作者：默思編輯部 發布：2026-09-17
總部位於東京的AI實驗室Sakana AI於2026年9月11日發表Fugu Ultra v2，以及定位為成本優化版本的Fugu Max。這款模型最特殊之處，在於它並非傳統意義上的單一巨型模型，而是一套建構在「學習型協調」（learned orchestration）架構之上的系統。
Fugu並非單一模型，而是一個經過訓練、專門負責將任務分派給模型池中其他模型執行、再將各個模型的回應彙整拼接成最終答案的「協調者」。使用者只需要將請求傳送給單一API端點，Fugu便會在背後自動判斷應該由模型池中的哪些模型來實際處理這項任務。這種架構與目前主流的「訓練一個愈來愈大、愈來愈全能的單體模型」思路截然不同，更接近於「訓練一個懂得指揮調度的『總指揮』，讓專業分工的團隊成員各司其職」的設計哲學。
Fugu Ultra v2在Chartography——一項專門評測視覺推理與資料判讀能力的基準測試中，取得48.3分的成績，相較之下，Anthropic的Opus 5僅取得27.3分，Fable 5則取得29.5分。這個結果之所以引人關注，是因為Fugu Ultra v2並未在其模型池中納入Fable 5、Fable 5.1，或GPT-6-Astra等目前公認最頂尖的前沿模型——換句話說，Sakana AI等於在證明，透過精巧的協調與任務分派機制，即使不依賴業界公認最強的單一前沿模型，同樣能在特定任務類型上取得超越這些頂尖模型的整體表現。
Fugu Ultra v2的定價為每百萬輸入token 5美元、每百萬輸出token 30美元，另設有快取讀取（每百萬token 0.5美元）與網路搜尋（每千次呼叫10美元）的獨立費率，並支援高達100萬token的上下文視窗，輸入格式涵蓋文字、圖片與PDF等檔案類型。
Fugu Ultra v2的成功案例，為AI模型研發路線的辯論提供了一個具體的反例：長期以來，業界主流敘事傾向認為模型效能的提升，主要仰賴持續擴大單一模型的參數規模與訓練資料量；Sakana AI這次證明的是，透過巧妙的任務拆解與多模型協作機制，即使不追求打造史上最大的單體模型，同樣能在特定任務類型上取得頂尖表現，甚至可能以更低的整體運算成本達成——這對資源相對有限、難以與資金雄厚的巨頭實驗室正面競爭參數規模軍備賽的中小型AI團隊而言，提供了一條具啟發性的差異化技術路線。
對於正在評估AI模型選型策略的開發者而言，Fugu Ultra v2的案例提醒了一件事：在特定任務類型（例如視覺推理、資料判讀）上，「協調型」架構可能比單純比較模型參數規模或知名度更值得參考的效能指標，建議在實際選型時，優先針對自身應用場景進行具體任務類型的基準測試比較，而非單純仰賴模型的整體知名度或參數規模做決策。
想建立能駕馭AI模型應用開發的扎實程式基礎，歡迎參考Python課程。