Fugu Ultra v2 对比 Qwen3.8-Max：为什么价格标签上的数字是错的

Fugu Ultra v2 每百万输出 token 收费 30.00 美元。Qwen3.8-Max 收费 6.00 美元。这是五比一的差距，而如果你依据这个比例在这两个智能体系统之间做选择，你就会选错——因为两者的实际计费方式都不是其价目表所暗示的那样。按照 Artificial Analysis 自己的测量，Qwen3.8-Max 为完成 Intelligence Index 生成了 1.8 亿输出 token，超过中位数模型 8900 万的两倍，每任务成本为 2.67 美元。按 token 算，它是一个节俭的模型；按答案算，它却极尽铺张。Sakana AI 的 Fugu Ultra v2 于 2026 年 9 月 11 日发布，形态恰恰相反：一个由其他实验室模型组成、未公开的模型池，它会按请求生成并协调这些模型，按一个混合费率计费，Sakana 称该费率不会随着智能体增加而成倍增长。一个是拥有 2.4 万亿参数的单一模型，会长时间出声思考。另一个是小型协调者，负责雇帮手。比较它们的 token 价格，几乎无法告诉你哪个运行起来更便宜。

两种截然相反的昂贵方式

先从机制开始，因为它解释了这一对比中的其他所有差异。

Qwen3.8-Max 是一个稀疏混合专家模型——总参数量达 2.4 万亿，每个 token 约 950 亿活跃参数——它通过运行得更久，而非规模更大，来达到接近前沿水平的结果。Artificial Analysis 测得它的输出速度为每秒 37.8 个 token，在速度上于 200 个模型中排名第 154；在 Intelligence Index 中总共输出了 1.8 亿个 token（在冗长程度上于 200 个模型中排名第 70）。其每个 Intelligence Index 任务的成本为 2.67 美元，而它的缓存折扣异常之高，达到 88%，这才是真正控制这里账单的杠杆：长时间运行的 agent 任务如果反复读取相同的上下文，成本很低；而持续生成全新文本的任务则不然。

Fugu Ultra v2 从另一端着手解决同一个问题。它是一个编排器——一个经过训练的小型协调器，据报道约有 70 亿参数，会读取请求，按照 Sakana 的 TRINITY 工作中的 Thinker、Worker 和 Verifier 角色组建一个智能体团队，然后综合出一个答案。它的 token 账单是其子智能体所生成内容加上协调器自身综合文本的总和。Sakana 在其定价 FAQ 中承诺，你只需按一个与所涉顶级模型挂钩的混合费率付费，并且增加智能体不会使账单成倍增加，这消除了经典的多智能体成本爆炸问题，即扇出会令成本成倍增长。它没有消除的是用量。按每百万输出 token 30.00 美元计算，真正重要的数字是有多少个智能体运行过、它们写了多少内容，而这个数字，无论你还是 Sakana，都无法从定价页面上预测出来。

价格差距的诚实表述是：它是一种费率，而非总额。对于产出量无法预测的工作负载，高出五倍的费率并不等于五倍的成本——它是一个没有上限的倍数，却有一个可预测的下限。

规格表，以及决定成败的那一行

• 价格 — Fugu Ultra v2 每 100 万 tokens 输入 $5.00 / 输出 $30.00，对比 Qwen3.8-Max 输入 $2.00 / 输出 $6.00

• 缓存输入 — Fugu Ultra v2 每 1M $0.50，而 Qwen3.8-Max 每 1M 读取 $0.25，且 Artificial Analysis 测得的缓存折扣为 88%

• 长上下文附加费——超过 272K 个 token 时，Fugu Ultra v2 的输入价格翻倍至 $10.00，输出价格翻倍至 $45.00；而 Qwen3.8-Max 无长提示附加费，在整个上下文窗口内保持统一价格

• 上下文窗口 — Fugu Ultra v2 100万 tokens vs Qwen3.8-Max 100万 tokens

• 输出上限 — Fugu Ultra v2 未以单一数字公布，对比 Qwen3.8-Max 约为 128K tokens

• 输入模态 — Fugu Ultra v2 支持文本，背后依托该池自身的能力，对比 Qwen3.8-Max 的文本、图像、视频和 PDF

• 权重 — Fugu Ultra v2 闭源，池成员构成有意不披露，而 Qwen3.8-Max 则以自定义许可证发布了 Max 级检查点的开放权重

• 区域可用性 — Fugu Ultra v2 未在欧盟/欧洲经济区销售，而 Qwen3.8-Max 则可不受区域限制地获取

• 独立评估 — Fugu Ultra v2 没有任何已发布的评估结果，且任何 Fugu 模型都没有 Artificial Analysis 页面；而 Qwen3.8-Max 是 Artificial Analysis 上的一个实时条目，公布了速度、冗长度和每任务成本数据

把最后两行放在一起读，对比就更清晰了。Qwen3.8-Max 是一个可以按版本锁定、查阅许可证、下载检查点，并与第三方排行榜核对的模型。Fugu Ultra v2 则是一个无法审查、无法自托管、无法在欧洲购买、也无法在 Sakana 之外任何人那里验证的系统。272K 的附加费用让情况更复杂：超过该阈值后，Fugu Ultra v2 的输入费率翻倍，输出费率上涨一半，而 Qwen3.8-Max 的费率不变。对于这两个系统所面向的长周期文档和代码库工作而言，更便宜的那个标称价格也是更稳定的那个。

大家引用的 Qwen3.8-Max 数字已经过时了

如果你在过去两周里在任何地方读到过关于这个模型的内容，你很可能已经看到过 Artificial Analysis Intelligence Index 为 58、58.1 或 58.4。那些数字是真实的，但它们已不再是最新数据。Artificial Analysis 于 2026 年 9 月 7 日将其指数重新校准至 v4.3，全面压缩了分数，而 Qwen3.8-Max 的实时页面现在显示为40，在 200 个模型中排名第 30——并带有“已更新”徽章，表明该分数已被重述。较早的文章还带有按先前量表测得的努力税：每个任务 64 轮，而上一代 Qwen 为 14 轮，以及每个 Intelligence Index 任务约 1.14 美元。当前页面显示每个任务 2.67 美元、每秒 37.8 个输出 token，以及该指数上 1.8 亿个输出 token。

由此得出两点。首先，在重新校准的标尺上，Qwen3.8-Max 与前沿第二梯队的其他模型处于同一档位，而不是与前沿本身齐平；而任何你读到的、基于 58 分将其与 Claude Opus 5 或 Kimi K3 并列比较的内容，都是在比较来自不同标尺的快照。第二，而且对这场对决更有用的是，这一修正是单向的：Qwen3.8-Max 有一个可能先出错、随后再被修正的分数。Fugu Ultra v2 没有分数。本文中每一个 Fugu 数字都来自 Sakana 自己的评估，而截至 9 月 11 日，Fugu Ultra v2 或任何其他 Fugu 模型都没有 Artificial Analysis 页面——该 URL 返回 404。当厂商发布一个排行榜，而没有任何独立方运行过该模型时，这个排行榜就是全部记录。

它们实际重叠的地方，以及不重叠的地方

Sakana 报告称，Fugu Ultra v2 在八项基准中的五项上取得最佳或并列最佳成绩——GDP.pdf、Chartography、SWEFish、DeepSWE 和 Toolathon——并在八项基准中的七项上进入前二。该发布中给出的两个具体数字是 Chartography 的 48.3，同一表格中 Claude Opus 5 为 27.3，Claude Fable 5 为 29.5；以及 DeepSWE 的 74.3。阿里巴巴自己公布的 Qwen3.8-Max 数据行包括 Terminal-Bench 2.1 的 86.6、OSWorld-Verified 的 86.1、GPQA Diamond 的 92.6 以及 SWE-bench Pro 的 67.7。

注意那两个列表有什么共同点：没有。没有一个基准测试同时出现在两个供应商的表格中。没有任何一行可以让你把 Sakana 的数字和 Alibaba 的数字并排放在一起，然后读出谁胜出，这意味着对于“哪个在编程代理方面更好”这个问题的诚实回答是：没有已发表的证据能回答它。存在的是：一个系统有八行由供应商选定的数据，且没有外部验证；另一个系统除了供应商提供的数据行外，还有一个独立条目，衡量的是成本和速度，而不是能力的正面比较。这是证据上的空白，而不是模型上的差距，它应该改变你的购买方式：你无法根据基准测试在这些之间做选择，所以要根据你实际能够验证的属性来选择。

开放权重与未公开资源池的对比

这正是通常的锁定论点发生反转之处，而这也是这对组合最有趣的地方。

Sakana 为 Fugu Ultra v2 打造的卖点是自主权。一个可替换的开放模型与专用模型池意味着，没有任何单一供应商的定价决策、弃用时间表或政策变动能让你的产品垮掉，而此次发布通过指出该模型池的组成在 v2 中发生了变化，明确地阐明了这一点。该公司还直言不讳地表示，Fugu Ultra v2 的分数是在代理池中没有 Claude Fable 5、Claude Fable 5.1 或 GPT-6 Astra 的情况下取得的——声称在三个可用的最强模型上取得胜利，同时确认它一个都没有调用。无论这个池子里装的是什么，按照 Sakana 自己的说法，它都不是市场上的顶尖水平。

但这种对冲有一个不在价目表上的代价。你看不到那个池，你无法让某个成员加入或退出 Ultra 层级，你无法自行托管其中任何部分，而且你完全无法在欧盟/欧洲经济区运行它——基于新加坡、对其他实验室的权重进行编排，与拥有这些权重是截然不同的风险状况。Qwen3.8-Max 恰好反其道而行之。它是单一供应商的模型，因而会受制于这一家供应商的决策，但阿里巴巴以自定义许可证发布了 Max 级 Qwen3.8-2.4T-A95B 检查点的开放权重，这意味着那条逃生通道是真实存在的，而不只是修辞：如果定价或条款发生变化，这个模型可以从你自己的基础设施上提供服务。对于一个真正害怕供应商突然抽走垫脚石的团队来说，一个可下载的检查点，比一句关于某个你无权查看的池的承诺，是更强的保证。

对于同时在两者上运行 agent 的人来说，还有一个次一级的要点。Qwen3.8-Max 就在我们的目录里，输入 $2.00、输出 $6.00，这正是阿里巴巴的标价，0% 加价原样透传 —— 供应商调价当天就会落到同一个 key 上，自动故障转移则能覆盖被限流或已降级的供应商路径。Fugu Ultra v2 不在 OrcaRouter 上。它通过 Sakana 自家的 OpenAI 兼容 API 以及若干第三方平台触达你，而从更早的 Fugu 迁移过来只需改一行参数。路由器不能替代协调器，协调器也不能替代故障转移能力；如果你两者都想要，那你就是在同时运行两家厂商的系统，应当为两份账单做好预算。

你应该选哪一个

如果你需要一个可以预测、验证并随时脱身的模型，就选 Qwen3.8-Max。按标价计算，它的输出速率是 Fugu Ultra v2 的三分之一，它没有长上下文断崖，它接受图像、视频和 PDF，而 Fugu 池的模态则取决于底层智能体恰好支持什么，它发布了一个你可以回退到的检查点，它在各地都有销售，并且有一个实时独立条目衡量真正影响你账单的东西——每秒 37.8 个 token，以及一个你可以在投入前建模的每任务成本数字。它的弱点同样具体，值得点名：它很慢，在速度上位列 200 个中的第 154 名，它在该指数上极其冗长，达到 1.8 亿个 token，而 Artificial Analysis 单独测得它的幻觉率相较上一代从 23% 升至 40%，对于它被营销所针对的自主多步骤工作而言，这正是一个严重问题。为验证器编列预算，并大力利用深度缓存折扣。

如果你的工作是长期且可验证的，你的预算属于探索性而非生产性，并且你身处欧盟/欧洲经济区之外，那就选择 Fugu Ultra v2。协调器的结构性理由确实成立，供应商自己的示例也一致指向这一点——在单块 H100 上历时十四小时、包含 123 次实验的自动化研究运行，一个纯 Python 魔方求解器完成了全部 300 个打乱的魔方，而两个匿名化的前沿基线则彻底崩溃。这些是供应商挑选的示例，基线也已匿名化，因此它们的证明力低于表面看上去的程度，但模式是连贯的：在正确性可检验、难点在于持续性的任务上，派生一个验证器胜过让单个模型更用力地尝试。你买到的是那种持续性，费率是 Qwen3.8-Max 的五倍，而你身处一个无法审计其质量、也无法锁定其池的系统之中。以限定范围进行试点，衡量每完成一个任务的输出 token 数，而不是每个 token 的输出，并在首次运行前设定上限。

价签上的数字之所以不对，是因为这两款产品都把“一个答案的成本”从“一个 token 的成本”上挪开了。Fugu Ultra v2 的做法是分散调用它不愿透露名称的多个模型。Qwen3.8-Max 的做法则是思考 1.8 亿个 token。如果你已经知道自己每个任务的 token 用量，那这笔账算起来很简单，你应该去算。大多数团队并不知道这个数字，对他们来说，决策就归结为一件更简单的事：Qwen3.8-Max 是你可以审计、定价和弃用的选择，而 Fugu Ultra v2 是押注协调胜过能力的选择。两者都站得住脚。但只有其中一个能拿出凭据。