Sakana Namazuとは？API料金とOpenAI互換での移行判断を実装目線で解説

Sakana Namazu は、Sakana AI が2026年8月3日に提供を開始した日本語特化のLLM APIです。無料のチャットサービスに載っていたモデルを更新し、外部のプログラムから呼び出せる形にしたものにあたります。この記事では、モデル識別子 sakana-namazu とOpenAI互換での接続方法、入力USD0.95・出力USD4という単価にWeb検索とコード実行の従量費が乗る料金構造、日本語と日本の商習慣に寄せた事後学習が何を変えたのか、そして初期設定での学習利用や提供地域の制約を踏まえて、社内システムの主系に置いてよい条件と見送るべき場面を整理しました。

まとめ｜Sakana Namazuを採用してよい条件と見送る場面の結論

先に結論を置きます。日本語の社内文書処理、たとえば問い合わせ対応の下書きや取引先向けメールの整形なら、Sakana Namazu は主系に置いて費用が合う製品です。入力USD0.95・出力USD4という単価は、2026年8月時点で公開されている Anthropic Sonnet 5 の入力USD3・出力USD15に対して3分の1前後。品質差が出にくい用途では、費用差がそのまま効いてきます。

ただし条件が3つ付きます。入力データが初期設定で学習・改良に使われうること、日本国内でのデータ処理完結が保証されていないこと、EU・EEA域内と英国・スイスからは利用できないこと。契約や拠点の事情次第で、技術検討の前に案件を止める要因になります。

見送りが妥当な場面も明確です。英語主体のドキュメント処理、超長文コンテキストを前提とした解析、誤りが直接損害につながる高信頼要件の工程。いずれも既存のフロンティアモデルを置き換える根拠が立ちません。事後学習の仕組みは、前世代を扱ったSakana AI Namazuの概要と事後学習で海外LLMを日本仕様に変える仕組みにまとめました。

Sakana Namazu APIの提供形態とチャット版から変わった3つの仕様

API版とチャット版は同じ名前ですが、呼び出し方も課金も規約も分かれており、実装者は別物として扱う必要があります。

API識別子sakana-namazuとエンドポイントで押さえる接続の最小構成

必要なものは、コンソール（console.sakana.ai）で発行するAPIキーとモデル識別子 sakana-namazu の2つだけ。エンドポイントは OpenAI 互換の /v1 形式で、2026年8月時点で報じられているベースURLは https://api.sakana.ai/v1 です。SDKの入れ替えは発生しません。

差し替えるのは base_url・api_key・model の3点のみ。既にOpenAI互換のクライアントを持つ現場なら、疎通確認まで数十分で届きます。この入り口の速さが実務上の訴求点です。

Web検索とコード実行のビルトインツールが肩代わりする実装範囲

Sakana Namazu は、Web検索とコード実行をビルトインツールとして内蔵しています。自前で検索APIを契約してツール定義を書き、サンドボックスを用意してコードを走らせる一式を省ける構成。加えて OpenAI 互換の function calling と画像認識にも対応しており、自社側で定義したツールを併用できます。

省けるのは実装だけで、費用は省けません。ビルトインツールはトークン課金とは別枠の従量費として積み上がります。実運用のコストにどう効くかは後段で数字を出します。

無料チャット版と有償API版で分かれる利用規約とデータの扱い

無料の Sakana Chat は、個人情報や第三者の機密情報の入力を規約で禁じています。API版はそこが緩むのではなく、扱いが別建てになったと理解するのが正確なところ。法人プランでは円建て支払いに対応するとの記載があり、請求まわりの条件も個別に変わります。チャット版の検証結果をAPI版の判断材料に流用すると、規約と料金の両方で前提がずれます。

Kimi K2.6ベースの事後学習が変えた日本語応答と中立性の実測値

Sakana Namazu は、ゼロから事前学習したモデルではありません。公開済みのオープンモデルを土台に、事後学習で振る舞いを書き換える方式です。

Kimi K2.6を基盤に選んだ理由と事後学習で書き換えた振る舞い

ベースは Moonshot AI が公開する Kimi K2.6 です。ここに自社データを当て、日本語表現と日本の商習慣への適応、回答回避や出力バイアスの低減をねらったチューニングが施されました。土台の性能はKimi K2.6とは｜1T-MoEの自律実行モデルの性能・料金・ローカル運用をご覧ください。

事後学習が狙う対象は、知識量ではなく応答の作法です。日本語の敬語体系、社内文書の型、日本の商習慣を前提にした文脈補完。英語圏のデータで学習したモデルが構造的に苦手とする領域で、追加学習の効き目が出やすい部分にあたります。

FairPoliticsQA 34.10%から56.30%への改善が示す回答傾向の変化

公表値のうち性格がはっきり出ているのが FairPoliticsQA で、34.10% から 56.30% へ改善したと示されています。この指標が測るのは知識の正確さではなく、政治・社会的な話題に対して回答を避けずに中立的に答えられるかどうか。海外製モデルが日本の業務で扱いにくくなる典型的な原因が、この回答回避でした。

数値は倍近くになりましたが、56.30% は満点から遠い水準です。行政・報道・公共分野の文書処理で使うなら、回避や偏りが残る前提でレビュー工程を残してください。改善幅の大きさと、無審査で通せることは別の話になります。

前世代のDeepSeek・Llama・gpt-oss構成から入れ替わった経緯

2026年3月に発表された当初のNamazuは、DeepSeek・Llama・gpt-oss の3系統をベースにした並列構成でした。それが今回、Kimi K2.6 という単一のベースへ移っています。製品名は変わらないまま、土台だけが入れ替わった形です。

注意したいのは、この入れ替わりが版番号として表に出ていない点。sakana-namazu は識別子が同じままベースが動きうるため、出力の癖が予告なく変わる前提で回帰テストを回してください。版更新時に何を見るかはFugu-Ultra v1.1とは？v1.0からの更新差分と移行判断が参考になります。

トークン単価とツール利用料で決まる実運用コストの試算と損益分岐

料金は従量課金のみで、初期費用も月額も発生しません。ただしトークン単価だけを見て見積もると、エージェント用途で実額が外れます。

入力0.95ドル・出力4ドルの単価表とキャッシュ入力の割引幅

2026年8月6日時点で公式の料金ページに掲載されている単価は次のとおりです。

効き目が大きいのはキャッシュ済み入力です。0.95ドルが0.15ドルになるので、削減率にして約84%。長いシステムプロンプトや社内規程を毎回前置きする設計では、キャッシュの可否で請求額が数倍変わります。固定部分は先頭にまとめてください。

Web検索の従量課金がトークン費を上回る損益分岐と月額の試算手順

Web検索は1,000回で7ドル、1回あたり0.007ドルです。入力トークンに換算すると約7,300トークン分、出力なら約1,750トークン分。検索を1回挟むだけで、そこそこの長さの文書1本を読ませたのと同じ費用が乗ります。

入力10,000・出力2,000トークンの問い合わせ応答なら、トークン費は0.0175ドル、1ドル155円換算でおよそ2.7円。ここにWeb検索を3回使わせると0.021ドルが加算され、合計0.0385ドルと2.2倍になります。検索回数がコストを決める、というのがエージェント用途での実像です。

見積もりは次の順で組んでください。

1. 1リクエストあたりの入力・出力トークン数を実測する（プロンプト固定部分とキャッシュ可否も記録）
2. ツール呼び出しの平均回数を、検索とコード実行に分けて実測する
3. 月間リクエスト数を掛け、トークン費とツール費を別々に積む
4. ツール費がトークン費を超えている場合は、検索回数の上限をアプリ側で設ける

月10万リクエスト規模で見るGPT・Claude系との費用差の実額

月10万リクエスト、1件あたり入力10,000・出力2,000トークンで置きます。Sakana Namazu のトークン費は約1,750ドル、およそ27万円。同条件で入力USD3・出力USD15の Sonnet 5 なら約6,000ドル、約93万円です。差額は月66万円ほど。

この差が効くのは、品質差が出にくい日本語の定型業務に限られます。英語の技術文書解析では、単価の安いモデルで手戻りが増えれば人件費で逆転する。料金体系の考え方はSakana Fugu（サカナ・フグ）とは｜使い方・料金・Fugu Ultraの性能と併せて見ると掴めます。なお Fugu の月額枠に Namazu は含まれず、別建ての従量課金です。

OpenAI互換クライアントからの切り替え手順と実装で詰まる箇所

OpenAI互換という表現には幅があります。どこまでが互換で、どこから自前対応が要るのかを先に切り分けてください。

base_urlとAPIキーの差し替えだけで動く範囲と動かない機能

チャット補完の基本的な呼び出しは、base_url・api_key・model の3点を差し替えるだけで通ります。メッセージ配列の形式、ロールの指定、ストリーミングの受け取りは既存コードをそのまま流用できる設計です。

書き換えが要るのは、モデル固有の拡張パラメータに依存している箇所。推論の深さを制御する独自オプション、プロバイダ固有のレスポンス項目を直接参照する処理、モデル名で分岐する条件式。この3つは移行時に必ず洗い出してください。

function callingと画像入力を含む互換範囲の検証チェック項目

公式には OpenAI 互換の function calling と画像認識への対応が明記されています。ただし互換の粒度は実装で確かめるほかありません。移行前に通しておきたい検証は次の項目です。

• 複数ツールを同時に返す並列 function calling が期待どおり動くか
• ツール引数のJSONスキーマ準拠率が、既存モデルと同水準か
• 画像入力のサイズ上限と、Base64とURL指定のどちらを受け付けるか
• ビルトインのWeb検索・コード実行と、自前ツール定義が併存できるか
• ストリーミング中のツール呼び出しイベントの形式が互換か

この5項目をテストスクリプト化しておけば、ベース更新時の再検証がそのまま回せます。

モデル識別子の固定とフォールバック経路を先に決める切り替え設計

sakana-namazu は識別子を保ったままベースが入れ替わった実績があります。本番でモデル名をハードコードしたまま運用すると、品質変化に気づくのが障害報告の後になりかねません。

推奨構成は、モデル名を設定値として外に出し、失敗時に別プロバイダへ切り替えるフォールバック経路を最初から持たせること。判断材料として応答レイテンシ、ツール呼び出し成功率、後述する品質スコアの3つを記録してください。単価改定のときにも同じ仕組みが効きます。

敬語と社外文書の品質を社内で検証するための評価設計と合否基準

日本語特化という訴求が自社の用途に効くかどうかは、公開ベンチマークでは判定できません。導入前に自社データで測る工程が要ります。

社外文書50件規模で作る敬語・語彙の評価データセットの作り方

評価データは、実際に自社で使っている文書から作ります。目安は50件。取引先向けメール、見積送付状、障害報告、社内規程からの回答を各10件強ずつ集めれば、日常業務の分布はおおむね覆えます。

各件に、入力（依頼文や元データ）と人間が書いた正解相当の出力をペアで持たせます。正解は1つに絞らず、許容できる表現の幅を注記として残す形が実務的です。社内の固有名詞や業界用語の表記ゆれも一覧にしておくと、後の採点が楽になります。

合否を分ける基準の置き方と人手レビューを減らす採点の自動化手順

採点は4観点に分けます。敬語の適切さ、固有名詞の表記正確性、事実の誤りの有無、文書の型への準拠。固有名詞と型の準拠は文字列照合で機械採点でき、人手が要るのは敬語と事実確認の2つに絞り込めます。

合否の線は用途で変えます。社内向けの下書き生成なら、事実誤りゼロ・固有名詞正確率95%以上で通してよい水準。社外へそのまま送る文書なら足りません。日本語出力の品質をどう見るかは、翻訳側で同じ課題を扱ったSakana Translateとは？Namazuで敬語・固有名詞に強い日英中翻訳を実装視点で解説とも重なります。

翻訳・要約用途で先に品質が落ちる典型パターンと差し戻しの判断線

崩れやすい箇所には傾向があります。まず社内固有の略語で、学習データに存在しない用語はそれらしい一般語に置き換えられがち。次に数値と日付を含む要約で、桁や年度の取り違えが混入します。3つ目が、自社・取引先・第三者の3者が登場する報告文で、敬語の向きが入れ替わる誤りです。

差し戻しの線はこう引きます。数値の誤りが1件でも出た用途では、その工程への自動適用を止める。表現の不自然さだけならプロンプト側の調整で詰める。この切り分けを先に決めないと、検証が延々と続いて導入判断が下りません。

入力データの学習利用と提供地域の制約から見た社内導入前の確認事項

技術検証より先に確認すべき条件が3つあります。ここで止まれば、性能がどうであれ案件は進みません。

初期設定での学習利用とコンソールからのオプトアウト手順の確認点

初期設定では、入力したデータがモデルの学習・改良に使われる場合があると明記されています。オプトアウトはコンソールの設定から可能。順序を間違えないでください。キーを発行し、設定を確認・変更してから、初めて実データを流す。この順番を守らないと、検証段階の入力が対象に入りかねません。

社内での承認プロセスでは、オプトアウト設定後の画面を証跡として残しておくと、後の監査で説明が通ります。設定がアカウント単位かプロジェクト単位かも確認し、環境を分けているなら全環境で設定してください。

国内処理が保証されない前提で決める入力データの持ち込み可否基準

公式には、データの処理を日本国内で完結させることは保証しないと記載されています。国産のLLMという語感から国内処理を前提に置くと、判断を誤ります。個人情報保護法上の越境移転の扱いと、秘密保持契約における第三者提供の条項。この2点は法務と先に詰めてください。

実務では、持ち込んでよいデータの範囲を先に決めるのが早い進め方です。公開情報と社内一般情報までは可、顧客の個人データと契約書原文は不可という形で線を引き、アプリ側でマスキングを挟む構成にします。線を引かずに始めると、使えないデータで作った評価結果が残ります。

EU・英国・スイスからの利用不可が影響する海外拠点の運用制約

2026年8月3日時点で、EU・EEA域内、英国、スイスからは利用できないと報じられています。日本国内だけで完結する業務なら影響はありません。問題になるのは、欧州に開発拠点や子会社を持つ企業です。

全社共通の生成AI基盤として選定する場合、欧州拠点だけ別モデルを使う二重構成になります。運用負荷とプロンプト資産の分裂を考えると、この時点で候補から外す判断も合理的。逆に国内業務に限定した用途なら、この制約は検討材料になりません。自社の拠点構成を確認してから性能評価に進んでください。

GPT・Claude系との使い分けとSakana Namazuを見送るべき3条件

全用途で置き換える製品ではなく、当てる場所を選ぶ製品です。

日本語の社内文書処理でSakana Namazuを主系に置いてよい条件

主系に置いてよいのは、処理対象が日本語で、社外へ出る前に人間の確認工程があり、扱うデータが個人情報や契約原文を含まず、拠点が国内に限られている場合です。この4つが揃うなら、単価差がそのまま費用削減として効きます。

当てどころは、問い合わせ一次回答の下書き、社内規程からのFAQ生成、議事録の要約、定型の社外文書のたたき台作成。いずれも人間のレビューが自然に入り、日本語の作法が品質を左右する工程です。自社の業務への組み込み設計から相談したい場合は、生成AI導入支援で要件整理から実装まで引き受けています。

英語主体・長文コンテキスト・高信頼要件で見送るべき3つの場面

1つ目は英語主体のドキュメント処理。日本語適応の事後学習は英語側の性能を伸ばすものではなく、既存のフロンティアモデルを置き換える根拠が立ちません。

2つ目は超長文コンテキストを前提とした処理。2026年8月6日時点で、コンテキスト長の公式な記載は確認できていません。数十万トークン規模の入力を前提とする設計なら、仕様が明示されるまで採用を保留してください。

3つ目が高信頼要件の工程。FairPoliticsQA の56.30%という水準は、中立性が改善途上であることを示しています。医療・金融・法務のように誤りが直接損害へつながる領域では、この数値を根拠に無人化の判断は下せません。

用途別ルーティングで複数モデルを併用する構成と外注時の設計論点

現実的な構成は、単一モデルへの統一ではなく用途別のルーティングです。日本語の定型業務を Sakana Namazu へ、英語や高難度の推論を既存のフロンティアモデルへ振り分ける。判定は入力言語と処理種別の2軸で足り、凝った分類器は不要です。

外注時に詰めておきたい論点は3つ。モデル差し替えを設定値で吸収する抽象化層を持つか、プロンプト資産をモデル非依存で管理するか、品質スコアの継続測定をどちらの責任範囲に置くか。契約前に握っておかないと、単価改定やベース更新のたびに追加費用の交渉が発生します。

よくある質問

Sakana Namazu の導入検討で実際に挙がる質問をまとめました。

Sakana NamazuとSakana Chatの違いは何ですか？

Sakana Chat は人がブラウザ上で直接モデルと対話する無料のサービス、Sakana Namazu API はプログラムから呼び出す有償の窓口です。搭載モデルは同系列ですが、料金体系と利用規約、データの取り扱いは別建て。チャット版で試した結果をそのままAPI版の前提にすると条件がずれるため、評価はAPIキーを発行して本番と同じ経路で行ってください。

Sakana Namazuの料金はいくらですか？

従量課金のみで、初期費用と月額費用はありません。2026年8月6日時点の単価は100万トークンあたり入力USD0.95・出力USD4.00、キャッシュ済み入力はUSD0.15です。加えてWeb検索が1,000回あたりUSD7.00、コード実行がセッション保持中1時間あたりUSD0.12かかります。エージェント用途では検索回数が請求額を左右するため、トークン費とツール費は分けて見積もってください。

既存のOpenAI SDKのコードをそのまま使えますか？

チャット補完の基本的な呼び出しであれば、接続先URLとAPIキー、モデル識別子の3点を差し替えるだけで動きます。OpenAI互換の function calling と画像認識にも対応。ただしプロバイダ固有の拡張パラメータ、レスポンスの独自項目を参照する処理、モデル名で分岐するロジックは書き換えが必要です。移行前に並列ツール呼び出しとJSONスキーマ準拠率の検証を通しておいてください。

入力したデータは学習に使われますか？

初期設定では、入力データがモデルの学習・改良に利用される場合があると明記されています。コンソールの設定からオプトアウトが可能です。実データを流す前に設定を変更し、変更後の画面を証跡として残してください。日本国内でのデータ処理完結が保証されない点も公式に記載があるため、越境移転の扱いと秘密保持契約の条項を法務と確認したうえで、持ち込むデータの範囲を決めることをおすすめします。

Sakana Namazuは海外拠点からも利用できますか？

2026年8月3日時点で、EU・EEA域内、英国、スイスからは利用できないと報じられています。日本国内で完結する業務なら影響はありませんが、欧州に開発拠点や子会社を持つ企業が全社共通の基盤に選ぶ場合、その拠点だけ別モデルを使う二重構成になります。拠点構成を確認してから候補に残すかを判断してください。

関連記事

• Sakana AI Namazuの概要と事後学習で海外LLMを日本仕様に変える仕組み：API化前の世代の設計思想と、事後学習でバイアスを是正する原理を扱っています。
• Kimi K2.6とは｜1T-MoEの自律実行モデルの性能・料金・ローカル運用を解説：土台になっているベースモデルの素の性能と料金です。
• Sakana Fugu（サカナ・フグ）とは｜使い方・料金・Fugu Ultraの性能をAPI実装目線で解説：同社で先行する有償APIで、料金体系の考え方を比較できます。
• Sakana Translateとは？Namazuで敬語・固有名詞に強い日英中翻訳を実装視点で解説：日本語出力の品質検証という観点が重なる隣接記事です。
• Fugu-Ultra v1.1とは？v1.0からの更新差分と移行判断を実装目線で解説：版が上がったときに何を見て移行を決めるかの型です。