这是什么？为什么值得关注？

过去十年，AI 行业基本在沿着一条轴赛跑：把模型做得更大、更贵。但 Sakana AI 认为真正重要的前沿是二维的——能力一轴，成本一轴。用一个多万亿参数的大模型去查一条数据，不是智能，是浪费。

Fugu 的思路是：让系统自己判断该派哪台"机器"去干活。简单任务路由给轻量开源模型，复杂任务才动用重装火力。这次的两个新品是同一套编排架构的两种取向：

• Fugu Max：在最低成本下做到最好的输出——面向预算敏感的日常与编码负载。
• Fugu Ultra v2：在复杂多步任务上冲到能力天花板——面向自主研究、全栈开发这类硬活。

Fugu Max：更多模型，更少花钱

Fugu Max 整合了迄今最大规模的模型池，包括通过与 NVIDIA 合作接入的 Nemotron 开源系列。它把任务动态路由给"能解决它的最便宜模型"，官方给出的关键数据：

在 10 项基准中，Fugu Max 有 7 项扩展了"成本-性能效率前沿"（Pareto frontier）——也就是说，在同等价格档位里，目前没有单一模型能同时做到它的性能和成本。

Fugu Ultra v2：不靠闭源巨兽，也能冲到前沿

旗舰档的 Fugu Ultra v2 主攻持续推理、复杂视觉与结构化数据。官方强调一个关键点：它的模型池里没有 Fable 5、Fable 5.1 和 GPT-6 Astra——也就是说，这些成绩不是靠调用别人的闭源前沿模型刷出来的。

• 8 项基准中 5 项最佳或并列最佳：GDP.pdf、Chartography、SWEFish、DeepSWE、Toolathon；8 项中 7 项进前二。
• Chartography（视觉推理与数据解读）拿下 48.3 分，对比 Opus 5 的 27.3 和 Fable 5 的 29.5。
• DeepSWE（真实软件工程）74.3 分，超过单价贵 3-5 倍的模型。

对企业的实际意义是：编排一个可替换的开源模型池，既能对抗厂商锁定、API 被 revoke、区域服务中断这类风险，又不用在能力上妥协太多。

怎么用？多少钱？

作为参照，Fugu 从 4 月的 beta、6 月正式商用 + Ultra v1、7 月的网络安全特化版 Fugu-Cyber、8 月的 Sakana Chat 与 NVIDIA 合作，到今天的 Max / Ultra v2，一年内走完了从论文设想到企业级产品的路。

对你的意义

如果你是开发者：Fugu Max 给了"前沿级编码/Agent 能力、1/2 到 1/6 价格"的新选项，尤其适合大批量自动化任务。如果你在企业里做技术选型：开源模型编排这条路，第一次在硬基准上证明了自己不必依赖闭源巨兽。对普通读者一句话：AI 竞赛的叙事，可能正在从"谁造的模型最大"转向"谁最会调度一堆模型"。