Sakana อัป Fugu-Ultra เป็น v1.1 — บวกสูงสุด 7.9 จุด ราคาเท่าเดิม พร้อมเปิด endpoint ที่เสียบเข้า Claude Code ได้ตรง ๆ
วันที่ 24 กรกฎาคม 2026 Sakana AI ประกาศอัปเกรดเครื่องยนต์ orchestration ของตัวเองเป็น Fugu-Ultra v1.1 พร้อมของแถมที่นักพัฒนาสายเทอร์มินัลน่าจะสนใจกว่าตัวเลข benchmark เสียอีก — endpoint ที่เข้ากันได้กับ Claude Code ทำให้เอา Fugu ไปเสียบแทนโมเดลใน workflow ที่ใช้อยู่ได้เลย
ย้ำสั้น ๆ ว่า Fugu คืออะไรสำหรับคนที่เพิ่งเจอครั้งแรก: มันไม่ใช่โมเดลก้อนเดียว แต่เป็น ระบบ multi-agent ที่ห่อมาเป็น API เดียว — ข้างในคอยเลือกและประสานโมเดล frontier หลายตัวที่มีให้ใช้ทั่วไปให้ช่วยกันทำงาน แล้วส่งคำตอบเดียวกลับมา ประเด็นของ v1.1 จึงไม่ใช่ “เทรนโมเดลใหม่” แต่คือ เปลี่ยนไส้ใน pool เป็นโมเดล frontier รุ่นล่าสุด แล้วจูนการประสานงานใหม่
v1.1 ได้อะไรเพิ่ม
Sakana ระบุว่า v1.1 ทำคะแนนดีขึ้น ทุก benchmark ที่ทีมติดตาม โดยได้เพิ่มขึ้น สูงสุด 7.9 จุด เมื่อเทียบกับ v1.0 และแรงเป็นพิเศษที่ ProgramBench กับ Terminal Bench 2.1 — สองสนามที่วัดงานเขียนโค้ดและงาน agent ที่ต้องลงมือรันคำสั่งจริง ไม่ใช่แค่ตอบคำถาม
เคลมที่เป็นพาดหัวคือ Sakana บอกว่า v1.1 เอาชนะโมเดลชั้นนำอย่าง Fable 5 ได้ในงาน coding และ reasoning ที่ซับซ้อน ทั้งที่ไม่มี Fable อยู่ใน pool ของตัวเองด้วยซ้ำ — เป็นเส้นเรื่องเดิมที่ Sakana เดินมาตั้งแต่เปิดตัว Fugu เมื่อมิถุนายน: collective intelligence หรือทีมโมเดลที่จัดขบวนดี ๆ สู้โมเดลเดี่ยวที่ใหญ่กว่าได้
ข้อควรระวังที่ต้องพูดตรง ๆ: ตัวเลขทั้งหมดนี้มาจาก Sakana เอง หน้าประกาศไม่ได้แนบตารางคะแนนดิบให้ตรวจ และยังไม่มีการยืนยันจากบุคคลที่สาม ใครจะเอาไปตัดสินใจ ควรวัดกับงานจริงของตัวเองก่อน อย่าเชื่อพาดหัว
Claude Code interface — ของจริงที่เอาไปใช้ได้วันนี้
ส่วนที่กระทบงานประจำวันมากกว่าคือ Sakana เปิด Claude Code-compatible endpoints แปลว่าถ้าคุณใช้ Claude Code เป็นเครื่องมือหลักอยู่แล้ว คุณชี้มันไปที่ Fugu ได้ — แล้วสิ่งที่อยู่ปลายทางไม่ใช่โมเดลตัวเดียว แต่เป็นทีมโมเดล frontier หลายตัวที่ถูกจัดคิวให้ช่วยกันเขียน ดีบัก และรันโค้ด รายละเอียดการตั้งค่าอยู่ที่ console.sakana.ai/get-started
นี่เป็นแพตเทิร์นที่เริ่มเห็นบ่อยขึ้นในปีนี้ — “Claude Code-compatible” กำลังกลายเป็นหน้าปลั๊กมาตรฐานของ coding agent เหมือนที่ “OpenAI-compatible” เคยเป็นมาตรฐานของ chat API ผู้ให้บริการรายใหม่ไม่ต้องสร้าง CLI ของตัวเอง แค่ทำ endpoint ให้เข้ากันได้ ก็เข้าถึงคนที่ติดตั้งเครื่องมือไว้แล้วได้ทันที นอกจากนี้ Fugu ยังมีให้ใช้ผ่าน OpenRouter และ Vercel ด้วย
ราคาและข้อจำกัดที่ต้องรู้ก่อนกด
จุดที่ Sakana เน้นคือ v1.1 ราคาเท่ากับ v1.0 ตามหน้าราคาของ Fugu เอง fugu-ultra-v1.1 และ fugu-ultra-v1.0 คิดเรตเดียวกันต่อ 1M โทเคน:
| ราคา (ต่อ 1M tokens) | เมื่อ context > 272K | |
|---|---|---|
| Input | $5 | $10 |
| Output | $30 | $45 |
| Cached input | $0.50 | $1.00 |
นอกจากแบบจ่ายตามใช้ ยังมีแบบรายเดือน — Standard $20, Pro $100 (โควตา 10 เท่าของ Standard) และ Max $200 ต่อเดือน
ข้อจำกัดสำคัญที่ต้องรู้: Fugu ยังไม่เปิดให้ใช้ในเขต EU/EEA โดย Sakana ระบุบนหน้าเว็บตัวเองว่ากำลังดำเนินการเรื่องการปฏิบัติตาม GDPR และกฎเฉพาะของสหภาพยุโรปอยู่ — ประเด็นนี้ไม่กระทบผู้ใช้ในไทยโดยตรง แต่กระทบถ้าทีมคุณมีลูกค้าหรือ deployment ฝั่งยุโรป
มุมมอง AI Curator
สิ่งที่น่าสนใจของ v1.1 ไม่ใช่ตัวเลข 7.9 จุด แต่คือ โมเดลธุรกิจที่มันสาธิตให้ดู — Sakana ไม่ได้เทรนโมเดล frontier เอง ค่าใช้จ่ายในการ “อัปเกรด” ของพวกเขาคือการสลับโมเดลใน pool เป็นรุ่นใหม่แล้วจูนตัวประสานงาน ซึ่งใช้เวลาราวสองสัปดาห์ต่อรอบ ขณะที่ค่าเทรนโมเดล frontier หนึ่งตัวคือหลักร้อยล้านดอลลาร์ นี่คือการเลือกยืนเหนือชั้นโมเดล ไม่ใช่แข่งกับมัน
แต่ตำแหน่งนี้ก็เปราะบางในแบบของมัน — Fugu กำไรจากส่วนต่างระหว่างราคาที่ขายกับต้นทุนโมเดลข้างใน ถ้าเจ้าของโมเดลลดราคาลงเรื่อย ๆ (อย่างที่เห็นชัดในสัปดาห์นี้เอง) หรือใส่ orchestration/routing เข้าไปในผลิตภัณฑ์ตัวเองฟรี ๆ ช่องว่างนั้นก็แคบลงทันที Cursor เพิ่งออก Router ของตัวเองเมื่อ 22 ก.ค. — สัญญาณว่า “การเลือกโมเดลให้อัตโนมัติ” กำลังกลายเป็นฟีเจอร์พื้นฐาน ไม่ใช่สินค้า
สำหรับทีมไทย มุมที่คุ้มพิจารณาคือเรื่อง ความไม่ผูกกับเจ้าเดียว มากกว่าเรื่องคะแนน — องค์กรไทยหลายแห่งที่เริ่มเอา AI เข้าไปในงานจริงเจอปัญหาเดียวกันคือ เขียนโค้ดผูกกับ API เจ้าหนึ่ง แล้ววันที่ราคาปรับหรือโมเดลถูกปลดระวาง (อย่างที่ DeepSeek เพิ่งทำเมื่อวานนี้) ต้องมาไล่แก้ทั้งระบบ การมีชั้นกลางที่สลับโมเดลข้างหลังได้เองมีมูลค่าตรงนี้ — แต่ก็แลกมาด้วยการฝากชะตาไว้กับชั้นกลางอีกชั้นหนึ่งแทน ถ้าจะลอง แนะนำให้เริ่มจากงานที่ไม่วิกฤต วัดผลกับ workload จริง แล้วค่อยตัดสินว่าส่วนต่างราคาที่จ่ายเพิ่มคุ้มกับคุณภาพที่ได้จริงหรือไม่ — อย่าตัดสินจากตัวเลขที่ผู้ขายรายงานเอง
แหล่งข่าว
อ่านเพิ่มในหมวด เครื่องมือนักพัฒนา
DeepSeek เปิดโค้ด dsh-superagent ต้นแบบ coding agent แบบ Router-Worker ที่ออกแบบให้กินเวลาคนน้อยที่สุด
ทีม DeepSeek Harness เปิดซอร์ส dsh-superagent-prototype ภายใต้ MIT พร้อมบทความอธิบายสถาปัตยกรรม Super-agent แบ่ง Router ที่รับงานจาก GitHub หรือ Feishu กับ Worker ที่ทำงานขนาน repo ได้กว่า 7,000 ดาวในสองวัน แต่ทีมย้ำว่าเป็นโค้ดวิจัย และ worker รันแบบ danger-full-access
tandem.cpp แพตช์ llama.cpp ให้ CPU ช่วย GPU รันโมเดล MoE ที่ใหญ่เกิน VRAM เร็วขึ้นสูงสุด 3.3 เท่าบน RTX 4090
tandem.cpp เป็นชุดแพตช์ MIT สำหรับ llama.cpp ที่เก็บ expert ที่ใช้บ่อยไว้บน GPU และให้ CPU คำนวณส่วนที่เหลือ ผู้พัฒนารายงานว่า Qwen3.8-Flash-Next ได้ราว 97 token/s บน RTX 4090 กับ RAM 64GB เทียบกับ 29.8 ของ llama.cpp แต่ตัวเลขยังไม่มีคนนอกยืนยัน
Betelgeuse รัน Qwen3.8 Flash Next ขนาด 68GB บน RTX 3060 กับแรม 16GB ส่วน Basalt วัดให้เห็นว่าเอนจินที่เร่งด้วยแฟล็กลัดทำให้โมเดลลืมของ
Betelgeuse ฟอร์ก llama.cpp ที่เปิดเมื่อ 31 ต.ค. ดึง expert จาก NVMe เข้า VRAM ตามต้องการ อ้าง 22 tok/s แบบไม่ทิ้ง expert แต่ README เตือนเองว่ายังทดลองและตัวเลขมาจากคนละรอบ วันเดียวกันผู้พัฒนา Basalt เผยผลวัดว่าแฟล็กเร่งความเร็วทำคุณภาพ Q8 ตกไปใกล้ Q2