GPT-6 Astra vs Fugu Max: 정액제가 계층형 요금제를 만나다

Fugu Max는 입력 토큰 100만 개당 $2.00, 출력 토큰 100만 개당 $6.00을 청구하며, 8,000토큰이든 800,000토큰이든 똑같이 그 요금을 매긴다. GPT-6 Astra는 입력 토큰 100만 개당 $10.00, 출력 토큰 100만 개당 $50.00을 청구한다 — 다만 요청이 입력 토큰 272,000개를 넘어서는 순간, 요청 전체에 대해 $20.00와 $75.00를 청구한다. 이 단 하나의 구조적 차이가 이번 맞대결에서 가장 중대한 사안이며, 어느 쪽도 이길 수 없는 벤치마크 논쟁에 파묻히는 바로 그 지점이다. 사카나 AI는 2026년 9월 11일에 Fugu Max를 출시했고, OpenAI는 2026년 9월 3일부터 GPT-6 Astra를 일반 제공해 왔으며, 10월 7일에 그 아래 티어들을 덮친 가격 재조정을 거치는 동안에도 그 요금 기준은 그대로였다. 그러니 이것은 신모델 비교가 아니다. 두 가지 가격 철학 사이의 비교이며, 그중 하나는 가격 철학이고 다른 하나는 가격 철학의 탈을 쓴 오케스트레이션 시스템이다.

두 요금표, 요약이 아니라 그대로 읽은 것

사카나의 자체 가격 페이지는 후구 맥스가 무엇을 판매하는지에 대해 이례적으로 직설적입니다. 후구 울트라 v2는 최전선 모델답게 책정되어 있습니다 — 입력 $5.00, 출력 $30.00, 캐시 $0.50이며, 272K 토큰 초과 시 $10.00 / $45.00 / $1.00의 더 높은 구간이 적용됩니다. 그런 다음 같은 페이지에서 후구 맥스의 요금은 컨텍스트 길이와 무관하게 고정이라고 설명합니다. 계획할 상위 구간이 없습니다. 프롬프트 크기에 관계없이 $2.00, $6.00, 캐시 $0.25입니다.

GPT-6 Astra는 정반대 구조입니다. 첫 번째 티어는 272,000 프롬프트 토큰까지 $10.00 / $50.00이며, 캐시된 입력은 $1.00, 캐시 쓰기는 $12.50입니다. 그 선을 넘으면 요청은 $20.00 / $75.00로 재가격이 책정되며, 캐시된 입력은 $2.00, 캐시 쓰기는 $25.00입니다 — 초과분이 아니라 전체 요청에 적용됩니다. 그것이 오늘 우리 자체 카탈로그가 읽는 OpenAI 문서이며, 9월 이후로 변동이 없습니다.

법안을 결정하는 기준들에서 둘을 나란히 놓아 보세요:

• 입력, 짧은 프롬프트 — GPT-6 Astra 100만당 $10.00 vs Fugu Max $2.00; Fugu Max가 5배 더 저렴

• 출력 — GPT-6 Astra 1M당 $50.00 vs Fugu Max $6.00; Fugu Max가 8.3배 더 저렴

• 캐시된 입력 — GPT-6 Astra는 100만 개당 $1.00, Fugu Max는 $0.25, Fugu Max가 4배 더 저렴

• 긴 프롬프트, 272K 초과 — GPT-6 Astra 1M당 $20.00 / $75.00 vs Fugu Max $2.00 / $6.00, 변동 없음

• 컨텍스트 추적됨 — GPT-6 Astra 1,050,000 토큰, 최대 출력 128,000 vs Fugu Max 미공개

• 입력 방식 — GPT-6 Astra: 텍스트, 이미지, 파일 입력, 텍스트 출력 vs Fugu Max: 미공개

• 독립 점수 — Artificial Analysis Intelligence Index에서 GPT-6 Astra 53점, Fugu Max는 없음, 해당 보드에 항목 없음

• 가중치 — 둘 다 닫힘; Fugu Max는 체크포인트가 전혀 아닙니다

272,000 토큰 한계선이 실제로 문제가 되는 지점

GPT-6 Astra에서 300,000토큰 요청은 270,000토큰 요청보다 10% 더 비싼 것이 아닙니다. 해당 호출의 모든 토큰에 대해 입력 $20.00, 출력 $75.00의 가격이 책정되므로, 그 선을 넘는 순간 입력 요금은 대략 두 배가 되고 출력은 50% 증가하는 단계적 변화가 일어납니다. Fugu Max에서는 같은 요청이 다른 경우와 마찬가지로 백만 토큰당 $2.00 및 $6.00입니다.

GPT-6 Astra가 어떤 용도로 판매되는지 때문에, 그 점은 대부분의 비교 페이지에서보다 여기서 더 중요하다. O​penAI의 포지셔닝은 장기 호라이즌의 엔드투엔드 작업이다 — 9월 9일 게시된 엔터프라이즈 페이지는 이 모델을, 지시에서 완성된 결과물까지 여러 단계와 긴 시간에 걸쳐 작업을 수행하는 모델로 규정한다. 점점 커지는 컨텍스트를 다시 전송하는 에이전트 루프는 아무도 그렇게 하기로 결정하지 않은 채 272,000 토큰을 가뿐히 넘어서는 바로 그 형태다. Astra의 1,050,000토큰 창은 자체 할증 요금을 촉발하는 작업 부하를 불러들인다.

Fugu Max는 정반대의 본능을 위해 설계되었다. Sakana는 이를 각 작업을 해결할 수 있는 가장 가벼운 모델로 라우팅하는 것으로 설명하며, 정액 요금제는 바로 그 라우팅을 외부에서도 읽을 수 있게 해준다: 코디네이터가 누구를 선택하든, 프롬프트가 아무리 길든, 미터기는 같은 값을 가리킨다. 반대 방향으로 작용하는 한 가지 차이가 더 있는데, 가격 페이지가 이를 경고로 명시하지는 않기에 짚어둘 가치가 있다. Sakana의 페이지는 웹 검색과 웹 페치가 스택 요금으로 청구된다고 적고 있다 — 호출에 관여한 최상위 모델을 기준으로 한 단일 요율이다. 따라서 토큰당 정액 요율은 진짜로 정액이고, 복합 호출이 반드시 $2와 $6인 것은 아니다.

이 점수들은 도대체 누구 거죠?

사카나의 출시 자료에 따르면 후구 맥스는 여섯 개 벤치마크에서 최고 종합 점수를 달성한다고 합니다: 터미널 벤치 2.1, GPQAD, AA-LCR, GDP.pdf, 오토메이션벤치, 그리고 사카나 자체의 내부 코딩 벤치마크라고 설명된 SWEFish입니다. 이 여섯 가지 주장 중 어느 것에도 수치가 함께 제시되지 않았습니다. 또한 이 회사는 후구 맥스가 열 개 벤치마크 중 일곱 개에서 비용 대비 성능 파레토 프런티어를 확장하며, 출력 가격이 Sonnet 5, GPT-5.6 Terra, Kimi K3보다 40~60% 낮다고 밝힙니다. 이 모든 진술은 전부 사카나 자체적인 것이며, 그중 어느 것도 재현되지 않았습니다 — 후구 맥스나 어떤 후구 모델에 대해서도 Artificial Analysis 항목이 존재하지 않습니다.

그 부재는 이 특정 매치업에서의 라벨링 문제 그 이상인데, 이는 오케스트레이터의 점수가 작동하는 방식 때문이다. Fugu Max 결과는 단일 버전의 한 모델의 속성이 아니다. 그것은 라우팅 정책, Sakana가 구성원을 공개하지 않은 풀, 그리고 그중에서 선택하도록 훈련된 코디네이터의 속성이다. Sakana의 풀은 이번 릴리스에서 전례 없는 수의 오픈 웨이트 및 특화 모델을 포함하도록 커졌으며, NVIDIA 협업을 통해 NVIDIA Nemotron 패밀리를 언급하는 데 그친다 — 그리고 거기서 멈춘다. 풀 구성원 하나를 바꾸면 제품 이름은 바뀌지 않은 채 벤치마크 수치가 달라진다.

알아 둘 만한 좁은 예외가 있다. 그것은 잃어버리기 쉬운 종류의 세부 사항이기 때문이다. Sakana의 9월 릴리스에 관한 노트는 다음과 같이 명시적으로 밝힌다: Fable 5, Fable 5.1, GPT-6 Astra는 포함되지 않는다 Fugu Ultra v2의 풀에는. 그 문장은 Ultra v2에 관한 것이다. 그것은 Fugu Max에 대해서는 아무 말도 하지 않는데, Fugu Max의 포함 여부는 공개되지 않은 채로 남아 있다. 그래서 독자가 실제로 알고 싶어 하는 질문 — 내가 교체하라고 듣는 $10/$50 모델이 이미 $2/$6 코디네이터 안에 있는가 — 은 어느 진술로도 답이 되지 않는다. 어느 쪽으로 결론이 나는지 말해 주는 사람은 그것을 추론한 것이다.

GPT-6 Astra 쪽에서 증거는 형태가 다르지만 더 단순하지는 않다. Artificial Analysis는 현재 Intelligence Index에서 이를 53으로 측정하며, 완료된 index 작업당 비용 $3.26, 해당 실행 전체에서 60M 출력 토큰(보드 중앙값 약 85M 대비), 초당 44.6 출력 토큰을 기록한다. 이는 지능 부문에서 216개 모델 중 7위, 속도 부문에서 185개 중 168위에 놓는다. 이는 고정된 스위트에 대한 제3자 측정치이며, 이 페이지에서 가장 방어 가능한 수치다. Astra에 대한 OpenAI의 대표적 주장 — FrontierMath Tier 4에서 98%, ARC-AGI-3에서 99.9%, ExploitBench에서 100%, Terminal-Bench 4.0에서 57.9% — 은 공급업체 보고 수치이며 재현되지 않았고, 특히 ARC-AGI-3 수치는 그 하네스를 함께 제시해야 한다. ARC Prize의 독립 실행은 자체 표준 하네스에서 62.7%를 측정했으며, 99.9%는 요청 간에 추론 상태를 전달하는 제공자 어댑터에서의 결과로 발표했다.

이와 같은 비교에 라우팅이 미치는 영향

실질적인 어려움은 이 비교의 한쪽은 우리 카탈로그에 있고 다른 쪽은 그렇지 않다는 점입니다. GPT-6 Astra는 openai/gpt-6-astra에서 하나의 OpenAI 호환 엔드포인트를 통해 제공되며, OpenAI 자체의 정가에 우리 자체 마진을 0%만 붙여 그대로 전달합니다 — 즉, 그쪽의 미터가 움직이면 여기 있는 미터도 마진 표가 갱신될 때가 아니라 같은 날 움직인다는 뜻입니다. Fugu Max는 우리가 라우팅하지 않으며, 이 페이지는 그렇다고 주장하지 않습니다. Fugu Max는 Sakana 자체의 OpenAI 호환 API와 여러 제3자 플랫폼을 통해 여러분에게 제공되며, Sakana가 GDPR 준수를 향해 작업하는 동안 EU나 EEA에서는 사용할 수 없습니다.

따라서 이 둘 사이의 진정한 A/B 테스트는 두 개의 통합, 두 개의 청구서, 두 세트의 자격 증명을 뜻하며, 두 번째에는 지역 제한이 붙어 있습니다. 공유 키로 얻을 수 있는 것은 실험의 값싼 절반입니다. 즉, 트래픽의 일부를 Astra에 고정하는 것을 자동 페일오버 뒤에 두어, 롤백이 장애 대응이 아니라 구성 변경이 되도록 하는 것입니다. 이것은 Sakana가 오케스트레이션의 전제로 내세우는 복원력의 전송 계층 버전입니다 — 종류는 더 약하지만, 오늘 바로 사용할 수 있고 동작을 버전에 고정할 수 있는 모델에서 가능합니다.

결정으로서 진술된 그 결정

작업이 텍스트 중심이고, 검증 가능하며, 컨텍스트 범위의 긴 쪽 끝에 있다면 Fugu Max를 선택하세요. 또는 단일 호출 비용이 아니라 완료된 작업의 중앙값 비용이 예산을 좌우하는 숫자라면 더욱 그렇습니다. 정액 요금은 272K를 넘으면 두 배가 되는 계량 방식보다 실질적인 구조적 이점이며, $0.25 캐시 입력은 두 요금표 중 어느 쪽에서든 가장 공격적인 캐시 요율입니다. 릴리스 페이지에 의존해 멀티모달 파이프라인용으로 선택하지 마세요. 릴리스 페이지에는 이미지를 받는지 여부가 문서화되어 있지 않기 때문입니다. 먼저 테스트하고, 시작하기 전에 출력 토큰 예산을 설정하세요. 오케스트레이터의 토큰 소비량은 모델 이름만으로 추정할 수 있는 것이 아니기 때문입니다.

진정으로 에이전트적이고, 컴퓨터 사용 비중이 높으며, 백만 토큰 창의 상단에 의존하는 작업이라면 GPT-6 Astra를 선택하세요 — 독립적인 증거가 가장 강력하고, 토큰당 가격이 아니라 작업당 비용을 관리하는 워크로드입니다. GPT-6 Astra의 인덱스 작업당 3.26달러 비용은 높으며, 신중한 구매자가 알 수 있는 이유로 높습니다: 이 모델은 해당 스위트에서 간결하여, 중간값 모델이 85M 토큰을 방출할 때 60M 토큰을 방출합니다. 완성된 결과물을 생성하는 심층적이고 다단계 작업에서는 더 적은 토큰에 더 높은 요율이 많은 토큰에 낮은 요율과 같은 결과에 도달할 수 있습니다. 짧은 프롬프트의 대량 트래픽에는 선택하지 마세요. Fugu Max의 입력 가격의 5배, 출력 가격의 8배로, 272K 라인에 결코 근접하지 않는 워크로드는 Astra의 요율표가 지불하는 것을 전혀 얻지 못합니다.

솔직히 요약하자면, 이 두 제품은 서로를 기준으로 가격이 책정된 것이 아니라 서로 다른 두려움을 기준으로 가격이 책정되어 있습니다. Astra의 요금표는 값싼 모델이 긴 작업에서 실패할까 봐 두려워하는 고객을 위해 만들어졌습니다. Fugu Max의 요금표는 좋은 모델이 쉬운 작업에 낭비될까 봐 두려워하는 고객을 위해 만들어졌습니다. 당신의 두려움이 어느 쪽인지는 당신의 트래픽에 관한 질문이며, 어느 공급업체의 벤치마크 표도 그 질문에 답하지 않습니다.

릴리스는 또한 이전에 무엇이 잘못되었는지 점검하는 순간이기도 합니다: 이 등급의 모델과 관련하여 문서화된 AI 사고 및 에이전트 실패는 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급 및 이의 제기 플래그가 포함되어 있습니다.