Sakana Fugu Ultra v2 解説：プールは小さくなり、スコアは上がった

Fugu Ultra v2は奇妙な種類のアップグレードだ：Sakana AIは2026年9月11日にこれをリリースしたが、そのモデルプールにはもはやClaude Fable 5、Claude Fable 5.1、GPT-6 Astraが含まれていない——現在リリースされている中で最強のシステム3つだ——それでも3つすべてを打ち負かすと主張している。東京のラボの新たな品質ティアのフラッグシップは、Fugu Maxと呼ばれるより安価な兄弟モデルと同じ日にリリースされ、Sakana自身の評価において、8つのベンチマークのうち5つで最高または同率最高だ。たとえばChartographyでは、Claude Opus 5の27.3とClaude Fable 5の29.5に対して48.3、DeepSWEでは74.3である。これらの数値はどれも独立に再現されておらず、どのFuguモデルについてもArtificial Analysisのページはまだ存在しない。そのギャップこそがこの話の核心だ：あなたが買わされようとしているのは、最高のモデルを必要とせずに最高の答えを出せる、ということを売り込みのすべてとする協調レイヤーなのだ。

Sakana AIは、Transformer論文の共著者であるLlion JonesとDavid Haによって2023年に設立されました。Fuguラインは、単一のモデルとして提供されるマルチエージェントシステムとして2026年6月に登場しました。OpenAI互換のエンドポイントを1つ呼び出すと、その背後で訓練されたコーディネーターがリクエストを分解し、エージェントを生成し、結果を統合します。研究は実在し、公開されています — TRINITY（arXiv 2512.04695）は、Thinker、Worker、Verifierの役割を割り当てる軽量コーディネーターを進化させました。Conductor（arXiv 2512.04388）は、エージェント間の自然言語による調整を学習しました。Fuguの技術レポートはarXiv 2606.21228にあります。Sakanaがこれまで決して公開してこなかったのは、誰もが実際に知りたいこと、つまりプール内のモデルの正体と、タスクごとのルーティング決定です。

6月のFugu Ultraから実際に何が変わったのか

バージョン2.0は、オリジナルからおよそ11週間後に行われたポイントリフレッシュであり、新しいアーキテクチャではない。ベンダー自身の説明によれば、Fugu Ultra v2とFugu Maxは「同じコア・オーケストレーション・アーキテクチャ」であり、2つの異なるミッション向けにチューニングされている。Maxはコストパフォーマンスのフロンティアを押し下げ、Ultraはピーク性能を押し上げる。モデルIDはfugu-ultra-v2.0であり、Sakanaによれば、以前のFuguからの移行はSDKの移行を伴わない1行のパラメータ変更で済むという。これがこのリリースで最も消費者に優しい点である。

実質的な変更は両端の二点にある。第一に、トレーニングカットオフが20260828に移り、それによりコーディネーターは現行世代のフロンティアモデルに対して再チューニングされた。第二に、そしてはるかに興味深いのは、プール構成がSakanaのわざわざ公表した形で変わったことだ。Claude Fable 5、Claude Fable 5.1、GPT-6 Astraは明示的に除外されている。Sakanaの主張は、これによりスコアが単一のプロプライエタリなフロンティアモデルに依存しないことが証明されるというもので、ベンダーロックイン、APIの取り消し、輸出規制の陰でモデルが消えることを懸念しているなら重要な点だ。

Sakana が深く掘り下げていない二次的な帰結がある。もしプールが利用可能な最強の3モデルを除外しているなら、Fable 5 と Fable 5.1 に対するベンチマーク比較は、オーケストレーターが呼びたくても呼べなかったシステムに対して行われていることになる。この比較は正当だ——アクセスではなくアーキテクチャについての主張なのだから——しかし、どちらのモデルが優れているかを同一条件で試すものではない。連携が生の能力に勝るかどうかを試すものだ。それは本当に興味深い問いである。ただ、スコアボードが一見して示唆する問いではないだけだ。

数字、そしてそれを生み出したのは誰か

このセクションのすべての数値はベンダー報告によるものです。Sakanaは評価ハーネスも、タスク別スコアグリッドも、再現レシピも一切公開していません。さらに、そのオーケストレーション設計は、独立した再現を容易にするどころか難しくしています。スコアを再現するには、プール内のすべてのモデルに、同じバージョンと同じトポロジーでアクセスできる必要がありますが、設計上、トポロジーはリクエストごとに異なります。

• Chartography（チャートや構造化ドキュメントに対する視覚的推論） — Fugu Ultra v2 48.3、Claude Opus 5 27.3、Claude Fable 5 29.5 — ベンダー報告値

• DeepSWE（実世界のソフトウェアエンジニアリング） — Fugu Ultra v2 74.3 — ベンダー報告値。トークンあたり3～5倍のコストがかかるモデルをも上回るとされている

• 最高または同率最高の順位 — 8つのベンチマークのうち5つ：GDP.pdf、Chartography、SWEFish、DeepSWE、Toolathon — ベンダー報告

• 上位2位以内 — 8件中7件のベンチマーク — ベンダー報告

• 以前の Fugu Ultra（2026年6月、比較用） — LiveCodeBench 93.2、GPQA-Diamond 95.5、TerminalBench 82.1、SWE-Bench Pro 73.7 — ベンダー報告値

Chartography の行は、今それだけ強調されているだけの価値がある。なぜなら、名前の知られた現行フラッグシップとの差がわずかではない唯一のカテゴリだからだ。視覚推論ベンチマークで Claude Opus 5 に対して21ポイント差というのは、通常なら数日以内に独立系リーダーボードに現れる類の数字だ。本稿執筆時点で、そうしたものは現れていない。この行は、確定した結果ではなく、ドル金額が付いた仮説として扱うべきだ。

料金: 6月から変更なし、そして出力に関しては紛れもなく高額

Fugu Ultra v2 の料金は、入力トークン100万あたり$5、出力トークン100万あたり$30、キャッシュ入力100万あたり$0.50です。コンテキストが272,000トークンを超えると、それぞれ$10、$45、$1.00になります。Fugu Maxはまったく異なる体系です。入力$2、出力$6、キャッシュ$0.25で、コンテキスト長に関係なく一律、さらにWeb検索またはフェッチ呼び出し1回あたり$0.007が加算されます。

その価格表については、注意深く読む価値のある点が2つある。1つ目は、出力が入力の6倍だということだ——モデルの冗長さに値付けする攻めた比率であり、オーケストレーションは冗長な商売である。エージェントを起動し、それらの回答を統合するコーディネーターは大量のトークンを出力し、あなたはそのすべてを100万トークンあたり30ドルで支払う。Sakanaの効率性に関する主張は、根底にあるプールについてのものであり、システムがあなたに代わってどれだけのテキストを生成するかについてではない。そして、これらは別の数値である。見出しの料率ではなく、実際に観測されたトークン数に対して予算を組むべきだ。

2つ目は272Kの崖です。しきい値を超えたときにトークンあたりの料金を2倍にすることは、長いコンテキストを扱う作業に価格を付ける正当な方法ですが、それは長いコンテキストを使うエージェント実行の実効コストが、料金ページに載っている数字ではないことを意味します。ワークロードがその境界付近にある場合、境界のどちら側でも計算結果は大きく変わります。

Fuguのサブスクリプション階層——月額20ドルのStandard、100ドルのPro、200ドルのMaxで、10倍および20倍の利用枠が付く——はいずれも、Fugu、Fugu Ultra、Fugu Maxへのアクセスを含みます。Sakanaはまた、基本Fuguモデルの料金を、特定のリクエストについてプール内に存在する最上位の階層によって設定しており、エージェントを増やしても請求額が倍増することはないと明確に述べています。これは、自分で複数のフロンティアモデルを呼び出す場合に生じるファンアウト型コストモデルとは、実質的に異なります。

Sakanaが教えてくれないこと

どのモデルが自分の質問に回答したのかを尋ねると、FAQの答えは明快です。「このルーティング情報は設計上公開されていません」。UltraプールとMaxプールは固定されているため、ベンダーを除外することはできません。コンソール設定でモデルごとのオプトアウトに対応しているのは、基本のFuguモデルのみです。Enterpriseのお客様はカスタム構成を交渉できます。

その不透明さこそ、Fugu ラインが6月以来浴びてきた批判の核心であり、それは敵意に基づく批判というより、正当な批判だ。オーケストレーターが他社ラボのモデルを組み合わせて良いスコアを出す場合、そのスコアはシステムに帰属する——それは実際に売り物にできる、擁護可能なものではある——が、個々のモデルには移転されず、監査もできない。レビュアーは率直に指摘している。Fugu はフラッグシップに勝ったのではなく、フラッグシップを雇ったのだ、と。安価なチェッカーがある検証可能なタスク、たとえばテストスイート付きのコーディングベンチマークでは、委員会は実際にその最良メンバーを上回り得る。それが無いタスクでは、複数のフロンティアモデルをサンプリングして最良の結果を報告するパネルは、運を部分的に報告しているにすぎない。Sakana 自身のカテゴリ選択——Chartography、DeepSWE、Toolathon——は検証可能な側に寄っており、それはこの主張を行うのにふさわしい場所であると同時に、この主張を無償で一般化できない理由でもある。

独立したテスターたちも、レイテンシのばらつきをオーケストレーションの実用的なコストとして指摘している。難しいタスクではコーディネーターが熟考し、簡単なタスクではその熟考が純粋なオーバーヘッドになる。ある研究者のシェーダータスクは約30分かかり、品質は許容できる程度としか評価されなかったと伝えられている。

どこで実際に手に入れられるのか

Fugu Ultra v2は現在、Sakana自身のOpenAI互換APIを通じて利用可能です — 既存のクライアントをAPIキーとともにエンドポイントに向け、1行変更するだけです — また、複数のサードパーティプラットフォームを通じても利用できます。OrcaRouterはFuguモデルを取り扱っていません。Fugu Ultra v2を呼び出したい場合、ベンダー自身のAPIが直接の経路です。

特筆すべきは、Sakana が暗黙のうちに競合している代替案である。Fugu Ultra v2 を機能させるプールは、今日個別に呼び出し可能なモデルから構成されており、それが比較される相手は、チームがすでに運用しているモデルである。Claude Opus 5、DeepSeek V4 Pro、Gem​ini 3.1 Pro はすべて OrcaRouter 上で各プロバイダーの定価、0% のマークアップで提供されている。つまり、それらのベンダーのいずれかが値下げを行えば、当社側ではその発表当日に反映される。オーケストレーターを検討している理由がレジリエンス——本番経路を単一ベンダーの稼働時間や単一ベンダーのポリシーに依存させたくないこと——にあるなら、プロバイダー間で自動フェイルオーバーを行うルーティング層がモデルレベルで問題の一部を解決し、Fugu Ultra v2 が推論レベルで別の部分を解決する。200+ モデルに対応する単一の API（フェイルオーバー付き）は、訓練されたコーディネーターの代替にはならず、訓練されたコーディネーターは、単一ベンダー依存でないことの代替にはならない。一部のチームは両方を求めるだろう。

コンプライアンスの落とし穴

Fuguは欧州連合または欧州経済領域では利用できません。ベンダーの文言は明確です。GDPRおよびEU固有の規制への準拠に向けて取り組んでいる間、EU/EEAではまだ利用できず、それ以外の地域ではネットワーク状況や現地の規則によってアクセスが制限される場合があります。組織の対象範囲にEUの事業体がある場合、ベンチマーク性能に関係なく、これによってFuguの選択肢は検討対象から外れます。これは評価の後ではなく前に知っておく価値があります。

何を見るべきか

3つの要素が揃えば、Fugu Ultra v2は興味深い主張から、実運用を支える選択肢へと変わる。独立した評価——Artificial Analysisへのエントリー、LMArenaでの順位、背後に評価ハーネスがあるものなら何でも——があれば、Chartographyの疑問は1週間で決着する。検証可能なコーディングベンチマークに関する第三者による再現数値があれば、そのアーキテクチャが予測するシステムレベルの改善が裏付けられる。そして、開示されたプール、たとえ部分的なものでも、買い手が、検査できないコーディネーターを通じて本番トラフィックを流す際に、どの単一障害点を受け入れることになるのかを正確に判断できるようにする。

それまでの間、正直な立場はこうだ。Fugu Ultra v2は、オーケストレーションを研究デモではなく製品として売り込むこれまでで最も本格的な試みであり、公表された研究成果を持つラボから、オーケストレーションのプレミアムを隠すのではなく明示する価格で提供されている。あなたのワークロードが長期的な視野を持ち、検証可能で、Sakanaがサービスを提供できる地域に限定されているなら、トークン会計を有効にした範囲を定めたパイロットには価値がある。そうでなければ、Fugu Ultra v2が比較対象としているモデルは、APIを1回呼び出すだけで、定価で、その能力を証明する証拠付きで利用できる。