日本東京 AI 初創 Sakana AI 推出 Fugu Ultra v2 與 Fugu Max，並非重新訓練單一大型模型，而是讓系統按任務調度多個開源、閉源及專門模型協作。當中，Fugu Max 定價為每 100 萬 token 輸入 2 美元（約港幣 HK$15.6）、輸出 6 美元（約港幣 HK$46.8）。Sakana 聲稱，系統在接近頂級模型能力下，可把成本降至對手的 1/2 至 1/6，反映亞洲 AI 競爭正由「誰的模型最大」轉向「誰能以更低總成本完成工作」。Fugu Max 的輸出收費為每 100 萬 token 6 美元（約港幣 HK$46.8）。
這次更新的核心不只在於跑分。Fugu Ultra v2 面向高難度程式、研究及長鏈推理任務，Fugu Max 則鎖定企業日常部署。從亞洲 AI 勢力與性價比角度看，事件帶來 3 個問題：日本能否憑模型編排切入中美巨頭之間的市場空位；中國低價大模型會否削弱其價格優勢；以及香港企業追求成本效率時，如何處理跨模型資料流、私隱及管治風險。
日本不再只押注單一模型
Fugu Max 與 Fugu Ultra v2 定位不同，但均建基於「多智能體編排」。用戶只需接入 1 個 API，系統便會按任務難度、成本及所需工具，自行挑選或組合模型完成工作。換言之，Sakana AI 銷售的並非傳統上可按參數量獨立比較的基礎模型，而是整合不同模型能力、代理人及工具流程的決策層。有報道指出，Fugu Ultra v2 在若干基準測試中的表現高於 GPT-6 Astra 與 Claude Fable 5.1；更值得注意的是，Sakana 表示其模型池並未使用上述 2 個競爭模型。
從商業角度看，這種策略讓日本 AI 公司毋須與美國巨頭直接比拼運算資本，亦不用與中國公司競逐極低 token 單價，而是爭取企業最在意的成果：在可接受可靠度下，以較少 token、較低模型選擇成本及較少工程整合工作完成任務。Sakana 聲稱，Fugu Max 在 10 項基準測試中有 7 項拓展成本效益的 Pareto frontier，即在相近成本下提升表現，或在相近表現下降低費用。不過，相關比較主要來自供應商公布數據，企業採購前仍應按自身任務、語言資料及工具鏈進行獨立壓力測試。
性價比優勢面臨中國低價挑戰
若單看 API 標價，Fugu Max 對美國前沿模型確有吸引力。OpenAI 目前列出的 GPT-5.6 Terra 收費為每 100 萬 token 輸入 2 美元（約港幣 HK$15.6）、輸出 12 美元（約港幣 HK$93.6）；GPT-6 Astra 的收費則為輸入 10 美元（約港幣 HK$78）、輸出 50 美元（約港幣 HK$390）。Anthropic 的 Claude Sonnet 5 標準收費為輸入 2 美元（約港幣 HK$15.6）、輸出 10 美元（約港幣 HK$78）。因此，Fugu Max 每 100 萬 token 輸出收費 6 美元（約港幣 HK$46.8），低於多個美國模型的中高階選項，尤其適合客服摘要、文件處理、程式碼審查及企業知識檢索等大量重複工作。
不過，從亞洲 AI 勢力的完整比較看，Fugu Max 並非單價最低的選擇。中國 Moonshot AI 的 Kimi K3 官方定價為每 100 萬 token 輸入 0.30 美元（約港幣 HK$2.34）、快取命中 3 美元（約港幣 HK$23.4）、輸出 15 美元（約港幣 HK$117）。其輸入成本明顯低於 Fugu Max，輸出成本則較高。這意味着，若工作負載主要涉及長文件閱讀、知識庫檢索及大量輸入，中國模型的直接 API 成本優勢仍然突出；若工作重點是產生大量分析、程式碼或多輪代理回覆，Fugu Max 的輸出定價便更具競爭力。
整理 Sakana、OpenAI、Anthropic 與 Moonshot 公開價表可見，企業不應把每 100 萬 token 單價直接視為實際成本。代理式 AI 會反覆讀取上下文、呼叫工具、產生中間推理及多次驗證，最終帳單取決於輸入與輸出比例、快取命中率、失敗重試率及人工覆核成本。UiPath 首席產品及技術總監 Raghu Malpani 指出，企業由測試走向大規模部署時，障礙通常在於資料、整合及管治；編排層正是連接資料、系統、流程、人員及 AI 代理的關鍵。其調查顯示，已全面嵌入編排能力的受訪企業中，89% 表示代理式 AI 的投資回報符合或超出預期。
香港採用的關鍵是控制權
對香港企業而言，Fugu Max 所代表的多模型路線具有實際吸引力。金融、零售、物流、專業服務及跨境電商公司，往往同時要處理中文、英文及日文內容，亦可能需要因應不同任務使用中國、美國或開源模型。編排平台可減低團隊受制於單一供應商的風險，讓公司按工作性質分配模型：低風險內容草擬可採用較便宜模型，高風險的信貸、合約、醫療、交易或個人資料工作，則應提高人工覆核比例。
然而，多模型不代表風險更低。模型池愈多，企業愈要清楚掌握資料會傳送至哪個供應商、保存多久、可否用於訓練，以及系統如何記錄每次路由與輸出。香港個人資料私隱專員公署私隱專員鍾麗玲指出，AI 採購、實施及使用均應兼顧創新與個人資料保障。《人工智能：個人資料保障模範框架》要求機構建立 AI 策略及管治機制、進行風險評估及人類監督、持續管理模型與資料安全，並與持份者保持透明溝通。
亞洲 AI 進入營運競賽
Sakana AI 的 Fugu Max 顯示，日本正以編排能力尋找 AI 產業的高價值位置：毋須自行建立每個最強模型，仍可把模型選擇、工作流程及成本管治產品化。中國公司的優勢仍在低價、開源權重及龐大應用市場，美國公司則掌握前沿模型與開發者生態；日本的機會在於成為跨模型協作的中立控制層。
未來 1 年，亞洲 AI 的競爭勝負未必由單一基準測試決定，而在於企業能否量化每宗任務的準確率、延遲、token 用量、資料風險及人工覆核成本。當 AI 由聊天工具進入實際工作流程，Fugu Max 這類編排產品會否成為企業的「模型採購總閘門」，並改寫中美日 AI 公司的議價權，將是下一個值得觀察的問題。
