Sakana AI推出Fugu Max/Ultra v2，主打多Agent编排降本

Sakana AI 发布了 Fugu Max 和 Fugu Ultra v2，这是其 Sakana Fugu 系列的两款新模型。Fugu 并不是单一的基础模型，而是一个学习型的编排器，通过一个 API 将任务路由到底层的模型池。新发布的两款模型针对两个不同目标进行了调优：Fugu Max 追求每美元的最佳输出，Fugu Ultra v2 则面向困难、多步骤任务中的最高能力。

如何部署？支持，可作为托管 API 使用。两款模型均已上线，通过 Sakana 的 OpenAI 兼容 API 提供服务。不提供开源权重用于自托管，Sakana 也不在 EU/EEA 地区提供服务。

Sakana 为何将其定义为双轴问题

Sakana 的论证直接明了：真实工作负载需要将能力和成本作为一个整体来评判。将一个简单的数据查询发送到一个数万亿参数的模型是浪费金钱的。更优的系统会选择能够完成任务的最廉价方案。

Sakana 团队用 Pareto 前沿（Pareto frontier）来描述这一点。在这条前沿线上，获得更高质量意味着更高成本，降低成本则必然损失质量。Fugu Max 和 Fugu Ultra v2 共享同一套核心编排架构，仅优化目标不同。

此次发布节奏很快。Fugu 于 4 月进入 Beta，6 月达到正式可用，7 月新增了 Fugu-Cyber 和 Claude Code 接口。

Fugu 编排机制的工作原理

Sakana Fugu 技术报告将 Fugu 模型描述为它们本身也是语言模型。它们读取查询并动态为其构建 agentic 脚手架。训练结合了大模型微调、进化算法和强化学习。

该系统基于两篇 ICLR 2026 论文构建。TRINITY 使用一个轻量级进化协调器，在多轮对话中分配 Thinker、Worker 或 Verifier 角色。Conductor 通过强化学习训练，以发现自然语言协调策略和聚焦型提示词。

Fugu Max：更多模型，更低成本

Fugu Max 扩展了 Fugu 可编排的模型池，新增了大量开源权重模型和专用模型，其中包含通过 Sakana 与 NVIDIA 合作引入的 NVIDIA Nemotron 系列。Fugu Max 将每个任务路由到能够解决该任务的最精简模型。

Sakana 团队报告如下：

定价：输入 token 每百万 2 美元，输出 token 每百万 6 美元。

输出价格：比 Sonnet 5、GPT 5.6 Terra 和 Kimi K3 低 40% 到 60%。

性能：在 6 项基准测试中拿下最优综合得分：Terminal Bench 2.1、GPQA Diamond、AA-LCR、GDP.pdf、AutomationBench 和 SWEFish。

效率：在 10 项基准测试中的 7 项上扩展了成本-性能的 Pareto 前沿。

Sakana 将 Fugu Max 定位为以 2 倍至 6 倍更低的成本接近顶尖模型水平。SWEFish 是 Sakana 自建编码挑战题目的内部基准测试，该结果视为厂商信号，供参考。

Fugu Ultra v2：抬高天花板

Fugu Ultra v2 面向复杂推理、自主研究和全栈软件开发。其最大提升出现在对视觉和结构化数据的持续推理任务中。

Chartography（视觉推理与数据解读）：48.3 分，而 Opus 5 为 27.3 分，Fable 5 为 29.5 分。

DeepSWE（真实世界软件工程）：74.3 分，领先于那些每 token 定价高出 3 至 5 倍的模型。

广度：在 8 项基准测试中的 5 项取得最优或并列最优：GDP.pdf、Chartography、SWEFish、DeepSWE 和 Toolathon。

一致性：在 8 项基准测试中的 7 项位列前二。

Fable 5、Fable 5.1 和 GPT-6-Astra 不在 Fugu Ultra v2 的模型池中。该模型的训练截止日期为 2026 年 8 月 28 日。Sakana 的核心信息是：不依赖任何单一专有模型即可达到前沿输出。研究团队表示，这降低了厂商锁定、API 撤销和突发服务中断的风险。

交互式解读

Fugu Max 输入/输出 token 每百万价格为 2/6 美元，目标是在每美元成本下获得最佳输出。

Fugu Max 在 6 项基准测试中取得最优综合得分，并在 10 项中的 7 项扩展了前沿边界。

Fugu Ultra v2 在 Chartography 上得分 48.3，在 DeepSWE 上得分 74.3。

Ultra v2 在不包含 Fable 5、Fable 5.1 或 GPT-6-Astra 的情况下达到了这些分数。

两款模型均已上线，通过 OpenAI 兼容 API 提供，现有用户只需改动一行代码即可切换。

查看技术详情和项目页面。也欢迎关注我们的 Twitter，记得加入我们 15 万+人的 ML SubReddit 并订阅我们的Newsletter。等一下！你用 Telegram 吗？现在也可以加入我们了。

想与我们合作推广你的 GitHub 仓库、Hugging Face 页面、产品发布或网络研讨会吗？联系我们吧。