Sakana AI 釋出 Fugu Max 與 Ultra v2：編排開源模型，輸出成本降 60%

讓一個萬億引數的龐然大物去替你查一個簡單的資料，在今天看來已經不是炫技，而是浪費。

Sakana AI 正式釋出了 Fugu Max 和 Fugu Ultra v2。這不是兩顆從頭訓起的大單體模型，而是一套多模型編排架構。它們把大量開源模型與專精模型塞進一個動態資源池裡，根據任務難易度來回切換排程。

一個負責省錢，一個負責衝頂

這兩套系統的底層架構完全一樣，只是調優的目標剛好分成兩個方向。

Fugu Max 主打價效比。它的定價直接壓到了輸入每百萬 token 2 美元、輸出每百萬 token 6 美元。對比 Sonnet 5、GPT 5.6 Terra 和 Kimi K3，輸出成本降了 40% 到 60%。在模型池裡，它大量吃進了包括輝達 Nemotron 在內的開源和垂類模型，在 Terminal Bench 2.1、GPQAD、AA-LCR、GDP.pdf、AutomationBench 以及 Sakana 自己的 SWEFish 這六項基準測試上拿到了頭名。

另一邊的 Fugu Ultra v2 則負責死磕極限能力。面對複雜的長鏈條推理、視覺資料分析和全棧開發，它在八個基準測試中的五個拿到了第一，包括 DeepSWE 上拿下 74.3 分，在圖表視覺推理測試 Chartography 上拿到了 48.3 分，遠超 Opus 5 的 27.3 和 Fable 5 的 29.5。

最值得注意的一點是，Sakana 明確表示 Fugu Ultra v2 的模型池裡完全沒有納入 Fable 5、Fable 5.1 或 GPT-6-Astra。它只靠排程開源和專精模型，就壓過了這些閉源旗艦。

對開發者來說接入門檻也很低，兩款系統都相容標準的 OpenAI API 格式。如果你之前已經在用 Fugu，改一行引數就能直接切換。

為什麼重要

我們認為，Sakana AI 這一步走得相當清醒。行業過去幾年都在賭「單體模型越大越好」，但真正在業務裡跑過 AI 的人都知道，昂貴的前沿旗艦用在雜活上就是純燒錢。Fugu 這套多模型編排方案，給企業和開發者指了一條很務實的路：用便宜的模型兜底，用專精的模型攻堅，把算力和 token 賬單打下來。

它最直接的吸引力在於降低供應鏈風險。如果你的業務全綁在某一家頭部閉源巨頭的 API 上，一旦遇到介面政策調整、價格上漲或者地緣限制，系統就會瞬間癱瘓。而 Sakana 證明了用可隨時替換的開源模型池，同樣能跑出頂尖的工程程式碼和推理水準。

不過隱患也顯而易見。多模型排程非常依賴路由策略的準確率。系統能不能每一次都精準挑中那顆最輕、最便宜且剛好能解題的模型，而不是在排程層來回折騰增加延遲，在長文本、高併發的真實生產場景裡還需要進一步驗證。但看起來，這種不造單體怪獸、轉做智慧排程的思路，正在逼著靠賣高價 API 維生的閉源大廠們重新算賬。