把一堆开源模型组队，就能打赢 Opus 5？Sakana 的 Fugu 正在改写「谁最强」这道题

先说那个数字

48.3 对 27.3。

在 Chartography 这个考「读懂图表」的视觉推理基准上，Sakana AI 的 Fugu Ultra v2 拿了 48.3 分，而 Anthropic 的 Opus 5 是 27.3，Fable 5 是 29.5。差不多翻倍。

但我认为真正的重点不在这道题本身，而在于：Fugu 不是「一个更强的模型」，它是一支「模型战队」。

Fugu 是什么：不是模型，是调度器

Sakana AI 是一家东京的 AI 公司（共同创始人里有 David Ha 和伊藤錬）。Fugu 这个名字背后是一个挺反直觉的设计——它自己不太「生成答案」，它做的是读任务、拆解、把子任务分给池子里的模型、让它们互相检查、最后合成一个结果。

池子里装的是几十个开源和专用模型，其中还包括英伟达的 Nemotron 系列（这是和 NVIDIA 合作的结果）。底层是两套来自 ICLR 2026 的机制：

• TRINITY：一个进化出来的协调器，给池子里的每个模型分配角色——Thinker（想）、Worker（做）、Verifier（验）。
• Conductor：用强化学习学会「怎么提问」，为不同模型生成子提示词，并根据中间结果动态调整。

对调用者来说，这一切都是隐形的：它就是一个 OpenAI 兼容 API，你发一条标准请求，不需要知道背后到底派了谁上场。

9 月 11 日，它拆成了两个方向

这次发布的关键，是把同一套编排架构，往两个目标上优化：

Fugu Max，冲省钱。 定价是输入 2 美元、输出 6 美元每百万 token，官方称输出价比 Sonnet 5、GPT 5.6 Terra、Kimi K3 低 40% 到 60%。它在 6 个基准上拿到最好成绩（Terminal Bench 2.1、GPQA-D、AA-LCR、GDP.pdf、AutomationBench、以及自家内部的 SWEFish），在 10 个基准里有 7 个把「成本—性能前沿」往外推了一截。逻辑很简单：任务够简单，就派最便宜、够用的那个模型。

Fugu Ultra v2，冲性能。 Chartography 48.3、DeepSWE 74.3，8 项里 5 项第一或并列第一。但它最值得玩味的一句话藏在图表注释里：它的模型池里没有 Fable 5、Fable 5.1 和 GPT-6 Astra。换句话说，这些分数不是借某个「当前最强闭源模型」的光来的，训练截止日期是 2026 年 8 月 28 日。

为什么我觉得这事重要

过去十年，整个行业都在一条轴上赛跑：把模型做得更大、更贵。但真实世界的任务其实是二维的——能力是一维，成本是另一维。用万亿参数的模型去做一次简单的数据查询，不叫智能，叫浪费。

Fugu 想说的正是这句话：编排（orchestration）可以同时压低成本、抬高能力，而且因为模型池是可替换的，它天然抗供应商锁定、抗 API 撤销、抗地缘风险。Sakana 自己那句宣言挺有味道——「最强的 AI 永远不会来自单一的庞然大物，而是来自聪明的集体编排」。

但别急着信

我把话说在前面，这篇里几乎所有的数字都来自厂商自评，SWEFish 还是它自家内部基准，第三方复现是第一道要看的信号。几个具体的怀疑点：

• 模型池清单和路由机制不公开，你无法审计它到底调了谁。
• 多模型来回切换可能降低上下文缓存的复用率，还会额外产生「编排 token」。Sakana 没有公布 Max 的缓存命中率，也没给单任务的总 token 成本。初代 Fugu 就曾被用户吐槽「慢、额度烧得快」。
• 它没有开源权重，不能自托管，而且服务不在 EU/EEA 提供。

我的判断

Fugu 未必是当下最强的系统，但它指出了一个真实的方向：价值正在从「模型权重」往「路由层」迁移。

这不是孤例。9 月初，微软和 GitHub 也在 Copilot CLI 里塞了类似的东西叫 HydraFusion，把每个编程请求在 Single / Cascade / Critique 三种编排模式里实时路由。当「选哪个模型、怎么让它们协作」本身变成核心竞争力，我们评价一个 AI 产品的标准也得跟着变——不再是「它用了多大的模型」，而是「它知不知道什么时候该用哪个模型」。

对普通用户，这可能意味着更便宜的 AI；对做产品的人，这意味着「我把最强的模型接进来了」这句话，正在从战略变成一句废话。