Fugu Ultra v2 对比 Gemini 3.1 Pro：那个可能早已置身机器内部的对手

在 Fugu Ultra v2 与 Gem​ini 3.1 Pro 对比的某个版本中，无论基准测试结果如何，Gem​ini 都会获胜——因为它可能在做部分工作。Sakana AI 的编排系统于 2026 年 9 月 11 日发布，并未披露它协调哪些模型；6 月的 Fugu Ultra 所报告的模型池包括 Gem​ini 3.1 Pro 等，而 2.0 版本只告诉我们它移除了什么，点名 Claude Fable 5、Claude Fable 5.1 和 GPT-6 Astra 为被排除项。Goo​gle 的 Gem​ini 3.1 Pro 是一个单一的多模态前沿模型，具有 100 万 token 上下文，可处理文本、图像、PDF、音频和视频，自 2026 年 5 月起全面可用，价格为每百万输入 2.00 美元、每百万输出 12.00 美元。其中一个是你可以检查的模型。另一个则是一个系统，其基准测试的胜利可能经由第一个模型取得，而两家厂商都不会告诉你它们是否如此。

每个系统实际上是什么

Gemini 3.1 Pro 的清晰可读在前沿发布中已属罕见。它是 Google DeepMind 的稀疏混合专家（MoE）Transformer，于 2026 年 2 月 19 日首次以预览版发布，有消息源将其正式可用时间定在 2026 年 5 月——我们自己的收录列表是以预览版模型 ID 收录它的。它具有 100 万 token 的输入窗口和 65K token 的输出上限，接受文本、图像、PDF、音频、视频和代码，并提供三级推理控制——低、中、高——其中高为 API 默认值。Google 报告称其在 ARC-AGI-2 上达到 77.1%，是上一代 31.1% 的两倍多；在 GPQA Diamond 上为 94.3%；在 SWE-bench Verified 上为 80.6%；在 Terminal-Bench 2.0 上为 68.5%；在 BrowseComp 上为 85.9%；在 Humanity's Last Exam 上不使用工具时为 44.4%，配合搜索和代码执行则升至 51.4%。这些都是厂商数据。其知识截止日期为 2025 年 1 月，如果你的工作依赖近期事件，这一点值得注意。

Fugu Ultra v2 是一个协调器。它是一个经过训练的模型，据报道约有 7B 参数，会读取请求，组建一个由源自 Sakana 的 TRINITY 研究的 Thinker、Worker 和 Verifier 角色组成的智能体团队，并在一个兼容 OpenAI 的端点后面综合给出答案。它自身没有公布模态列表——它能看到的任何内容，之所以能看到，是因为其池中的某个模型能看到它。它的上下文为 1M token，并在 272K 处存在陡峭的定价断崖，费率在那里翻倍至输入 $10、输出 $45。它的输出上限未公布。它的模型池未披露，其路由决策“按设计不公开”，而对于 Ultra 层级，模型池是固定的，因此你无法排除某个提供商。

这种不对称正是整场对决的核心。Gem​ini 3.1 Pro 是一个可以直接购买并对其进行分析的组件。Fugu Ultra v2 则是一个装配体，其零件你无法看见，而且它最有力的基准测试声明可能部分来自 Gem​ini 自身的结果与其他人结果的结合。

两者重叠之处的比较

已发表的证据中，很少有能将这两个系统放在同一行直接对比的。下文中 Gemini 3.1 Pro 的数据是 Google 自己的；Fugu Ultra v2 的数据是 Sakana 自己的；如果第三方聚合方发布了二者共用的同一行数据，则会加以标注，并附上说明：这仅具方向性，而非决定性。

• 多模态推理（CharXiv，共享行）—— 据 BenchLM，Fugu Ultra v2 为 86.6%，Gem​ini 3.1 Pro 为 80.2%；BenchLM 将该类别标记为方向性，且拒绝指明胜出者

• TerminalBench 2.1 — 没有 Fugu Ultra v2 v2.0 对比 Gem​ini 3.1 Pro 的数值，也没有可比较的已发布数值；在第三方汇总中，6 月的 Fugu Ultra 报告为 82.1%，而 Gem​ini 3.1 Pro 为 70.3%

• SWE-Bench Pro — 没有 Fugu Ultra v2 v2.0 对比 Gem​ini 3.1 Pro 的数据，也没有可比较的已发布数据；6 月的 Fugu Ultra 报告为 73.7%，而 Gem​ini 3.1 Pro 为 54.2%

• ARC-AGI-2 — 无 Fugu Ultra v2 数据，而 Gem​ini 3.1 Pro 为 77.1%，系厂商报告

• Humanity's Last Exam — 无 Fugu Ultra v2 v2.0 数据，对比 Gemini 3.1 Pro 无工具 44.4%、有工具 51.4%，均为厂商报告数据

• 模态覆盖 — Fugu Ultra v2 继承其池所支持的任何模态，未披露；相比之下，Gemini 3.1 Pro 的文本、图像、PDF、音频、视频和代码支持情况有文档记录。

• 输入 / 输出价格 — Fugu Ultra v2 每 100 万 $5.00 / $30.00，超过 272K 后翻倍；而 Gem​ini 3.1 Pro 每 100 万最高 200K 为 $2.00 / $12.00，超出后为 $4.00 / $18.00，缓存输入 $0.20 / $0.40

• 上下文与输出 — Fugu Ultra v2 1M 上下文，输出上限未公布，对比 Gemini 3.1 Pro 1M 输入、65K 输出

• 权重与访问 — Fugu Ultra v2 闭源，欧盟/欧洲经济区除外；而 Gem​ini 3.1 Pro 为专有模型，但在 Goo​gle 各平台广泛可用

多模态那一行需要谨慎处理，因为它被引用得最多，却最不扎实。BenchLM 的 CharXiv 汇总让 Fugu Ultra v2 领先 6.4 个归一化分——而同一页面明确说明，方向性行从不评选胜者，Gemini 在智能体、编程、知识或多语言类别中没有测量结果，Fugu 在数学或多语言类别中也没有。若在大多数行中某一类别只有一方被测量，就无法得出裁决。如果你从这次比较中别的什么也没得到，至少要记住这一点：具体到多模态工作，已公布的证据不支持任何一方的结论，而唯一存在的那一行明确不是定论。

改变框架的可能性

Sakana 不会透露模型池里有什么。这是有文档记录的设计选择，而非疏忽——FAQ 中说明，路由信息按设计不予公开，也没有任何可供检查的机制。我们从 6 月那一代得知，据报道，模型池成员包括 Gemini 3.1 Pro 以及其他前沿模型。2.0 版本改变了模型池，而 Sakana 仅通过排除法来描述这一变化：Claude Fable 5、Claude Fable 5.1 和 GPT-6 Astra 已不在其中。发布说明中没有任何内容表明 Gemini 仍然在里面。

如果 Gemini 3.1 Pro 也在候选池中，就会引出三个后果，而这三个后果都是实务层面的，而非理念层面的。第一，Fugu Ultra v2 多模态表现中的一部分，其实是 Gemini 的表现与其他模型的表现叠加而成的——这意味着，你除了要支付本可直接支付的每 token 单价，还要额外付一笔协调溢价。第二，Fugu Ultra v2 每百万输出 token 收费 30 美元，而 Gemini 3.1 Pro 是 12 美元，这多出来的部分是组装溢价，而不是原始能力溢价；如果你的任务只是一个多模态问题，Gemini 回答它更便宜，而且你能清楚看到究竟是哪个模型给出的答案。第三，也是最有用的：对一个编排器最诚实的基准检验，不是"它是否能胜过自己的各个组件"，而是"当你单独使用它时，它是否能胜过其中最好的那个组件"。Sakana 的架构正是建立在这一主张之上：在可验证的任务上，它确实做得到。在仅凭一张读图表得出的基准成绩就接受这一主张之前，它值得用你自己的实际工作负载来检验。

有一种解读是，答案是否定的，而编排器仍然证明了自己的价值。如果 Gem​ini 在候选池中，并且 Fugu Ultra v2 对 Claude Opus 5 的 Chartography 得分 48.3 比 27.3 站得住脚，那么 Sakana 所构建的就是一个协调层，它能可靠地从同一个模型中获得比单次调用更多的产出。那是一个真正的产品，唯一悬而未决的问题是，其利润空间是否覆盖成本。还没有人发表过这项实验。

诚实的边缘所在之处

Gem​ini 3.1 Pro 的优势是实实在在的。在输入和输出上，它的价格约为 Fugu Ultra v2 的五分之二，而且与 Fugu 不同，它的费率不会在超过某个上下文阈值后翻倍——200K 处的阶梯比 272K 的悬崖更平缓。它记录自己的模态，而不是继承它们，这意味着音频和视频工作是受支持的功能，而不是一种希望。它有公开的输出上限。它可通过 Goo​gle 自己的界面使用，并且，与 Fugu Ultra v2 被拿来比较的其他模型一样，它 可在 OrcaRouter 上调用——作为google/gemini-3.1-pro-preview，按 Goo​gle 的标价、0% 加价，因此 Goo​gle 的价格变动会在公布当天落到同一个密钥上。

Fugu Ultra v2 的优势更窄，也更真实。它会不止一次地攻克一个难题，并由 Verifier 角色检查工作，因此它最有力的主张都落在可检验正确性的基准上——Chartography、DeepSWE、Toolathon——而非知识回忆上。Sakana 公布的案例研究也指向同一方向：一个机械 CAD 光圈能正确开合，而其他模型留下了缝隙和薄弱连杆；一个纯 Python 的魔方求解器完成了全部 300 个打乱魔方，而两个匿名的前沿基线则完全崩溃。那些基线是匿名的且由厂商挑选，因此应将其视为示例而非证明。但这一模式在整个发布中是一致的，并且它描述了一种单次模型调用不具备的真实能力：在一个问题上持续坚持，直到答案通过检查。

也要权衡这些约束条件。Fugu Ultra v2 不在欧盟或欧洲经济区销售，而且 Sakana 明确表示正在努力实现 GDPR 合规。Gem​ini 3.1 Pro 没有这类限制，并且背后有悠久得多的独立评估记录。

裁决

对于大多数多模态工作，Gemini 3.1 Pro 都是正确选择，而且毫无悬念。它按 token 更便宜，按文档更便宜，有音频和视频方面的文档，并且设有上下文阈值上限，不会在运行中途让你的账单翻倍，还有——这里最关键的一点——你能看到是什么在回答你。如果你需要一个模型来读取 PDF、观看片段并回答问题，那就没有任何理由通过一个未公开的模型池、以两倍半的输出价格来路由这件事。

Fugu Ultra v2 只适用于一种非常具体、范围窄得多的任务形态：具有可核验答案的长周期任务，在这类任务中，用三种方式尝试一个问题并验证结果，胜过只尝试一次，而且质量上的那一点边际提升值得付出成倍的代价。如果你的用户范围涉及欧盟或欧洲经济区，那就完全不在考虑之列。

这场对决留下的那个令人不安的问题，是没有人测量过的问题。如果 Gemini 3.1 Pro 就在池子里——而今天唯一诚实的答案是，Sakana 并没有说过它不在——那么你用 Fugu Ultra v2 买到的部分东西，就是上面加了一层协调层的 Gemini 3.1 Pro，而其价格意味着这层协调层的价值大约是模型本身的两倍半。这很可能属实。Sakana 的架构就是为了让它成真而构建的。但这是一个背后有厂商记分牌撑着、却没有独立测试的假设；在有人实际运行它之前，你能看见的模型，才是你能为之辩护的模型。