Fugu AI

摘要：Sakana Fugu 是日本 AI 独角兽 Sakana AI 于 2026 年 6 月 22 日正式商业化发布的多智能体编排系统，以单一 OpenAI 兼容 API 的形式对外提供服务。它并非传统意义上”更大更强”的单体基座模型，而是一个专门学习”何时调度、调度谁、如何整合”的编排型语言模型，通过动态调用底层可替换的 Worker 模型池完成复杂多步骤任务。旗舰版本 Fugu Ultra 在 SWE-Bench Pro、GPQA-Diamond、LiveCodeBench、Humanity’s Last Exam 等硬核基准上接近或超越 Fable 5、Mythos Preview、Opus 4.8、GPT-5.5 等前沿单模型，Sakana AI 将其定位为降低单一供应商依赖、保障”AI 主权”的现实蓝图。

官网入口：https://sakana.ai/fugu
技术报告：https://github.com/SakanaAI/fugu/blob/main/Fugu_technical_report.pdf
控制台：https://console.sakana.ai/login

一、产品定位与发布背景

1.1 发布主体

Sakana AI 是一家 2023 年 7 月成立于东京的日本 AI 独角兽，由 Transformer 论文第五作者 Llion Jones 联合 David Ha、Ren Ito 创办，公司名”Sakana”取自日语”魚”（さかな），寓意借鉴鱼群基于简单规则协同涌现群体智能的思路，以小模型组合逼近大模型能力。公司此前已发布 The AI Scientist、Continuous Thought Machines、AB-MCTS 探索引擎及企业研究代理 Sakana Marlin 等成果。

1.2 Fugu 的产品定位

Fugu（河豚）是一个 LLM，但它并不直接回答用户问题，其核心职能是”决定让谁来回答”。

• 多智能体编排系统（Multi-Agent Orchestration System）：将完整的多智能体协作流程封装为单一基础模型对外输出，用户调用一个 API 即可获得经过拆解、委派、验证、合成后的最终答案，中间调度过程对调用方透明。
• 编排型语言模型（Orchestrator Model）：区别于以参数规模和训练数据量取胜的单体大模型，Fugu 的训练目标是学习”何时委派任务、Agent 之间如何通信、如何将多方结果整合为可靠答案”，即把编排能力本身模型化。
• AI 主权蓝图（AI Sovereignty Blueprint）：底层 Worker 模型池完全可替换，当某家供应商因出口管制或政策变化断供时，Fugu 可动态绕开并切换至其他可用模型，规避单一供应商锁定风险。

1.3 发布动因

Sakana AI 在博客中提出，过去几年 AI 进步主要依赖暴力堆算力与数据，但现实复杂任务所需的专业知识已超出单一模型能力边界；近期 Anthropic 旗下 Fable、Mythos 等模型被施加出口管制的事件，进一步暴露了组织乃至国家将关键基础设施寄托于单一供应商 API 的系统性弱点。Fugu 的设计正是对”越大越好”范式与单点依赖风险的双重回应。

二、核心技术原理

2.1 研究基础

Fugu 的技术路线建立在 Sakana AI 发表于 ICLR 2026 的两篇论文之上：

• TRINITY：提出一种轻量级”进化协调器”，自适应地为不同任务分配 Thinker（思考者）、Worker（执行者）、Verifier（验证者）三种角色，协调器本身通过进化算法优化，不依赖人工设定的调度规则。
• Conductor：通过强化学习训练出一个能够动态选择模型、规划多步工作流的编排主控模型，将异构大模型视为即插即用的集体智能网络。

2.2 四大基础机制

技术报告将 Fugu 的工作机制归纳为四个环节：

1. 问题类型识别（Task Classification）：判断输入属于代码、数学、推理、信息检索、科学分析还是多模态任务，这是后续派活逻辑的起点。
2. Worker 模型选择（Worker Selection）：Fugu 被训练学会在特定问题上调用特定模型；即使在同一类任务（如竞赛编程）内部，不同模型也可能分别擅长直接实现、制定解题计划或组合多种算法思路，编排器需将这些细微差异纳入决策。
3. Agent 工作流设计（Agentic Workflow Planning）：对复杂问题，Fugu Ultra 在模型内部以自然语言生成完整工作流，包括任务拆分、子任务分配、上下文共享策略与最终答案合成。
4. 基于反馈的策略优化（Feedback-driven Optimization）：训练过程除监督微调外，还引入进化算法与强化学习，用真实任务结果反向优化编排策略，使协调行为持续向”合适的模型做合适的事”收敛。

2.3 自适应递归纠错

• 自适应递归纠错（Adaptive Recursive Self-Correction）：模型在运行过程中可检查先前输出并自动启动修正程序，用户可通过调整递归深度控制算力消耗与延迟的权衡。

2.4 模型规格

商业版未公开底座参数规模；论文透露学术版本底层主控模型为 7B 规格的强化学习模型。新浪财经相关报道亦将 Fugu 核心描述为”70 亿参数的强化学习调度器”，自身不执行全部推理任务。

三、版本划分与基准表现

3.1 版本矩阵

部分报道中还出现”Fugu Mini”这一低延迟版本名称，与标准版 Fugu 并列，用于对响应速度敏感的轻量场景。

3.2 基准测试表现

Fugu Ultra 在覆盖编程、推理、科学、Agent 能力四个维度的八项基准上与前沿单模型对比，关键数据如下：

要点说明：

• GPQA-Diamond 95.5：研究生级别科学问答，目前公开可用模型中的最高分。
• SWE-Bench Pro 73.7：超越 Opus 4.8（69.2）与 GPT-5.5（58.6）。
• HLE 50.0：略超 Opus 4.8，较 Claude Fable 5 低 3.3 分。
• TerminalBench 2.1 82.1：超越 Fable 5 的 80.4。
• 重要前提：上述成绩是在 Worker 模型池中不包含 Claude Fable 5 与 Mythos Preview 的情况下取得的，二者仅作为对比靶模。

四、应用场景与典型实战案例

4.1 目标场景

Fugu 系列适用于对精度、深度与多步骤协作有较高要求的任务域，包括但不限于：自动化机器学习研究、网络安全分析、学术与专利调查、金融时间序列预测、机械 CAD 设计、古籍识别、棋类对弈等。

4.2 官方实战案例

Sakana AI 公布了六组跨领域实战对比，Fugu 在各项中均超过 Gemini 3.1 Pro、Claude Opus 4.8 与 GPT-5.5：

1. AutoResearch（自动化 ML 研究）：Fugu Ultra 自主运行 123 次实验，取得最优 BPB 得分 0.9774 ± 0.0019。
2. 日文古籍识别：处理日本历史文献阅读顺序恢复任务，NED 达 0.80，其他模型仅为 0.24 或直接失败。
3. 魔方求解：Fugu Ultra 仅用 19 步解开魔方，为参评模型中步数最短。
4. CAD 机械设计：设计出可工作的虹膜机构，其他模型产出存在间隙或设计不完整。
5. 国际象棋：连续四局对弈保持 100% 准确率。
6. 金融时间序列预测：50 周股票交易回测实现 +19.43% 平均回报，其他模型均低于 15%。

五、接入方式与计费模式

5.1 接入方式

Fugu 对外提供兼容 OpenAI 格式的单一 API，开发者无需改造现有调用链即可替换接入；底层多智能体调度对调用方完全透明。系统此前已在 Sakana AI 内部使用，现结束 Beta 测试面向公众开放，并提供早期 Beta 申请通道。

5.2 计费模式

提供订阅制与按量计费两种方式：

订阅制（个人用户）

按量计费

• 输入：每百万 tokens 5 美元（超过 27.2 万 tokens 后为 10 美元）
• 输出：每百万 tokens 30 美元（超过 27.2 万 tokens 后为 45 美元）

作为参照，Opus 4.8 输入为每百万 tokens 15 美元、输出 75 美元；Fugu Ultra 输入价格约为其三分之一，输出价格不到其二分之一。

六、行业意义与局限

6.1 范式意义

Sakana AI 在技术报告中明确提出”编排模型将超越传统大模型成为新的前沿方向”。Fugu 的价值不在于替代 GPT、Claude、Gemini 等基座模型，而在于将这些异构模型的能力组合为集体智能，使编排能力本身成为一种独立的竞争力维度。这一思路与其同公司 Marlin 产品所采用的”多 LLM AB-MCTS 架构”一脉相承，均把行业前沿模型视为可插拔的集体智能网络。

6.2 风险与局限

• 基准参考性有限：各类公开基准仅能指明方向，不具备绝对权威性，真实业务表现需以实际任务验证为准。
• 延迟与成本权衡：多步调度与递归纠错会引入额外延迟与算力消耗，标准版与 Ultra 版的取舍需结合任务硬度判断。
• 供应商可用性依赖：Worker 池可替换虽提升韧性，但整体表现仍受限于池内可用模型的能力上限。
• 商业版参数未公开：底座规模、训练数据与调度策略细节缺乏完整披露，外部复现与独立评估存在门槛。

文章来源与版权说明

文章来源：本文由大国 AI 导航（daguoai.com）基于 Sakana AI 官方博客、Fugu 技术报告及公开媒体报道整理撰写，主要参考来源包括 Sakana AI 官网（sakana.ai）、SakanaAI GitHub 仓库、智东西、36Kr、PA一线、币界网、新浪财经、Menlo Times 等公开信息渠道。

版权说明：本文版权归大国 AI 导航（daguoai.com）所有，未经书面授权，任何单位或个人不得擅自复制、转载、摘编或用于其他商业用途。如需转载或引用，请保留原文链接及版权声明，并注明出处为大河 AI 导航（daguoai.com）。文中涉及的”Fugu””Sakana AI”等名称及商标归其 respective 所有者所有，本文仅作技术与产品信息科普之用，不代表与 Sakana AI 存在任何商业合作或代言关系。文中基准数据均引自公开技术报告，实际表现以官方最新披露为准。