Sakana AI发布Fugu Max与Fugu Ultra v2：面向成本与能力双优化的多智能体编排系统

不是基础大模型，而是可学习的智能体调度器

Sakana AI此次发布的Fugu Max与Fugu Ultra v2，并非传统意义上的单一大型语言模型（LLM），而是其Fugu系列中的新一代「学习型编排器」（learned orchestrator）。Fugu本身不直接生成文本，而是在单一API接口后动态调度一个异构模型池——根据输入任务特性，实时选择并组合最适配的模型（如Thinker、Worker或Verifier角色）协同完成工作。该架构融合大规模微调、进化算法与强化学习进行训练，技术基础源自Sakana团队在ICLR 2026发表的两篇论文：TRINITY（轻量级进化协调器）与Conductor（基于自然语言策略的强化学习调度器）。

双轨优化：Fugu Max重效率，Fugu Ultra v2攀能力

Sakana将实际AI工作负载的评估明确归结为「能力-成本」二维权衡问题，并以帕累托前沿（Pareto frontier）描述二者不可兼得的张力关系。Fugu Max与Fugu Ultra v2共享同一核心编排框架，差异仅在于训练阶段的优化目标设定：前者以「每美元产出质量」最大化为准则，后者则以「攻克复杂多步任务」的能力上限为首要目标。

Fugu Max大幅扩展了可调度模型池，新增纳入NVIDIA Nemotron系列等开源权重模型及专用模型。它为每个请求自动匹配“能胜任任务的最精简模型”，从而压降开销。官方数据显示，其输出token单价比Sonnet 5、GPT 5.6 Terra及Kimi K3低40%–60%；在Terminal Bench 2.1、GPQA Diamond、AA-LCR、GDP.pdf、AutomationBench与SWEFish共6项基准测试中取得综合最高分；并在10项评测中的7项上拓展了成本-性能帕累托前沿，宣称以2–6倍更低成本达到接近顶尖模型的输出水平。

Fugu Ultra v2则瞄准长程推理、自主科研与全栈软件开发等高阶场景，尤其在视觉与结构化数据持续推理任务中表现突出：Chartography（图表理解与数据解读）得分48.3，远超Opus 5（27.3）与Fable 5（29.5）；DeepSWE（真实世界软件工程任务）达74.3分，超越价格高出3–5倍/token的竞品。它在GDP.pdf、Chartography、SWEFish、DeepSWE与Toolathon等5项基准中位列第一或并列第一，并在8项测试中的7项保持前两名稳定性。值得注意的是，其模型池中未包含Fable 5、Fable 5.1或GPT-6-Astra等闭源高价模型，训练数据截止至2026年8月28日。Sakana强调，这一设计可降低对单一供应商的依赖风险，规避API突然停用或服务中断隐患。

即时可用，但有限制条件

两款模型均已上线，通过Sakana提供的OpenAI兼容API开放调用，现有用户仅需一行代码切换即可接入。但需注意：所有模型均不开放权重，无法本地自托管；且该服务目前明确不面向欧盟/欧洲经济区（EU/EEA）用户提供。