Fugu Ultra v2 対 Grok 4.6：出力価格は5倍、共通ベンチマークは1つ

唯一つだけ存在するのは、Fugu Ultra v2とGrok 4.6の両方が数値を公表しているベンチマークで、それはDeepSWEです。Sakana AIは2026年9月11日の発表でFugu Ultra v2について74.3を報告しており、一方xAIのGrok 4.6のローンチ資料では、自社のDeepSWE v1.1スコアを65.9%としています。これは8.4ポイントの差であり、両社が提示する唯一のクリーンな比較です。他に並べられるものはすべて——SakanaのChartographyとSWEFish対GrokのGPQA DiamondとCursorBench——異なるラボによって異なる測定器で測定されています。したがって、正直な問いは「どちらがより賢いか」ではありません。Fugu Ultra v2が主張する優位性が、Grok 4.6が6ドル請求するのに対し、100万出力トークンあたり30ドルを支払う価値があるかどうかです。

同じ問題に対する2つの異なる答え

Grok 4.6は単一のモデルであり、Grokシリーズの現行フラッグシップです。ベンダー自身の開発者ドキュメントでは「最新」として掲載されており、500,000トークンのコンテキストウィンドウ、テキスト／画像／ファイルの入力対応範囲、基本料金はいずれも同じままGrok 4.5の後継となっています。知識カットオフは2026年2月1日で、推論の強度はlow、medium、high、xhighから選択でき、デフォルトはhighです。意外に思われる点が一つあります。推論をオフにすることはできません。思考トークンはリクエストごとに課金されるため、Grok 4.6の実質的な出力コストは、どれだけ深く考えようとするかによって変わります。

Fugu Ultra v2は、通常の意味でのモデルではまったくない。これはSakana AIのオーケストレーション系統における最高性能ティアであり、タスクを分解し、他のモデルのプール——一部はオープンウェイト、一部は特化型——に振り分ける、単一のOpenAI互換エンドポイントだ。Sakanaの説明では、これが「自らオーケストレーションするフロンティアモデルへの不可欠な依存なしに」フロンティア級の出力に到達するとされており、Claude Fable 5、Claude Fable 5.1、GPT-6 Astraはそのプールから除外されていると明言されている。あなたはスケジューリング層に対して、そしてサブエージェントが消費するトークンの一つひとつに対して支払っているのだ。

その区別は見た目の問題ではない。価格差が存在する根本的な理由はまさにそこにあり、その差を正当化し得る唯一のものでもある。

レートカード、繰り返される部分を含めて

• 入力 — Fugu Ultra v2 は 100万あたり $5.00、Grok 4.6 は 100万あたり $2.00。サブコールが発生する前の時点で、Fugu は 2.5 倍です。

• 出力 — Fugu Ultra v2 は100万あたり$30.00、Grok 4.6 は100万あたり$6.00。実に5倍の差、そしてほとんどの請求額を左右するのはこちらです。

• キャッシュ入力 — 両者とも100万トークンあたり$0.50。完全に同一。他に何の共通点もない2社が同じキャッシュ読み取り価格にたどり着いた。つまり、キャッシュを多用するエージェントループこそ、この2社を項目ごとに本当に比較できる唯一のワークロードだということになる。

• 長コンテキストの価格改定 — プロンプトが200,000トークンを超えると、Grok 4.6は$4.00 / $12.00へ2倍になり、この価格改定はリクエスト全体に適用され、超過分だけが対象ではありません。Fugu Ultra v2は、およそ272,000入力トークンを超えるとされるティアが約$10.00 / $45.00へ移行し、これもリクエスト全体が対象です。どちらも長いプロンプトには不利で、Grokは72Kトークン分早くから負担が生じます。

• コンテキストウィンドウ — サードパーティの掲載情報によると、Grok 4.6 は 500K トークン、Fugu Ultra v2 は 1M。Sakana の発表ページにはコンテキストの数値が一切記載されていないため、その 1M はベンダーによる未確認情報として扱うこと。

長コンテキストの議論は諸刃の剣であり、計算してみる価値がある。30万トークンのプロンプトは、Grok 4.6 では入力100万トークンあたり4.00ドル、Fugu Ultra v2 ではおよそ10.00ドルかかる。15万トークンのプロンプトは、Grok では2.00ドル、Fugu では5.00ドルかかる。Sakana のモデルはどのプロンプト長でもより高価だ——唯一の疑問は、どれだけ頻繁に呼び出す必要があるかだ。

アウトプットに5倍を支払うことの主張

オーケストレーターの主張は、トークンあたりのコストが安いということではない。そうではなく、必要な試行回数が少なくて済むということ、そして調整に費やすトークンが、失敗に費やすことになるトークンよりも安いということだ。

それは実際に筋の通った主張であり、Sakanaはそれを明確に打ち出している。Fugu Ultra v2は、複雑な多段階作業——自律型リサーチやフルスタック開発——を対象としている。そこでは、単一モデルの失敗の仕方は、長い実行の途中で脱線してしまうことだ。出力レートが$30で、3回目ではなく1回目でタスクを完了できるなら、トークンあたりの割増など問題にならない。

ベンダー自身の側からの裏付け証拠もあるが、これはベンダーに有利なもので、そのように読むべきだ。x​AIのGrok 4.6向け発表資料は、長期的なタスクを解決するのに約53ターンと約5億入力トークンかかるとし、競合するフロンティアモデルでは約103ターンと20億入力トークンかかると対比している。これは、トークン単価が低くてもGrok自体がタスク当たりでは経済的だという主張である。両社は同じ動きに出ている。料金表からあなたを遠ざけ、完了した仕事当たりのコストへと向かわせているのだ。

つまり、決め手となる数字はどちらのベンダーも公表しておらず、自分で測るしかない。自分のタスクに似たタスクで、最初から最後までに消費されたトークン数——それこそがその数字だ。

それぞれが本当に弱いところ

Grok 4.6 の公表された弱点はターミナル作業にある。その Terminal-Bench v3.0 スコアは 26% で、分野のトップには大きく及ばない。同じモデルが旧版の Terminal-Bench v2.1 ではるかに強い 88.4% を記録しているにもかかわらずだ——これらは別のテストであり、両者を混同するのは多くの報道で見られる誤りだ。また同モデルは、同世代の中で最高の GPQA Diamond スコア 94.9% を持つが、GPQA Diamond は飽和したとして Artificial Analysis の指数から削除されたため、そこで高得点を取っても、1年前のようにフロンティアモデル間を識別する役にはもはや立たない。

独立系の評価では、Artificial Analysis は Grok 4.6 を、その v4.3 Intelligence Index で 44 と採点しており、200 中 20 位、タスクあたりコスト 1.86 ドルとなっている。しばしば出回る 61 という数値は、置き換えられた旧インデックス尺度によるもので、どのバージョンが算出したものかを示さずに引用すべきではない。

Fugu Ultra v2の弱点は検証にある。本稿執筆時点で、Sakanaがこれについて主張したこと——5つの最高または同点最高の結果、Opus 5の27.3とFable 5の29.5に対する48.3というChartographyスコア、74.3のDeepSWE——は、いずれも独立に再現されていない。また、公開されたレイテンシやスループットの数値も存在しない。これは単一モデルよりもオーケストレーターにとって重要である。なぜなら、その応答時間は、何を呼び出すと決めるかに完全に依存するからだ。前世代のFugu Ultraについては、テスターが約30分に及ぶ実行を公に報告している。それは2026年6月のモデルであり、v2ではないが、本番パスを確定する前にテストすべき失敗モードである。

ベンダー名に関する注記

開発者コンソールで Grok 4.6 を探す前に知っておく価値のある小さな落とし穴がひとつあります。このモデルは一貫してGrok 4.6と呼ばれていますが、それを取り巻くベンダーのブランディングは流動的な状態にあります。x​AI 自身のドキュメントには今や SpaceXAI という名称が使われており、この変更にほとんどの発表報道は追いついていません。モデル識別子と API サーフェスは変わっていません — Grok 4.6 は第一級の Ope​nAI Responses モデルであり、翻訳レイヤーなしで既存のツール呼び出しループにそのまま組み込めます — ただし、モデルカードを探していてブランディングがおかしく見えても、それはあなたの間違いではありません。

実際にこれらのいずれかを呼び出すこと

Grok 4.6はプロバイダー自身の料金でOrcaRouter上にあります — 入力100万トークンあたり$2.00、出力100万トークンあたり$6.00で、マークアップゼロでそのまま渡されるため、ベンダーの価格変更は移行スケジュールではなく当日にここへ届きます。カタログ内の他のすべてと同じベースURLでOpenAI互換なので、ハードコードする代わりにフォールバックチェーンやルーティングルールの背後に置くことができ、2つ目の契約やコード変更なしに別のモデルとA/B比較できます。

Fugu Ultra v2 は当社ではルーティングしていません。これは Sakana AI 自身の OpenAI 互換 API から利用でき、同社によれば、既存の Fugu 統合はパラメータを 1 つ変更するだけでこれに移行できるとのことです。両方をあなたのワークロードで比較したい場合、最も安上がりな構成は、Grok 4.6 をあなたのゲートウェイに残し、機能フラグの背後から Sakana の Fugu Ultra v2 を直接呼び出すことです。どちらも同じリクエスト形式を扱うため、同じテストハーネスが両方で機能します。

評決

Grok 4.6はほとんどのチームにとって合理的なデフォルトであり、価格面では他を寄せ付けません。$2.00 / $6.00、キャッシュ読み取り $0.50、コンテキストウィンドウ 500K という構成で、長文ドキュメントの推論、コーディングエージェント、マルチモーダルなファイル作業を、Fugu Ultra v2 の出力単価の5分の1で処理でき、しかも独立に採点され、独立にベンチマークされています。その弱点はプロンプト長——200K の崖でリクエスト全体のコストが倍になる——と、ターミナルを多用するエージェントループであり、ここでは公表されているスコアが競合的ではありません。

Fugu Ultra v2は、特定の種類のワークロードがある場合にのみ、そのプレミアム価格に見合います。つまり、長く、多段階で、自律性の高いタスクで、単一モデルでは脱線しがちであり、さらにSakanaが売りにしているアーキテクチャ上の特性——どのフロンティアベンダーが利用可能であり続けるか、安価であり続けるかに依存しない能力階層——も求める場合です。それは本当に望ましいことではあります。しかし、それは主張であり、まだ測定値ではありません。そして、それをもっともらしく見せるDeepSWEの差は、リリース当日に単一のベンダーが出した単一のベンチマークです。

どのタスクが現在2回目または3回目の試行で失敗するのかを言えないなら、価格差を正当化する数字はまだ手に入っていない。まずそれを測定せよ。料金表はほかのすべてをすでに教えてくれている。