Fortytwo uruchamia Engine API i informuje o 24,7% mniejszym zużyciu tokenów w zadaniach programistycznych

Fortytwo uruchomiło Fortytwo Engine, interfejs API do wnioskowania, który wykorzystuje współpracujące modele AI, by usprawnić rozumowanie i ograniczyć ilość generowanego tekstu potrzebnego do wykonania zadania. Firma podaje, że pierwszy obsługiwany model, Qwen 3.8 27B, zużył o 24,7% mniej tokenów w 450 przebiegach zadań z zakresu inżynierii oprogramowania DeepSWE niż ten sam model działający samodzielnie, a jednocześnie rozwiązał większą część zadań.

Ogłoszenie dotyczy narastającego problemu kosztów związanych z agentami AI: niska cena za token nie musi oznaczać niskiej ceny za wykonane zadanie. Długie sesje programowania i badań mogą prowadzić do powtarzania kontekstu, niepotrzebnych wywołań narzędzi i ponawiania prób. Według firmy Fortytwo stara się ograniczyć tę niepotrzebną pracę na etapie wnioskowania, utrzymując cenę za token na poziomie ceny modelu bazowego.

Kierowanie procesem rozumowania, zanim błędy się nawarstwią

Fortytwo nazywa technologię, na której opiera się nowy Engine, Swarm Decoder. Wiele uczestniczących modeli wspólnie kształtuje ścieżkę rozumowania w trakcie jej generowania, oceniając, który kierunek jest lepszy, zanim odpowiedź zostanie ukończona. Celem jest wczesne wychwycenie słabych założeń i uniknięcie dodatkowego generowania oraz pracy potrzebnej do naprawienia skutków błędnego kierunku.

To zmiana w porównaniu z wcześniejszą architekturą Fortytwo. W badaniach Fortytwo z 2025 roku nad wnioskowaniem rojowym odrębne węzły tworzyły niezależne odpowiedzi, porównywały je bezpośrednio i łączyły najlepsze elementy. Firma opisuje mechanizm rankingu statystycznego, który przypisuje większą wagę sprawdzonym węzłom, a ocena wzajemna pomaga budować ich reputację. Wcześniejsze podejście oceniało ukończone odpowiedzi; nowy Engine przenosi ranking wzajemny do samego procesu rozumowania.

Ta różnica ma znaczenie w przypadku agentów, które wykonują wiele kolejnych kroków. Wybór najlepszej ukończonej odpowiedzi może poprawić wynik, ale nie odzyskuje tokenów zużytych już na generowanie słabszych alternatyw. Ciągłe ukierunkowywanie ma zapobiegać rozwijaniu się nieproduktywnej ścieżki od samego początku. Fortytwo podaje, że w rozliczeniu tokenów uwzględnia wszystkie uczestniczące modele, a nie tylko końcową odpowiedź.

Prezes zarządu i współzałożyciel Ivan Nikitin opisał podwójną korzyść: „Wspólne rozumowanie przynosi dwie korzyści: odpowiedzi są lepsze, a zadania wymagają mniej tokenów”.

Co pokazują testy Fortytwo

W przeprowadzonej przez firmę ewaluacji DeepSWE Engine uzyskał wynik 47,8 w porównaniu z 42,2 dla modelu bazowego, co oznacza wzrost o 5,6 punktu procentowego. Średnie zużycie tokenów w jednym przebiegu spadło z 16,3 miliona do 12,3 miliona. Fortytwo podaje, że we wszystkich 450 przebiegach model bazowy zużył łącznie 7,4 miliarda tokenów, a Engine — 5,6 miliarda.

Materiały związane z premierą podają również wyższe wyniki w pięciu innych testach porównawczych obejmujących nauki ścisłe, programowanie i ogólne rozumowanie:

Źródło: ogłoszenie Fortytwo o premierze. Wyniki porównują Qwen 3.8 27B z Engine i bez niego, zgodnie z protokołem ewaluacji firmy.

Są to wyniki podane przez firmę. Redukcja zużycia tokenów o 24,7% dotyczy konkretnie przebiegów DeepSWE; nie należy interpretować jej jako oszczędności zmierzonej we wszystkich testach porównawczych ani w każdym obciążeniu produkcyjnym. Dla programistów praktycznym sprawdzianem będzie to, czy model dokładnie wykonuje ich własne zadania przy mniejszej łącznej liczbie tokenów, ponowień prób i wywołań narzędzi.

Znany interfejs API z jasno określonymi ograniczeniami zgodności

Usługa jest dostępna za pośrednictwem platformy deweloperskiej Fortytwo. W dokumentacji API opisano zgodność z interfejsem OpenAI Chat Completions API, dzięki której istniejący zestaw SDK lub klient może korzystać z klucza API Fortytwo i podstawowego adresu URL, a także z obsługiwanego identyfikatora modelu.

Udokumentowane funkcje obejmują przesyłanie strumieniowe, narzędzia funkcyjne, równoległe wywołania narzędzi i ustrukturyzowane dane wyjściowe. Programiści mogą również wybrać poziom wysiłku związanego z rozumowaniem. Dzięki tym funkcjom usługa może przydać się agentom, które muszą wywoływać narzędzia programowe i zwracać wyniki czytelne dla maszyn, a nie tylko generować tekst konwersacyjny.

Zgodność ma swoje granice. W dokumentacji jako obsługiwane punkty końcowe wymieniono Chat Completions i listowanie modeli, natomiast interfejsy API takie jak Responses, Embeddings, Audio, Files i Assistants nie są obsługiwane. Niektóre pola żądań są obsługiwane tylko częściowo lub ich obsługa zależy od wybranego modelu, a użycie nieobsługiwanych pól powoduje zwrócenie błędu zamiast ich cichego zignorowania. Zespoły przenoszące istniejącą aplikację powinny zatem sprawdzić jej rzeczywiste żądania w dokumentacji zgodności.

Szerszy zakład na zbiorową AI

Engine uzupełnia ofertę Fortytwo Harbor, przeznaczoną dla organizacji, które chcą wdrożyć inferencję rojową we własnej infrastrukturze. Fortytwo przedstawia Harbor jako rozwiązanie pozwalające przechowywać dane w granicach organizacji i ponosić stały koszt sprzętu zamiast płacić za tokeny w ramach rozliczeń API.

Szerszy program badawczy firmy obejmuje również generowanie danych treningowych za pośrednictwem jej sieci modeli. Na stronie internetowej firma wyróżnia Strand-Rust-Coder-14B, otwarty model wytrenowany na zbiorze danych wygenerowanym przez Fortytwo. Te prace dotyczą trenowania modeli, natomiast nowy Engine koncentruje się na poprawie zdolności istniejących modeli o otwartych wagach do rozumowania w czasie inferencji.

Założona w 2024 roku firma Fortytwo informuje, że jej zespół liczy 15 inżynierów, pracujących między innymi w Mountain View i Abu Zabi. W 2025 roku pozyskała 2,3 miliona dolarów finansowania na etapie pre-seed, a w 2026 roku dołączyła do ekosystemu Hub71 w Abu Zabi. Po Qwen 3.8 27B planowane jest udostępnienie kolejnych otwartych modeli w ramach Engine.

W komunikacie o premierze nacisk położono na koszt wykonania zadania zakończonego sukcesem. Jeśli ciągła wzajemna ocena modeli będzie niezawodnie pozwalać uniknąć wystarczającej liczby niepotrzebnych operacji rozumowania, by zrównoważyć związane z nią dodatkowe koszty, deweloperzy mogą zyskać kolejny sposób na poprawę ekonomiki agentów — obok lepszych modeli i szybszego sprzętu.