GPT-6 Astra 對決 Fugu Max：固定費率遇上分級計費

Fugu Max每百萬輸入 token 收費 $2.00，每百萬輸出 token 收費 $6.00，而且不論是 8,000 個 token 還是 800,000 個，都收這個價。GPT-6 Astra則收 $10.00 與 $50.00——直到某個請求的輸入超過 272,000 個 token，此時整個請求就改收 $20.00 與 $75.00。這個單一結構性差異，是這場對決中最關鍵的一件事，卻也正是被一場雙方都贏不了的跑分爭論所掩蓋的那一點。Sakana AI 於 2026 年 9 月 11 日發布 Fugu Max；O​penAI 自 2026 年 9 月 3 日起便已全面供應 GPT-6 Astra，而其計費標準在 10 月 7 日那波波及下方各層級的重新定價中始終未變。所以這並不是一場新機型的比較，而是兩種定價哲學之間的比較——其中一種是定價哲學，另一種則是披著定價哲學外衣的調度系統。

這兩張費率卡，請直接閱讀，而非摘要。

Sakana 自家的定價頁面異常直白地說明了 Fugu Max 在賣什麼。Fugu Ultra v2 的定價就像前沿模型應有的樣子——輸入 $5.00、輸出 $30.00、快取 $0.50，超過 272K token 後則有更高的級距：$10.00 / $45.00 / $1.00。同一頁面接著將 Fugu Max 的費率描述為 無論上下文長度為何皆固定。沒有需要預先規劃的更高級距。無論提示詞大小為何，都是 $2.00、$6.00、快取 $0.25。

GPT-6 Astra 則是相反的構造。它的第一級距可達 272,000 個提示 token，價格為 $10.00 / $50.00，快取輸入為 $1.00，快取寫入為 $12.50。超過這條界線後，請求會重新計價為 $20.00 / $75.00，快取輸入為 $2.00，快取寫入為 $25.00——而且是套用於整筆請求，並非只套用於超出部分。這就是 OpenAI 的文件內容，也是我們自家目錄今日的解讀，而且自九月以來未曾變動。

將這兩者就決定法案的關鍵構面並列對照：

• 輸入，短提示 — GPT-6 Astra 每 1M $10.00，對比 Fugu Max $2.00；Fugu Max 便宜 5 倍

• 輸出 — GPT-6 Astra 每 1M $50.00，相較於 Fugu Max $6.00；Fugu Max 便宜 8.3 倍

• 快取輸入 — GPT-6 Astra 每 100 萬 $1.00，對比 Fugu Max $0.25；Fugu Max 便宜 4 倍

• 長提示詞，超過 272K — GPT-6 Astra 每 1M $20.00 / $75.00，對比 Fugu Max $2.00 / $6.00，維持不變

• 上下文已追蹤 — GPT-6 Astra 1,050,000 tokens，最大輸出 128,000，相較於未公佈的 Fugu Max

• 輸入模態 — GPT-6 Astra 支援文字、圖像與檔案輸入、文字輸出，對比 Fugu Max 尚未公布

• 獨立評分 — GPT-6 Astra 在 Artificial Analysis Intelligence Index 上為 53，對比 Fugu Max 則無，未列於該排行榜

• 權重 — 兩者皆封閉；Fugu Max 根本不是檢查點

272,000 個 token 這條界線究竟在哪裡真正造成影響

在 GPT-6 Astra 上，一個 300,000 個詞元的請求，並不會比 270,000 個詞元的請求貴 10%。它對呼叫中的每一個詞元都按輸入 $20.00、輸出 $75.00 計價，這使得一旦跨過那條線，階躍式變化大約是輸入帳單翻倍，而輸出則增加 50%。在 Fugu Max 上，同樣的請求每百萬個詞元只要 $2.00 和 $6.00，就跟其他任何請求一樣。

這一點在這裡比在大多數比較頁面上更重要，因為這關係到 GPT-6 Astra 主打的用途。OpenAI 的定位是長時程、端到端的工作——九月九日發布的企業頁面將它描述為一種模型，能歷經許多步驟和長時間，把任務從指令一路做到完成品。一個不斷重新傳送持續增長上下文的代理迴圈，正是會在沒有人刻意決定的情況下，輕鬆越過 272,000 個 token 的那種形態。Astra 的 1,050,000 個 token 視窗，正好招來會觸發自身附加費用的工作負載。

Fugu Max 是為了相反的本能而打造的。Sakana 將其描述為把每項任務路由到能夠解決該任務的最精簡模型，而固定費率正是讓這種路由從外部看來清晰可辨的原因：無論協調器選了哪個模型、提示有多長，計費表讀數都一樣。還有一個差異會朝相反方向產生影響，且值得說明，因為定價頁面並未將其作為警告列出。Sakana 的頁面指出，網頁搜尋與網頁抓取會以堆疊費用計費——根據通話中涉及的頂級模型所計算的單一費率。因此，固定的每權杖費率確實是固定的，而複合呼叫則不一定是 2 美元與 6 美元。

這到底是誰的分數

Sakana 的發布資料表示，Fugu Max 在六項基準上取得最佳整體分數：Terminal Bench 2.1、GPQAD、AA-LCR、GDP.pdf、AutomationBench 和 SWEFish，其中 SWEFish 被描述為 Sakana 自家的內部程式設計基準。這六項聲稱都沒有附帶任何數據。該公司也聲稱，Fugu Max 在十項基準中的七項上擴展了成本效益帕雷托前沿，且其輸出定價比 Sonnet 5、GPT-5.6 Terra 和 Kimi K3 低 40–60%。這些陳述每一項都是 Sakana 自己的說法，且沒有任何一項已被重現——Artificial Analysis 沒有 Fugu Max 或任何 Fugu 模型的條目。

這種資訊的缺席，不只是這個特定對戰上的標籤問題，因為編排器的分數運作方式使然。Fugu Max 的結果，並不是單一模型在某個版本下的屬性。它是路由策略、一個 Sakana 尚未公布成員名單的模型池，以及一個受訓負責從中挑選的協調器，共同決定的屬性。Sakana 的模型池在這一次發布中擴大，納入了數量空前的開放權重與專用模型，並透過與 NVIDIA 的合作，點名 NVIDIA Nemotron 系列——然後就此打住。只要更換一個模型池成員，基準測試數字就會隨之變動，產品名稱卻完全不變。

有一個值得知道的狹窄例外，因為這是那種容易被忽略的細節。Sakana 關於九月發布的說明明確表示，Fable 5、Fable 5.1 與 GPT-6 Astra 並不在 Fugu Ultra v2 的池中。那句話是關於 Ultra v2 的。它完全沒提到 Fugu Max，而 Fugu Max 的成員名單仍未披露。因此，讀者其實想得到解答的問題——我被告知要替換的 $10/$50 模型，是否已經在 $2/$6 協調器裡面——這兩段陳述都沒有回答。任何人若告訴你它會落在哪一邊，都只是推論出來的。

在 GPT-6 Astra 這邊，證據形態不同，但並沒有比較簡單。Artificial Analysis 在其現行 Intelligence Index 上測得 53，每完成一項指數任務的成本為 $3.26，該次執行共輸出 60M 個 token，而排行榜中位數接近 85M，速度為每秒 44.6 個輸出 token——這使其在智慧指標上於 216 個模型中排名第 7，在速度上於 185 個模型中排名第 168。這些是第三方在固定測試套件上的測量結果，也是本頁最站得住腳的數字。O​penAI 自己對 Astra 的主打宣稱——FrontierMath Tier 4 的 98%、ARC-AGI-3 的 99.9%、ExploitBench 的 100%、Terminal-Bench 4.0 的 57.9%——是由廠商自行報告且未經重現，而 ARC-AGI-3 的數字尤其需要附上其測試框架：ARC Prize 在其標準測試框架下獨立執行時測得 62.7%，並公布 99.9% 是在一個會跨請求攜帶推理狀態的供應商轉接器下所得的結果。

路由對這樣的比較有何影響

實際的難處在於，這場對決中有一方在我們的目錄上，另一方則不在。GPT-6 Astra 透過一個與 OpenAI 相容的端點，在 openai/gpt-6-astra 上提供服務，並以 OpenAI 自家的牌價費率原樣轉嫁，我們自身不額外加價（0% 加成）——這表示當它的計量器有變動時，這裡的計量器會在同一天跟著變動，而不是等到某張毛利表更新時才變動。Fugu Max 並非由我們負責路由，本頁也沒有如此聲稱。它是透過 Sakana 自家的 OpenAI 相容 API 以及數個第三方平台提供給你，而且在 Sakana 努力達成 GDPR 合規期間，它並未在歐盟或歐洲經濟區提供。

因此，要在這兩者之間做一場真正的 A/B 測試，就是兩套整合、兩份帳單和兩組憑證，而且第二套還附帶區域限制。共用金鑰確實能換來的，是這場實驗中較便宜的那一半：把一部分流量固定導向 Astra 並置於自動容錯移轉之後，讓回滾成為一項設定變更，而不是一起事故。這是 Sakana 當作協調編排前提來販售的那種韌性的傳輸層版本——本質上較弱，但今天就能取得，而且是用在行為可固定到特定版本的模型上。

這項決定，以決定本身來表述

如果你的工作以文字為主、可驗證，且落在上下文範圍的長端，就選擇 Fugu Max —— 或者，如果主導你預算的數字是完成一項任務的中位成本，而非任何單次呼叫的成本，也該選它。固定費率相較於超過 272K 就翻倍的計量方式，是貨真價實的結構性優勢，而 $0.25 的快取輸入是兩份費率表中最積極的快取價格。不要僅憑發布頁面的說法就把它用在多模態管線上，因為發布頁面並未記載它是否接受影像。先測試它，並在開始前設定輸出 token 預算，因為協調器的 token 消耗量不是你從模型名稱就能估算出來的。

如果工作本質上具代理性、大量涉及電腦操作，而且會用到百萬 token 視窗的最上緣，那就選擇 GPT-6 Astra——這是獨立證據最強的工作負載，也是你真正在管理的是每任務成本、而非每 token 價格的情境。它在每項索引任務上 3.26 美元的成本偏高，而這個偏高有個細心買家看得出來的原因：該模型在那套測試上很精簡，只吐出 6,000 萬個 token，而中位數模型會吐出 8,500 萬個。在會產出成品、深入且多步驟的任務上，較高費率搭配較少 token，最終落點可能和低費率搭配大量 token 相同。不要為了短提示、高流量的流量而選它。當輸入價格是 Fugu Max 的五倍、輸出價格是其八倍時，從未接近 272K 門檻的工作負載，完全得不到 Astra 費率表所換來的任何東西。

誠實的總結是，這兩項產品與其說是互相對標定價，不如說是針對不同的恐懼來定價。Astra 的價目表是為害怕便宜模型在長任務中失敗的客戶而設計。Fugu Max 的價目表則是為害怕好模型被浪費在簡單任務上的客戶而設計。你的恐懼是哪一種，取決於你的流量型態，而兩家廠商的基準測試表都無法回答這個問題。

發布也是檢查過去出了什麼問題的時機：與這類模型相關、已記錄在案的 AI 事故與代理失效，都彙整於 OrcaRouter AI Incident Archive，其中每筆條目都附有各自的來源、嚴重程度、信心等級與爭議標記。