Sakana Fugu Ultra v2, giải thích: pool đã nhỏ hơn và điểm số đã tăng lên

Fugu Ultra v2 là một kiểu nâng cấp kỳ lạ: Sakana AI phát hành nó vào ngày 11 tháng 9 năm 2026 với một nhóm mô hình không còn chứa Claude Fable 5, Claude Fable 5.1 hay GPT-6 Astra — ba trong số những hệ thống mạnh nhất hiện đang được tung ra — mà vẫn tuyên bố đánh bại cả ba. Sản phẩm chủ lực mới thuộc phân khúc chất lượng cao của phòng thí nghiệm Tokyo, ra mắt cùng ngày với một người anh em rẻ hơn có tên Fugu Max, đạt tốt nhất hoặc đồng hạng nhất ở năm trong tám bài đánh giá chuẩn trong thang đánh giá của chính Sakana, bao gồm 48,3 trên Chartography so với 27,3 của Claude Opus 5 và 29,5 của Claude Fable 5, cùng 74,3 trên DeepSWE. Không có con số nào trong số đó được tái lập độc lập, và vẫn chưa có trang Artificial Analysis nào cho bất kỳ mô hình Fugu nào. Khoảng trống đó chính là câu chuyện: thứ mà bạn đang được yêu cầu mua là một lớp điều phối với toàn bộ lời chào hàng nằm ở chỗ nó không cần những mô hình tốt nhất để tạo ra những câu trả lời tốt nhất.

Sakana AI được thành lập vào năm 2023 bởi Llion Jones, đồng tác giả của bài báo Transformer, và David Ha. Dòng Fugu ra mắt vào tháng 6 năm 2026 dưới dạng một hệ thống đa tác nhân được cung cấp như một mô hình duy nhất: bạn gọi một endpoint tương thích OpenAI, và phía sau nó, một bộ điều phối đã được huấn luyện sẽ phân rã yêu cầu, tạo ra các tác nhân, và tổng hợp kết quả. Nghiên cứu là thật và đã được công bố — TRINITY (arXiv 2512.04695) đã tiến hóa một bộ điều phối nhẹ, thứ gán các vai trò Thinker, Worker và Verifier; Conductor (arXiv 2512.04388) đã học cách điều phối bằng ngôn ngữ tự nhiên giữa các tác nhân; báo cáo kỹ thuật Fugu nằm tại arXiv 2606.21228. Điều mà Sakana chưa từng công bố lại chính là thứ mà mọi người thực sự muốn: danh tính của các mô hình trong pool, và các quyết định định tuyến theo từng tác vụ.

Điều gì thực sự đã thay đổi so với Fugu Ultra tháng Sáu

Phiên bản 2.0 là bản làm mới điểm khoảng mười một tuần sau bản gốc, không phải một kiến trúc mới. Cách nhà cung cấp tự mô tả là Fugu Ultra v2 và Fugu Max là “cùng một kiến trúc điều phối lõi” được tinh chỉnh cho hai nhiệm vụ khác nhau: Max đẩy biên hiệu suất-chi phí xuống, Ultra đẩy năng lực đỉnh lên. ID mô hình là fugu-ultra-v2.0, và Sakana nói rằng việc chuyển khỏi một Fugu đời trước chỉ là thay đổi tham số một dòng, không cần chuyển đổi SDK — đây là điều thân thiện với người tiêu dùng nhất trong bản phát hành này.

Những thay đổi thực chất nằm ở hai đầu. Thứ nhất, mốc cắt dữ liệu huấn luyện đã chuyển sang 20260828, nên coordinator đã được tinh chỉnh lại dựa trên thế hệ mô hình tiên phong hiện tại. Thứ hai, và thú vị hơn nhiều, thành phần pool đã thay đổi theo một cách mà Sakana chọn công bố: Claude Fable 5, Claude Fable 5.1 và GPT-6 Astra bị loại trừ một cách rõ ràng. Lập luận của Sakana là điều này chứng minh các điểm số không phụ thuộc vào một mô hình tiên phong độc quyền duy nhất, điều quan trọng nếu mối quan tâm của bạn là tình trạng bị khóa vào nhà cung cấp, việc thu hồi API hoặc một mô hình biến mất sau các biện pháp kiểm soát xuất khẩu.

Có một hệ quả bậc hai mà Sakana không đào sâu. Nếu nhóm này loại trừ ba mô hình mạnh nhất hiện có, thì các so sánh đánh giá chuẩn đối với Fable 5 và Fable 5.1 đang được thực hiện với những hệ thống mà trình điều phối không thể gọi đến ngay cả khi nó muốn. So sánh này là hợp lệ — đó là một khẳng định về kiến trúc, không phải về quyền truy cập — nhưng nó không phải là một phép thử tương đương để xem ai có mô hình tốt hơn. Đó là phép thử xem liệu phối hợp có đánh bại năng lực thô hay không. Đó là một câu hỏi thực sự thú vị. Đơn giản là nó không phải câu hỏi mà bảng điểm ngụ ý khi nhìn thoáng qua.

Những con số, và ai đã tạo ra chúng

Mọi con số trong phần này đều do nhà cung cấp tự báo cáo. Sakana đã không phát hành bất kỳ bộ khung đánh giá nào, không có bảng điểm theo từng tác vụ, và không có công thức tái tạo nào, và thiết kế điều phối khiến việc tái lập độc lập trở nên khó hơn chứ không dễ hơn: để tái tạo một điểm số, cần có quyền truy cập vào mọi mô hình trong nhóm ở cùng các phiên bản với cùng cấu trúc liên kết, và theo thiết kế, cấu trúc liên kết thay đổi theo từng yêu cầu.

• Chartography (suy luận thị giác trên biểu đồ và tài liệu có cấu trúc) — Fugu Ultra v2 48.3, Claude Opus 5 27.3, Claude Fable 5 29.5 — do nhà cung cấp báo cáo

• DeepSWE (kỹ thuật phần mềm trong thế giới thực) — Fugu Ultra v2 74.3 — do nhà cung cấp báo cáo, được cho là vượt qua các mô hình có chi phí cao gấp ba đến năm lần cho mỗi token

• Vị trí tốt nhất hoặc đồng hạng tốt nhất — năm trong số tám benchmark: GDP.pdf, Chartography, SWEFish, DeepSWE và Toolathon — do nhà cung cấp báo cáo

• Vị trí trong hai hạng đầu — bảy trong số tám phép đánh giá chuẩn — do nhà cung cấp báo cáo

• Fugu Ultra trước đó (tháng 6 năm 2026, để so sánh) — LiveCodeBench 93.2, GPQA-Diamond 95.5, TerminalBench 82.1, SWE-Bench Pro 73.7 — theo báo cáo của nhà cung cấp

Hàng Chartography xứng đáng với sự nhấn mạnh mà nó đang nhận được, vì đây là hạng mục duy nhất mà khoảng cách tới một sản phẩm flagship hiện hành, có tên cụ thể, không hề nhỏ. Khoảng cách 21 điểm so với Claude Opus 5 trên một benchmark suy luận thị giác là kiểu con số thường xuất hiện trên một bảng xếp hạng độc lập trong vòng vài ngày. Tính đến thời điểm viết bài này, chưa có bảng nào như vậy xuất hiện. Hãy coi hàng đó là một giả thuyết gắn với một con số bằng đô-la, chứ không phải một kết quả đã ngã ngũ.

Giá cả: không thay đổi so với tháng Sáu, và đắt đỏ rõ rệt ở phần đầu ra

Fugu Ultra v2 có giá $5 mỗi triệu token đầu vào, $30 mỗi triệu token đầu ra và $0,50 mỗi triệu token đầu vào được lưu đệm. Trên 272.000 token ngữ cảnh, các mức đó lần lượt trở thành $10, $45 và $1,00. Fugu Max có cấu trúc hoàn toàn khác: $2 đầu vào, $6 đầu ra, $0,25 lưu đệm, không đổi theo độ dài ngữ cảnh, cộng thêm $0,007 mỗi lần tìm kiếm web hoặc gọi fetch.

Có hai điều trong bảng giá đó đáng để đọc kỹ. Điều thứ nhất là đầu ra gấp sáu lần đầu vào — một tỷ lệ khá gắt, tính phí cho độ dài dòng của model, và orchestration là một công việc dài dòng. Một coordinator khởi tạo các agent và tổng hợp câu trả lời của chúng sẽ tạo ra rất nhiều token, và bạn phải trả cho tất cả số đó ở mức $30 mỗi triệu. Tuyên bố về hiệu quả của Sakana là nói về pool nền tảng, chứ không phải về lượng văn bản mà hệ thống tạo ra thay bạn, và đó là những con số khác nhau. Hãy lập ngân sách dựa trên số token thực tế quan sát được, chứ không dựa trên mức giá được nêu trên tiêu đề.

Thứ hai là vách đá 272K. Tăng gấp đôi mức giá trên mỗi token khi vượt một ngưỡng là cách định giá hợp lý cho công việc ngữ cảnh dài, nhưng điều đó có nghĩa là chi phí thực tế của một lượt chạy agent ngữ cảnh dài không phải là con số trên trang định giá. Nếu khối lượng công việc của bạn nằm gần ranh giới đó, phép tính sẽ thay đổi đáng kể ở cả hai phía của nó.

Các gói đăng ký của Fugu — Standard $20, Pro $100, Max $200 mỗi tháng, với hạn mức 10x và 20x — đều bao gồm quyền truy cập vào Fugu, Fugu Ultra và Fugu Max. Sakana cũng định giá mô hình Fugu cơ bản theo gói cao cấp nhất hiện có trong nhóm cho một yêu cầu nhất định, và nói rõ rằng việc thêm nhiều tác nhân hơn không làm tăng gấp bội hóa đơn. Đó là một khác biệt thực sự so với mô hình chi phí fan-out mà bạn sẽ có được khi tự gọi một số mô hình tiên tiến nhất.

Điều mà Sakana sẽ không nói với bạn

Hỏi xem những mô hình nào đã trả lời câu hỏi của bạn thì FAQ trả lời thẳng: “thông tin định tuyến này không được tiết lộ theo thiết kế.” Các nhóm Ultra và Max là cố định, nên bạn không thể chọn loại một nhà cung cấp; chỉ mô hình Fugu cơ sở hỗ trợ tính năng chọn không sử dụng theo từng mô hình trong cài đặt console. Khách hàng Enterprise có thể thương lượng các cấu hình tùy chỉnh.

Sự mờ đục đó là tâm điểm của những chỉ trích mà dòng Fugu hứng chịu kể từ tháng Sáu, và đây là một chỉ trích công bằng chứ không phải một chỉ trích thù địch. Khi một bộ điều phối đạt điểm cao bằng cách kết hợp các mô hình của những phòng thí nghiệm khác, điểm số thuộc về hệ thống — một thứ có thật và có thể biện minh để đem bán — nhưng nó không chuyển sang bất kỳ mô hình đơn lẻ nào, và không thể bị kiểm toán. Các nhà đánh giá đã nói thẳng: Fugu không đánh bại mô hình hàng đầu, nó thuê mô hình hàng đầu. Với những tác vụ có thể kiểm chứng nhờ một công cụ kiểm tra rẻ, chẳng hạn một chuẩn đánh giá lập trình có bộ kiểm thử, một hội đồng thực sự có thể vượt trội hơn thành viên giỏi nhất của nó. Với những tác vụ không có công cụ như vậy, việc một nhóm lấy mẫu nhiều mô hình tiên tiến rồi báo cáo kết quả tốt nhất thì một phần là đang báo cáo sự may mắn. Những lựa chọn hạng mục của chính Sakana — Chartography, DeepSWE, Toolathon — nghiêng về phía có thể kiểm chứng, đây là nơi thích hợp để đưa ra tuyên bố, và cũng là lý do tuyên bố đó không thể được tổng quát hóa miễn phí.

Những người kiểm thử độc lập cũng đã chỉ ra sự biến động độ trễ là chi phí thực tế của việc điều phối: với các tác vụ khó, bộ điều phối phải cân nhắc, còn với các tác vụ dễ thì việc cân nhắc đó hoàn toàn là chi phí phụ trội. Một tác vụ shader của một nhà nghiên cứu được cho là đã mất khoảng ba mươi phút với chất lượng chỉ được đánh giá ở mức chấp nhận được.

Nơi bạn thực sự có thể có được nó

Fugu Ultra v2 hiện đã chính thức hoạt động thông qua API tương thích OpenAI của chính Sakana — chỉ cần trỏ một client hiện có tới endpoint bằng khóa API và thay đổi một dòng — và thông qua một số nền tảng bên thứ ba. OrcaRouter không cung cấp các mô hình Fugu; nếu bạn muốn gọi Fugu Ultra v2, API của chính nhà cung cấp là con đường trực tiếp.

Điều đáng lưu ý là giải pháp thay thế mà Sakana đang ngầm cạnh tranh. Nhóm mô hình giúp Fugu Ultra v2 vận hành được tập hợp từ những mô hình mà ngày nay đều có thể gọi riêng lẻ, và những đối thủ mà nó được đem ra đo lường chính là những mô hình mà các đội nhóm đã và đang chạy. Claude Opus 5, DeepSeek V4 Pro và Gem​ini 3.1 Pro đều có mặt trên OrcaRouter với đúng giá niêm yết của nhà cung cấp, mức chênh lệch 0%, nghĩa là bất kỳ đợt giảm giá nào từ một trong các nhà cung cấp đó đều được áp dụng ngay bên phía chúng tôi trong cùng ngày công bố. Nếu lý do bạn cân nhắc một orchestrator là khả năng phục hồi — không muốn một luồng vận hành production phụ thuộc vào thời gian hoạt động hay chính sách của một nhà cung cấp duy nhất — thì một lớp định tuyến với tính năng tự động chuyển đổi dự phòng giữa các nhà cung cấp sẽ giải quyết một phần vấn đề đó ở cấp độ mô hình, còn Fugu Ultra v2 giải quyết một phần khác ở cấp độ suy luận. Một API cho hơn 200 mô hình với khả năng chuyển đổi dự phòng không phải là thứ thay thế cho một bộ điều phối đã được huấn luyện, và một bộ điều phối đã được huấn luyện cũng không phải là thứ thay thế cho việc không phụ thuộc vào một nhà cung cấp duy nhất. Một số đội nhóm sẽ muốn có cả hai.

Cái bẫy tuân thủ

Fugu không có sẵn ở Liên minh châu Âu hoặc Khu vực Kinh tế châu Âu. Cách diễn đạt của nhà cung cấp rất rõ ràng: chưa có sẵn ở EU/EEA trong khi họ đang nỗ lực tuân thủ GDPR và các quy định riêng của EU, và ở những nơi khác, quyền truy cập có thể bị hạn chế bởi điều kiện mạng hoặc quy định địa phương. Nếu tổ chức của bạn có các thực thể EU trong phạm vi, điều này loại bỏ dòng Fugu khỏi xem xét bất kể hiệu suất benchmark, điều đáng biết trước khi đánh giá thay vì sau đó.

Xem gì

Ba điều sẽ đưa Fugu Ultra v2 từ một tuyên bố đáng chú ý thành một lựa chọn trọng yếu. Một đánh giá độc lập — một mục trên Artificial Analysis, một vị trí trên LMArena, bất cứ thứ gì có bộ khung kiểm thử đằng sau — sẽ giải quyết dứt điểm câu hỏi Chartography trong một tuần. Các con số được tái lập từ bên thứ ba trên các benchmark lập trình có thể xác minh sẽ xác nhận mức tăng ở cấp hệ thống mà kiến trúc dự đoán. Và một pool được công bố, hoặc thậm chí chỉ một phần, sẽ cho phép người mua suy luận chính xác về những điểm lỗi đơn lẻ nào họ đang chấp nhận khi họ định tuyến lưu lượng production qua một coordinator mà họ không thể kiểm tra.

Cho đến lúc đó, quan điểm trung thực là thế này. Fugu Ultra v2 là nỗ lực nghiêm túc nhất cho đến nay nhằm bán điều phối như một sản phẩm thay vì một bản demo nghiên cứu, đến từ một phòng thí nghiệm có công trình đã công bố làm nền tảng, với mức giá khiến khoản phụ trội cho điều phối trở nên rõ ràng thay vì bị ẩn đi. Nếu khối lượng công việc của bạn mang tính dài hạn, có thể xác minh và chỉ giới hạn trong một khu vực nơi Sakana có thể phục vụ bạn, thì đáng để chạy một thử nghiệm có phạm vi giới hạn với tính năng đối soát token được bật. Nếu không, những mô hình mà Fugu Ultra v2 được đem ra so sánh chỉ cách một lệnh gọi API, theo giá niêm yết, cùng bằng chứng chứng minh chúng có thể làm được gì.