zuschlag auslöst.

Fugu Max ist für den entgegengesetzten Instinkt konstruiert. Sakana beschreibt es so, dass jede Aufgabe an das schlankste Modell weitergeleitet wird, das sie lösen kann, und der Pauschaltarif ist es, der dieses Routing von außen nachvollziehbar macht: Egal, wen der Koordinator auswählt und wie lang der Prompt ist, der Zähler zeigt dasselbe an. Es gibt einen weiteren Unterschied, der in die entgegengesetzte Richtung wirkt und erwähnt werden sollte, weil die Preisseite ihn nicht als Warnung angibt. Sakanas Seite merkt an, dass Websuche und Web-Fetch als Stack-Gebühren abgerechnet werden – ein einzelner Satz basierend auf dem an dem Aufruf beteiligten Top-Tier-Modell. Der pauschale Preis pro Token ist also wirklich pauschal, und der zusammengesetzte Aufruf kostet nicht unbedingt 2 $ und 6 $.

Wessen Punkte sind das genau?

Sakanas Launch-Material zufolge erzielt Fugu Max auf sechs Benchmarks die beste Gesamtpunktzahl: Terminal Bench 2.1, GPQAD, AA-LCR, GDP.pdf, AutomationBench und SWEFish, wobei letzteres als Sakanas eigener interne Coding-Benchmark beschrieben wird. Zu keiner dieser sechs Behauptungen werden Zahlen genannt. Das Unternehmen gibt außerdem an, dass Fugu Max die Kosten-Leistungs-Pareto-Grenze auf sieben von zehn Benchmarks erweitert und dass seine Output-Preise 40–60 % unter denen von Sonnet 5, GPT-5.6 Terra und Kimi K3 liegen. Jede dieser Aussagen stammt von Sakana selbst, und nichts davon wurde reproduziert – es gibt keinen Eintrag bei Artificial Analysis für Fugu Max oder für irgendein Fugu-Modell.

Dieses Fehlen ist bei diesem konkreten Matchup mehr als ein Etikettierungsproblem, denn die Scores eines Orchestrators funktionieren nun einmal so. Ein Fugu-Max-Ergebnis ist keine Eigenschaft eines einzelnen Modells in einer einzelnen Version. Es ist eine Eigenschaft einer Routing-Richtlinie, eines Pools, dessen Zusammensetzung Sakana nicht veröffentlicht hat, und eines Koordinators, der darauf trainiert wurde, zwischen ihnen auszuwählen. Sakanas Pool ist in diesem Release um eine beispiellose Anzahl von Open-Weights- und spezialisierten Modellen gewachsen, wobei die NVIDIA Nemotron-Familie durch eine NVIDIA-Zusammenarbeit genannt wird – und dabei bleibt es. Ändert man ein Pool-Mitglied, verschiebt sich die Benchmark-Zahl, ohne dass sich der Produktname ändert.

Es gibt eine eng gefasste Ausnahme, die man kennen sollte, denn es ist die Art von Detail, die verloren geht. Sakanas Hinweis zur September-Veröffentlichung sagt ausdrücklich, dass Fable 5, Fable 5.1 und GPT-6 Astra nicht im Pool von Fugu Ultra v2 sind. Dieser Satz bezieht sich auf Ultra v2. Er sagt nichts über Fugu Max, dessen Zugehörigkeit weiterhin nicht offengelegt ist. Die Frage, die man tatsächlich beantwortet haben möchte – ist das 10/50-Dollar-Modell, von dem mir gesagt wird, ich solle es ersetzen, bereits im 2/6-Dollar-Koordinator enthalten –, wird also durch keine der beiden Aussagen beantwortet. Wer Ihnen sagt, wie es ausgeht, hat es lediglich erschlossen.

Auf der Seite von GPT-6 Astra hat die Beweislage eine andere Form, aber keine einfachere. Artificial Analysis misst es mit 53 auf seinem aktuellen Intelligence Index, bei Kosten von 3,26 $ pro abgeschlossener Index-Aufgabe, 60 Mio. Output-Tokens über diesen Durchlauf gegenüber einem Board-Median von knapp 85 Mio. und 44,6 Output-Tokens pro Sekunde — womit es bei der Intelligenz auf Platz sieben von 216 Modellen und bei der Geschwindigkeit auf Platz 168 von 185 liegt. Das sind Messungen Dritter auf einer festen Testsuite, und es sind die am besten belastbaren Zahlen auf dieser Seite. OpenAIs eigene Schlagzeilen-Behauptungen für Astra — 98 % bei FrontierMath Tier 4, 99,9 % bei ARC-AGI-3, 100 % bei ExploitBench, 57,9 % bei Terminal-Bench 4.0 — sind herstellerseitig berichtet und nicht reproduziert, und gerade die ARC-AGI-3-Zahl braucht ihren Harness dazu: Der unabhängige Durchlauf von ARC Prize unter seinem Standard-Harness ergab 62,7 %, und die 99,9 % wurden als das Ergebnis unter einem Provider-Adapter veröffentlicht, der Reasoning-Zustand zwischen Anfragen mitführt.

Was Routing mit einem Vergleich wie diesem macht

Die praktische Schwierigkeit besteht darin, dass eine Seite dieser Gegenüberstellung in unserem Katalog ist und die andere nicht. GPT-6 Astra wird unter openai/gpt-6-astra über einen O​penAI-kompatiblen Endpunkt bereitgestellt, zu OpenAIs eigenen Listenpreisen, durchgereicht mit 0 % Aufschlag unsererseits — was bedeutet, dass, wenn ein Zähler dafür ausschlägt, der hiesige Zähler ändert sich am selben Tag, statt jedes Mal, wenn eine Margin-Tabelle aktualisiert wird. Fugu Max wird nicht von uns geroutet, und diese Seite behauptet nicht, dass dem so ist. Es erreicht Sie über Sakanas eigene O​penAI-kompatible API und mehrere Drittanbieter-Plattformen, und es ist nicht in der EU oder im EWR verfügbar, während Sakana an der DSGVO-Konformität arbeitet.

Ein echter A/B-Test zwischen diesen beiden bedeutet also zwei Integrationen, zwei Rechnungen und zwei Sätze von Zugangsdaten, und beim zweiten ist eine regionale Beschränkung dabei. Was der gemeinsame Schlüssel tatsächlich bringt, ist die günstige Hälfte des Experiments: einen Teil des Datenverkehrs auf Astra festzunageln hinter automatischem Failover, sodass ein Rollback eine Konfigurationsänderung und kein Vorfall ist. Das ist die Version der Resilienz auf Transportebene, die Sakana als Prämisse der Orchestrierung verkauft – in der Art schwächer, aber heute verfügbar und bei einem Modell, dessen Verhalten an eine Version gebunden werden kann.

Die Entscheidung, als Entscheidung formuliert

Wählen Sie Fugu Max, wenn Ihre Arbeit textlastig und verifizierbar ist und am langen Ende des Kontextbereichs angesiedelt ist – oder wenn die medianen Kosten einer abgeschlossenen Aufgabe die Zahl sind, die Ihr Budget bestimmt, und nicht die Kosten eines einzelnen Aufrufs. Der Pauschaltarif ist ein echter struktureller Vorteil gegenüber einem Zähler, der sich oberhalb von 272K verdoppelt, und $0.25 für gecachten Input ist der aggressivste Cache-Tarif in beiden Tarifkarten. Wählen Sie es nicht wegen der Release-Seite für eine multimodale Pipeline, denn die Release-Seite dokumentiert nicht, ob es ein Bild akzeptiert. Testen Sie es zuerst und legen Sie ein Budget für Ausgabe-Token fest, bevor Sie beginnen, denn den Token-Verbrauch eines Orchestrators kann man nicht anhand des Modellnamens abschätzen.

Wählen Sie GPT-6 Astra, wenn die Arbeit wirklich agentisch ist, stark auf Computernutzung setzt und den oberen Bereich eines Million-Token-Fensters beansprucht – die Workload, für die die unabhängige Evidenz am stärksten ist und bei der Sie die Kosten pro Aufgabe, nicht den Preis pro Token, steuern. Seine Kosten von 3,26 $ pro Index-Aufgabe sind hoch, und sie sind aus einem Grund hoch, den ein sorgfältiger Käufer erkennen kann: Das Modell ist auf dieser Suite prägnant und gibt 60 Mio. Token aus, während das Median-Modell 85 Mio. ausgibt. Bei einer tiefgehenden, mehrstufigen Aufgabe, die ein fertiges Artefakt erzeugt, kann ein höherer Satz bei weniger Token zum selben Ergebnis führen wie ein niedriger Satz bei vielen. Wählen Sie es nicht für Traffic mit kurzen Prompts und hohem Volumen. Beim Fünffachen des Input-Preises von Fugu Max und beim Achtfachen seines Output-Preises erhält eine Workload, die sich der 272K-Grenze nie nähert, nichts von dem, wofür man bei Astras Tarifkarte bezahlt.

Die ehrliche Zusammenfassung ist, dass diese beiden Produkte nicht so sehr gegeneinander bepreist werden, sondern vielmehr gegen unterschiedliche Ängste. Astras Preisliste ist auf den Kunden zugeschnitten, der befürchtet, dass ein billiges Modell bei einer langen Aufgabe versagt. Die von Fugu Max ist auf den Kunden zugeschnitten, der befürchtet, dass ein gutes Modell für eine einfache Aufgabe verschwendet wird. Welche Angst die Ihre ist, ist eine Frage Ihres Traffics, und die Benchmark-Tabelle keines Anbieters beantwortet sie.

Eine Veröffentlichung ist zugleich der Moment, zu prüfen, was zuvor schiefgelaufen ist: Die dokumentierten KI-Vorfälle und Agenten-Ausfälle rund um Modelle dieser Klasse sind gesammelt in dem OrcaRouter AI Incident Archive , wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seine Vertrauensstufe und seine Kennzeichnung als umstritten trägt.