如果你在搭 agent 或做模型选型，这条值得停下来看一眼，因为 Fugu Ultra 卖的不是参数规模，而是一种调度方式。Sakana AI 把它定义成"一个学出来的多智能体编排系统"——一个被训练去做两件事的语言模型：把任务路由到一个可热插拔的底层模型池，以及在需要时递归调用自己的实例。换句话说，你调的不是一个单体模型，而是一个会自己决定"这步交给谁、要不要再开一层"的调度器。 先把术语落地。"路由型/编排型模型"指的是：上层有一个决策模型，下层挂着若干能力各异的底层模型，决策模型根据任务把活分下去。这类思路过去多见于工程侧的人工编排（比如自己写代码判断简单问题走小模型、难题走大模型），而 Fugu Ultra 的不同点在于这套路由是"学出来的"，即编排策略本身被训练进了模型，而不是写死的 if-else。"可热插拔的底层模型池"意味着后端能换模型而上层接口不变；"递归调用自身实例"则是说它可以把一个大任务拆开、对子任务再起一个自己来处理，类似分治。Sakana 给它定的发力点很明确：复杂、多步的推理、编程与 agentic 工作流，追求的是答案质量而非单次响应速度。 规格与定价是这条里最硬的事实。上下文窗口 1M token，模态为纯文本输入输出，定价输入 $5、输出 $30 每百万 token。它支持可配置的推理强度（reasoning effort，让你按任务难度调投入的思考量）、工具调用，以及内置网络搜索。 定价这里有个容易被忽略但很关键的细节：编排过程本身消耗的 token 会按标准输入/输出 token 计费。对一个会路由、还会递归调自己的系统来说，这意味着你看到的不只是"一问一答"的 token，中间调度、子调用产生的 token 也都计入账单。所以 $5/$30 的单价只是起点，实际成本高度依赖它内部跑了多少轮——这类自编排模型的开销天然比单体模型更难预估，做预算时要把这点算进去。 放到坐标系里看：用编排/路由把多个模型组合起来并不是全新概念，工程上 MoE、模型路由、multi-agent 框架都沾边，但把"路由 + 递归自调用"打包成一个可直接通过 OpenRouter 调用的商用端点，并明确按 token 透明计费编排开销，是把这套思路产品化的一步。它对应的受众很具体：在做 coding agent、多步 reasoning 流水线、需要工具与联网的 agentic 应用的团队，可以省去自己手搓编排逻辑。 诚实的保留也得说清楚。原文没有给出任何基准分数，所以它在复杂推理或编程上到底比单体前沿模型强多少、值不值这个价，目前无从对照，只能等实测或第三方评测。OpenRouter 标注该模型由单一供应商托管、不做二次路由，发布于 6 月 24 日。换句话说，现在能确定的是它的形态、规格和价格，性能这一格还是空的——想用的人最好先小流量跑一轮，盯紧实际 token 消耗再决定。