Fortytwo、コーディングタスクでトークンを24.7％削減したと報告し、Engine APIを公開

Fortytwoは、タスクの完了に必要な生成テキスト量を抑えながら推論能力を高めるため、複数のAIモデルが連携する推論API「Fortytwo Engine」を公開した。同社によると、最初に対応したモデル「Qwen 3.8 27B」は、DeepSWEのソフトウェアエンジニアリングタスクを450回実行したところ、同じモデルを単独で動かした場合と比べて使用トークン数が24.7％少なく、より多くのタスクを解決した。

今回の発表は、AIエージェントのコストをめぐる課題の深刻化を受けたものだ。トークン単価が安くても、タスクを1件完了するまでの費用が安くなるとは限らない。コーディングや調査に長時間取り組むと、コンテキストの重複や不要なツール呼び出し、再試行が積み重なることがある。Fortytwoは、推論プロセスの中でこうした無駄な作業を減らし、同社によると、トークン単価をベースモデルと同水準に保つことを目指している。

間違いが積み重なる前に推論の方向を調整

Fortytwoは、新しいEngineを支える技術を「Swarm Decoder」と呼んでいる。複数のモデルが、生成中の共通の推論経路を形作り、回答が完成する前に、どの方向がより有望かを評価する。誤った方向に進んだ後で発生する追加の生成や立て直しに伴う作業を避けるため、弱い前提を早い段階で見つけることが狙いだ。

これは、Fortytwoが以前採用していたアーキテクチャからの変更だ。同社の2025年のスウォーム推論研究では、個別のノードがそれぞれ独立した回答を生成し、それらを直接比較したうえで、最も優れた貢献を組み合わせていた。同社によると、実績のあるノードをより重視する統計的なランキング機構を採用し、ノード同士の評価を通じて各ノードの評判を確立していた。従来の方式では完成した回答を評価していたが、新しいEngineでは、ノード同士のランキングを推論プロセスそのものに組み込んでいる。

多くの段階を踏んで作業するエージェントにとって、この違いは重要だ。完成した回答の中から最良のものを選べば応答の質は高められるが、劣る選択肢の生成にすでに費やしたトークンは取り戻せない。継続的に方向を調整することで、そもそも生産性の低い推論経路が長引くのを防ぐことを目指している。Fortytwoによると、トークンの集計には、最終回答だけでなく、参加するすべてのモデルが含まれる。

CEO兼共同創業者のIvan Nikitinは、その利点は二つあると説明した。「集合的な推論は二重の効果をもたらします。回答の質が高まり、タスクに必要なトークン数も減ります。」

Fortytwoのテスト結果

同社のDeepSWE評価では、Engineのスコアは47.8で、ベースモデルの42.2を5.6ポイント上回った。1回あたりの平均トークン使用量は、1,630万から1,230万に減少した。Fortytwoによると、450回の実行全体では、ベースモデルのトークン総数が74億、Engineが56億だった。

公開資料ではさらに、科学、コーディング、一般的な推論にまたがる5つのベンチマークで、スコアが向上したと報告している。

出典：Fortytwoの公開発表。スコアは、同社の評価手順に基づき、Engineを使用した場合と使用しない場合のQwen 3.8 27Bを比較したもの。

これらは同社が公表した結果だ。トークン使用量の24.7％削減は、DeepSWEの実行で得られたものであり、すべてのベンチマークや本番環境のあらゆる処理で実測された削減率と捉えるべきではない。開発者にとって実際に重要なのは、自分たちのタスクをモデルが正確に完了し、総トークン数、再試行、ツール呼び出しを減らせるかどうかだ。

使い慣れたAPI、ただし互換性には明確な制限

このサービスはFortytwoの開発者向けプラットフォームから利用できる。APIドキュメントによると、OpenAI Chat Completions APIと互換性があり、既存のSDKやクライアントから、FortytwoのAPIキーとベースURL、および対応するモデルIDを使って利用できる。

ドキュメントに記載された機能には、ストリーミング、関数ツール、並列ツール呼び出し、構造化出力が含まれる。開発者は推論の強度も選択できる。これらの機能により、会話文を生成するだけでなく、ソフトウェアツールを呼び出し、機械可読な結果を返す必要があるエージェントにも適したサービスとなっている。

ただし、互換性には制限がある。ドキュメントでは、Chat Completionsとモデル一覧取得が対応エンドポイントとして挙げられている一方、Responses、Embeddings、Audio、Files、AssistantsなどのAPIはサポート対象外だ。一部のリクエストフィールドは部分的にしかサポートされないか、選択したモデルによって利用可否が異なる。また、未対応のフィールドは無視されず、エラーが返される。そのため、既存のアプリケーションを移行するチームは、実際のリクエストが互換性ガイドに適合するかを確認する必要がある。

協調型AIへのさらなる賭け

Engineは、自社のインフラ上にスウォーム推論を導入したい組織向けのサービスであるFortytwo Harborと並ぶ製品です。FortytwoはHarborについて、データを組織の境界内にとどめ、トークンごとのAPI課金ではなく固定のハードウェアコストを利用できる点を打ち出しています。

同社の幅広い研究プログラムには、モデルネットワークを通じた学習データの生成も含まれます。同社のウェブサイトでは、Fortytwoが生成したデータセットで学習させたオープンモデル、Strand-Rust-Coder-14Bを紹介しています。この取り組みがモデルの学習を扱うのに対し、新しいEngineは、既存のオープンウェイトモデルが推論時に行う推論の改善に重点を置いています。

2024年創業のFortytwoによると、同社にはマウンテンビューやアブダビを含む拠点に15人のエンジニアが在籍しています。また、2025年にプレシード資金として230万ドルを調達し、2026年にアブダビのHub71エコシステムに加わりました。Qwen 3.8 27Bに続くオープンモデルを、今後Engine向けに投入する計画です。

今回の発表では、タスクを成功させるためのコストに重点が置かれています。継続的なピア評価によって、評価自体のオーバーヘッドを上回るだけの無駄な推論を確実に防げるなら、開発者は、より優れたモデルや高速なハードウェアに加えて、エージェントの経済性を改善する別の手段を得られるかもしれません。