Sakana Fugu Ultra v2 解析：池子變小了，分數卻提高了

Fugu Ultra v2 是一種奇怪的升級：Sakana AI 於 2026 年 9 月 11 日推出它，而它的模型池已不再包含 Claude Fable 5、Claude Fable 5.1 或 GPT-6 Astra——這三款目前最強大的系統——卻仍宣稱能勝過這三者。這家東京實驗室新的高品質層級旗艦，與同日推出一款更便宜的兄弟產品 Fugu Max，在 Sakana 自家評測的八項基準中有五項拿下最佳或並列最佳，包括 Chartography 的 48.3，對比 Claude Opus 5 的 27.3 與 Claude Fable 5 的 29.5，以及 DeepSWE 的 74.3。這些數字無一經過獨立重現，而且至今沒有任何 Fugu 模型有 Artificial Analysis 頁面。那道落差正是重點所在：你被要求買下的，是一套協調層，而它全部的賣點就是——它不需要最好的模型，也能產出最好的答案。

Sakana AI 於 2023 年由《Transformer》論文共同作者 Llion Jones 與 David Ha 創立。Fugu 系列於 2026 年 6 月推出，是一套以單一模型形式交付的多代理系統：你呼叫一個 OpenAI 相容端點，而在其背後，一個受過訓練的協調器會拆解請求、生成代理，並綜合結果。這項研究真實存在且已發表——TRINITY（arXiv 2512.04695）演化出一個輕量級協調器，負責指派 Thinker、Worker 與 Verifier 角色；Conductor（arXiv 2512.04388）學會了代理之間的自然語言協調；Fugu 技術報告則位於 arXiv 2606.21228。Sakana 從未發表過的，正是所有人真正想要的東西：模型池中模型的身分，以及各項任務的路由決策。

相較於六月的 Fugu Ultra，實際上改變了什麼？

2.0 版是在原始版本約十一週後的一次小幅更新，並非全新架構。廠商自身的說法是，Fugu Ultra v2 與 Fugu Max 是「相同的核心協同編排架構」，針對兩項不同任務調校：Max 將成本效益的邊界往下推，Ultra 則將峰值能力往上推。模型 ID 是 fugu-ultra-v2.0，而 Sakana 表示從較早的 Fugu 移轉過來只需改一行參數，無須遷移 SDK——這是本次發布中最對消費者友善的一點。

實質性的變更在於首尾這兩項。首先，訓練截止點移至 20260828，因此協調器已針對當前世代的前沿模型重新調校。其次，而且有趣得多的是，候選池的組成出現了 Sakana 刻意公開宣傳的變化：Claude Fable 5、Claude Fable 5.1 與 GPT-6 Astra 都被明確排除。Sakana 的論點是，這證明了這些分數並不依賴單一的專有前沿模型；若你關心的是供應商鎖定、API 撤銷，或某個模型因出口管制而消失，這一點就很重要。

有一個 Sakana 並未多加著墨的二階後果。如果這個池子排除了三個可取得的最強模型，那麼與 Fable 5 和 Fable 5.1 的基準比較，就是在拿 orchestrator 即使想呼叫也呼叫不到的系統來比。這個比較是合理的——它是一個關於架構的主張，而不是關於取用權限的主張——但它並不是一場對等條件的測試，用來判定誰擁有更好的模型。它測試的是協調能否勝過原始能力。那是一個確實有趣的問題。它只是不是計分板乍看之下所暗示的那個問題。

這些數字，以及是誰產出它們的

本節中的每一項數字都是由廠商自行回報的。Sakana 並未發布任何評估框架、任何逐任務分數網格，也沒有重現方法，而這樣的協作編排設計讓獨立複製變得更加困難，而非更容易：要重現某個分數，必須以相同版本與相同拓撲存取集區中的每一個模型，而且按照設計，拓撲會隨每個請求而有所不同。

• Chartography（針對圖表與結構化文件的視覺推理）— Fugu Ultra v2 48.3、Claude Opus 5 27.3、Claude Fable 5 29.5 — 廠商回報

• DeepSWE（真實世界軟體工程）— Fugu Ultra v2 74.3 — 廠商回報，據稱能勝過每 token 成本高出三到五倍的模型

• 最佳或並列最佳名次 — 八項基準中的五項：GDP.pdf、Chartography、SWEFish、DeepSWE 與 Toolathon — 由廠商自行報告

• 排名前二 — 八項基準中的七項 — 由廠商報告

• 先前的 Fugu Ultra（2026 年 6 月，作為規模參照）— LiveCodeBench 93.2、GPQA-Diamond 95.5、TerminalBench 82.1、SWE-Bench Pro 73.7 — 廠商回報

Chartography 這一列值得受到它目前所獲得的強調，因為它是唯一一個與具名現行旗艦之間的差距並非微不足道的類別。在視覺推理基準測試上領先 Claude Opus 5 達 21 分，這種數字通常幾天內就會出現在獨立排行榜上。截至本文撰寫時，一個都還沒出現。請把這一列當成一個附有金額數字的假設，而不是已成定論的結果。

定價：與六月相比維持不變，而在輸出方面著實昂貴

Fugu Ultra v2 每百萬個輸入 token 收費 $5，每百萬個輸出 token 收費 $30，每百萬個快取輸入 token 收費 $0.50。當上下文超過 272,000 個 token 時，這些價格分別變成 $10、$45 和 $1.00。Fugu Max 則完全是另一種結構：每百萬個 token 輸入 $2、輸出 $6、快取 $0.25，無論上下文長度為何都固定不變，另外每次網路搜尋或抓取呼叫加收 $0.007。

關於那個定價表，有兩件事值得仔細閱讀。第一，輸出是輸入的六倍——這是個積極的比例，等於為模型的冗長程度定價，而協同編排本身就是件冗長的差事。一個會產生代理人並綜合其答覆的協調器會發出大量 token，而你得為全部這些 token 支付每百萬 30 美元的費用。Sakana 的效率主張是關於底層資源池，而不是關於系統代表你產出多少文字，而這兩者是不同的數字。要根據實際觀察到的 token 用量來編列預算，而不是根據那個標題費率。

第二個是 272K 斷崖。將超過某個門檻後的每 token 費率加倍，是為長上下文工作定價的合理做法，但這表示長上下文代理執行的有效成本，並不是定價頁面上的那個數字。如果你的工作負載剛好落在邊界附近，那麼在邊界的兩側，計算結果會有顯著差異。

Fugu 的訂閱方案——每月 20 美元的 Standard、100 美元的 Pro、200 美元的 Max，分別提供 10 倍與 20 倍額度——全都包含 Fugu、Fugu Ultra 與 Fugu Max 的使用權限。Sakana 也依據特定請求的資源池中最高階的方案，為基礎 Fugu 模型定價，並明確表示增加更多代理並不會讓帳單倍增。這與你自己呼叫多個前沿模型時所得到的扇出成本模式有實質差異。

Sakana 不會告訴你的事

詢問哪些模型回答了你的問題，而 FAQ 的回答很直接：「這類路由資訊依設計不予公開。」Ultra 與 Max 集區是固定的，因此你無法將特定供應商排除在外；只有基礎 Fugu 模型支援在主控台設定中逐模型選擇退出。企業客戶則可協商自訂配置。

那種不透明性，正是 Fugu 系列自六月以來招致批評的核心；而這是公允的批評，並非出於敵意。當一個編排器藉由結合其他實驗室的模型而獲得高分時，分數屬於整個系統——這確實是真實、站得住腳且可販售的東西——但它不會移轉到任何單一模型上，也無法受到稽核。評論者直言不諱：Fugu 並沒有擊敗旗艦，而是聘用了旗艦。在具備低成本檢查器的可驗證任務上，例如附有測試套件的程式設計基準測試，委員會確實能勝過其最佳成員。在沒有這類檢查器的任務上，由數個前沿模型取樣並回報最佳結果的評審小組，有一部分只是在回報運氣。Sakana 自身的類別選擇——Chartography、DeepSWE、Toolathon——偏向可驗證的那一端；這既是提出該主張的正確位置，也是該主張無法不付出代價就推而廣之的原因。

獨立測試人員也指出，延遲變異是協作編排的實際代價：在困難任務上，協調者會仔細斟酌，而在簡單任務上，這種斟酌純屬額外負擔。據稱，某位研究人員的著色器任務花了約三十分鐘，品質僅被評為可接受。

你實際上可以在哪裡取得它

Fugu Ultra v2 現已上線，可透過 Sakana 自家與 OpenAI 相容的 API 使用——只要把現有的客戶端指向該端點、帶上 API 金鑰，再改一行設定即可——也可透過多個第三方平台存取。OrcaRouter 並未提供 Fugu 系列模型；如果你想呼叫 Fugu Ultra v2，直接使用供應商自家的 API 是最直接的途徑。

值得留意的是 Sakana 隱含與之競爭的替代方案。讓 Fugu Ultra v2 得以運作的模型池，是由今日各自可獨立呼叫的模型所組成，而用來衡量它的對手，則是各團隊已經在跑的那些。Claude Opus 5、DeepSeek V4 Pro 和 Gemini 3.1 Pro 都在 OrcaRouter 上，以各供應商的原價、0% 加成提供，這意味著這些廠商任一家降價，宣布當天我們這邊就同步生效。如果你考慮採用協調器（orchestrator）的原因是韌性——不想讓生產環境路徑依賴單一供應商的可用性或單一供應商的政策——那麼一個能跨供應商自動容錯移轉的路由層，能在模型層面解決這個問題的一部分，而 Fugu Ultra v2 則在推理層面解決另一部分。一個 API 串接 200+ 個模型並具備容錯移轉，並不能取代受過訓練的協調器，而受過訓練的協調器也不能取代「不依賴單一供應商」。有些團隊會兩者都要。

合規的陷阱

Fugu 無法在歐盟或歐洲經濟區使用。供應商的措辭很明確：在努力符合 GDPR 與歐盟特定法規之際，尚未於 EU/EEA 提供；而在其他地區，存取可能受網路狀況或當地規則限制。若你的組織在適用範圍內有歐盟實體，這會讓 Fugu 這個選項不列入考慮，無論基準測試效能如何；這一點值得在評估之前、而不是之後就知道。

看什麼

有三件事能讓 Fugu Ultra v2 從一個有趣的宣稱，變成一個真正扛得起關鍵重任的選擇。一份獨立評估——一筆 Artificial Analysis 的收錄、一個 LMArena 的排名位置，任何背後有測試框架撐腰的東西——就能在一週內解決 Chartography 的疑問。由第三方在可驗證的程式設計基準上重現的數字，將能證實該架構所預測的系統級增益。而一份對外揭露的池，甚至只是部分揭露，也能讓買家推斷出：當他們把生產流量導向一個自己無法檢視的協調器時，究竟接受了哪些單點故障。

在那之前，誠實的立場是這樣。Fugu Ultra v2 是迄今最認真的一次嘗試，要把編排當成產品來賣，而不是研究展示；它來自一個有已發表研究成果撐腰的實驗室，其定價讓編排溢價變得明確而非隱藏。如果你的工作負載是長時程、可驗證，且限於 Sakana 能提供服務的地區，那就值得做一次範圍明確的試點，並開啟 token 計量。如果不是，那麼 Fugu Ultra v2 所被拿來衡量的那些模型，只差一次 API 呼叫，按定價表收費，還附有能證明它們實力的憑據。