日本 AI 研究初创公司 Sakana AI 近期宣布了其多智能体编排系统的重大更新，推出了 Fugu Max 和 Fugu Ultra v2 两款新模型。这一发布标志着公司在降低 AI 运行成本与提升复杂任务处理能力之间取得了新的平衡，旨在解决当前大模型应用中面临的成本高昂与资源调度难题。
这两款模型均基于 Sakana AI 之前提出的“学习型编排架构”构建。与传统的硬编码规则或简单的提示词工程不同，这种架构允许 AI 模型学习如何最优地分配任务、调用不同的子模型，并在它们之间进行协作。这种机制类似于一个拥有高度自主性的“AI 大脑”，它不再是简单地输出答案，而是像一个项目经理一样，根据任务的复杂程度，动态地选择最合适的“专家”模型来协同工作。
Fugu Max 是一款侧重于成本效益的模型。在当前的 AI 市场中，算力成本往往占据了运营预算的很大一部分。Sakana AI 通过 Fugu Max 引入了动态路由机制，能够将任务精准地分发至轻量级、开放源代码或经过特定优化的模型（例如 NVIDIA 的 Nemotron 系列模型）。据官方数据显示，Fugu Max 的运行成本仅为每百万 tokens 2 美元或 6 美元。这种极具竞争力的定价策略，使得开发者能够在处理大规模数据或部署高频应用时，大幅削减基础设施开支，同时保持较高的任务处理效率。
另一方面，Fugu Ultra v2 则代表了该系列在峰值性能上的突破。作为旗舰版本，它旨在挑战行业内的最高标准。在最新的基准测试中，Fugu Ultra v2 展现出了惊人的实力，在 Chartography 基准测试中获得了 48.3 的高分，并在 DeepSWE 基准测试中取得了 74.3 的成绩。DeepSWE 通常用于评估 AI 在软件工程领域的代码修复和生成能力，这一分数的取得意味着 Fugu Ultra v2 在处理复杂编程任务、逻辑推理以及代码库操作方面具备了接近专家级开发者的水平。
这两款模型的发布对于整个 AI 行业而言具有深远的意义。首先，它们证明了通过智能的“编排”而非单纯堆叠参数，可以在不牺牲太多性能的前提下显著降低成本。其次，多智能体系统的兴起正在改变 AI 的应用范式，从单一模型处理一切转向“模型森林”协同作战。Sakana AI 的技术路径为这一趋势提供了有力的注脚。
在应用场景方面，Fugu Max 可能更适合用于需要高频次、低延迟处理的场景，如客户服务聊天机器人、实时数据过滤或简单的自动化工作流。而 Fugu Ultra v2 则更适合处理复杂的、需要深度逻辑推理的任务，例如高级代码生成、科研辅助分析或金融风控模型。随着企业对 AI 效率和成本控制要求的日益提高，Sakana AI 提供的这种“组合拳”策略，无疑为市场提供了一种全新的解决方案。
参考来源：MarkTechPost
原文链接
信息来源：MarkTechPost，原文链接：https://www.marktechpost.com/2026/09/10/sakana-ai-launches-fugu-max-and-fugu-ultra-v2-for-cheaper-stronger-multi-agent-orchestration/
