¿Qué es Sakana Fugu: el pez globo?

Sakana Fugu es un sistema de orquestación multiagente que Sakana AI distribuye como un único modelo fundamental detrás de una API compatible con OpenAI. Es un modelo de lenguaje entrenado especializado en delegación, comunicación entre agentes y síntesis de trabajo, y coordina dinámicamente un conjunto de otros LLM (incluidas copias recursivas de sí mismo) para responder a una única solicitud. Sakana lo anunció el 22 de junio de 2026 bajo el titular “Un modelo para gobernarlos a todos” (ver la página oficial de lanzamiento). Si ha leído nuestros análisis de otras versiones de vanguardia como Claude Fable 5, Fugu es un tipo de animal diferente: es un director de orquesta, no un solista.

El nombre se ajusta al diseño. Fugu es el pez globo japonés, una exquisitez letal a menos que un chef experto lo prepare exactamente bien. Un poder crudo que solo se vuelve útil a través de una preparación cuidadosa es una buena manera de pensar en un sistema cuyo valor total proviene de cómo coordina otros modelos.

TL;DR

Qué es: Un LLM “director de orquesta” entrenado que orquesta un equipo de modelos de frontera detrás de un único punto de conexión. Dos variantes: “Fugu” (equilibrado, baja latencia) y “Fugu Ultra” (máxima calidad de respuesta). La propuesta: Una API compatible con OpenAI; apunte su cliente existente a ella, sin migración de SDK. El inconveniente: Fugu llama a modelos de otros proveedores (incluyéndose a sí mismo de forma recursiva), por lo que sus victorias en los benchmarks son resultados de modelo de modelos, no victorias de un solo modelo. Acceso: Página de producto más console.sakana.ai detrás de un inicio de sesión de Google/correo electrónico.

Qué es realmente Sakana Fugu

La mayoría de los modelos fundamentales le responden directamente. Usted envía una instrucción, los pesos ejecutan un pase hacia adelante y recibe tokens a cambio. Fugu añade una capa sobre esa idea.

Fugu es un modelo de lenguaje entrenado cuya especialidad es la coordinación. Cuando llega una solicitud, Fugu decide si responderla él mismo o si reunir un equipo de otros modelos, entregar a cada uno una parte del trabajo, enrutar mensajes entre ellos y sintetizar los resultados en una única respuesta. Según Sakana, el director de orquesta incluso puede generar instancias recursivas de sí mismo como miembros del equipo. Usted ve una respuesta. Detrás de ella, varios modelos pueden haber realizado el trabajo.

Por eso el encuadre de “modelo fundamental único” es importante y también por qué necesita un asterisco. Desde su código, Fugu parece un modelo con un único punto de conexión. Arquitectónicamente, es un modelo de modelos. Desglosamos este punto de honestidad en detalle a continuación, porque cambia la forma en que debe leer cada número de benchmark.

La marca se inclina deliberadamente hacia un tema de peces. “Sakana” es “pez” en japonés, y la identidad de la empresa se centra en la inteligencia colectiva de un banco de peces, muchos agentes pequeños que producen un comportamiento más inteligente que cualquiera de ellos individualmente. Fugu es el miembro pez globo de ese banco.

Las dos variantes: Fugu y Fugu Ultra

Sakana distribuye dos variantes a través de la misma API.

Fugu es la opción equilibrada y de baja latencia. Sakana lo posiciona para el trabajo diario: codificación, revisión de código, chatbots y servicios interactivos donde el tiempo de respuesta es importante. Esta es la variante que la beta y gran parte de la prensa temprana llamaron “Fugu Mini”. Priorice “Fugu”; “Mini” es solo el antiguo nombre de la beta.

Fugu Ultra apunta a la máxima calidad de respuesta. Sakana lo destina a trabajos más pesados: investigación de IA, reproducción de artículos, análisis de ciberseguridad e investigación de literatura o patentes. Se sacrifica la latencia por la profundidad.

Ambas variantes se ejecutan detrás de un único punto de conexión. Fugu mismo decide, por solicitud, si responder directamente o si ensamblar un equipo, por lo que usted no microgestiona la orquestación. Si desea conocer la mecánica completa y una comparación más profunda, nuestro análisis de Fugu Ultra vs Fable 5 vs Mythos se encuentra junto a este artículo en el mismo grupo.

Tabla de especificaciones

Cómo funciona la orquestación

El núcleo de Fugu es un director de orquesta aprendido, no un enrutador escrito a mano. Esa distinción es la verdadera historia.

Un enrutador tradicional elige un modelo para una solicitud y la reenvía. Herramientas como OpenRouter o Martian hacen esto bien. Un framework de agentes como Swarm, AutoGen o LangGraph va por otro camino: le proporciona la infraestructura para construir un equipo, pero usted, el humano, escribe la lógica de coordinación. Fugu se sitúa entre esos dos. Es un modelo entrenado para ser el coordinador. Aprende cuándo delegar, cómo dividir el trabajo, qué pedir a cada agente y cómo fusionar sus resultados.

Según Sakana, el director de orquesta realiza tres tareas:

• Delegación. Elige qué agentes (o copias recursivas de sí mismo) reciben qué subtareas.
• Comunicación. Gestiona los mensajes que fluyen entre los agentes, dando forma a la estructura del equipo sobre la marcha.
• Síntesis. Combina los resultados parciales en una única respuesta coherente.

Dos mecánicas más hacen que Fugu sea distinto, y ambas se orientan hacia la gobernanza:

• Agentes intercambiables. El pool no es fijo. Los equipos pueden excluir agentes específicos por motivos de datos o cumplimiento, para que pueda mantener el modelo de un proveedor determinado completamente fuera de sus solicitudes.
• Enrutamiento para evitar restricciones. Según Sakana, Fugu “enruta dinámicamente para evitar” las restricciones del proveedor, eligiendo un agente diferente cuando uno no está disponible o no está permitido.

Si desea el equivalente conceptual en este grupo, el explicador de modelos de clase Mythos cubre el nivel de frontera de modelo único con el que Fugu se compara.

La caja de la honestidad: orquestador, no un solo modelo

Esta es la parte que debe leer dos veces.

Fugu es un orquestador que llama a modelos de frontera de otros proveedores, incluyéndose a sí mismo de forma recursiva. Cuando vea un resultado de benchmark de Fugu, este puede haber sido producido por Fugu llamando a Opus 4.8 (o Fable 5, o varios modelos) y sintetizando sus resultados. Esto es un resultado de modelo de modelos. No es una victoria de modelo único comparable. Fable 5 y Mythos son modelos únicos de Anthropic que responden desde sus propios pesos. Comparar los números de Fugu con los suyos sin esa advertencia es comparar un equipo con un individuo.

Tenga esto en cuenta para dos afirmaciones específicas que hace Sakana.

Primero, según Sakana, Fugu Ultra “está a la altura de modelos líderes como Fable 5 y Mythos Preview” en benchmarks de ingeniería, científicos y de razonamiento. Lea esto como una afirmación de paridad, no una afirmación de “supera”. Tenga en cuenta también que Sakana nombró al Mythos Preview (abril) más antiguo, no al Mythos 5 actual.

Segundo, y por separado, según Sakana, Fugu “supera consistentemente” a Gemini 3.1 Pro (alto), Opus 4.8 (máximo) y GPT 5.5 (xalto) en un conjunto específico de aplicaciones: AutoInvestigación, Cubo de Rubik, Diseño Mecánico, Análisis de Escritura Japonesa, Ajedrez de un Solo Tiro y Predicción de Series Temporales Financieras. Incluso aquí, el punto de honestidad se mantiene. Un resultado de “supera a Opus 4.8” puede provenir de Fugu llamando a Opus y añadiendo orquestación. El equipo orquestado puede superar al solista mientras sigue dependiendo del solista.

Esto no es una crítica a Fugu. La orquestación es una capacidad real. Es una razón para etiquetar los números correctamente. Nunca presentamos los resultados de Fugu como una victoria de un solo modelo, y usted tampoco debería hacerlo.

Como referencia, Fable 5 es el modelo más potente de Anthropic disponible de forma general, un modelo de clase Mythos hecho seguro para uso público y un nivel por encima de Opus 4.8. Mythos Preview (7 de abril de 2026) fue el modelo de frontera que Anthropic consideró demasiado peligroso para lanzar. Nuestro explicador de Claude Fable 5 tiene la imagen completa de ese lado.

El linaje de investigación: Trinity y Conductor

Fugu no apareció de la nada. Dos artículos reales y citables de ICLR 2026 forman su foso de investigación, y utilizan métodos diferentes.

Trinity: Un coordinador LLM evolucionado (arXiv:2512.04695) describe un coordinador diminuto, de menos de 20.000 parámetros, optimizado por evolución sin derivadas. Asigna los roles de Pensador, Trabajador y Verificador. La noticia principal es que un controlador evolucionado muy pequeño puede impulsar un bucle multiagente útil.

Conductor: Aprendiendo a orquestar agentes en lenguaje natural (arXiv:2512.04388) describe un modelo de 7B entrenado con aprendizaje por refuerzo que aprende la estructura de comunicación entre agentes. Afirma superar a Mixture-of-Agents a un menor coste.

Estos son métodos diferentes (evolución versus RL) y tamaños diferentes (menos de 20K versus 7B). No los confunda. Sakana no ha publicado un recuento de parámetros para el producto final, por lo que aplicar las especificaciones de 7B, Qwen2.5 o GRPO a Fugu mismo es una inferencia de terceros, no una especificación oficial.

El encuadre honesto de la novedad: Mixture-of-Agents (Together AI, ICLR 2025) ya demostró que los modelos orquestados pueden superar a un modelo único. La novedad real y específica de Fugu es una topología aprendida, adaptativa y selectiva en cuanto a costes, distribuida como un único punto de conexión, respaldada por esa investigación de conductor entrenado.

Lo que reportan los primeros usuarios

Sakana comparte dos testimonios que vale la pena repetir con atribución.

Un ingeniero de software que utiliza Fugu Ultra para la revisión de código dijo que detectó “más de veinte” problemas en casos donde otras herramientas señalaban “alrededor de tres”, y lo calificó como mejor que GPT-5.5. Un ingeniero de seguridad dijo que una instrucción específica impulsó una evaluación completa de extremo a extremo, reconocimiento, sondeo de XSS y SQLi, y una revisión de autenticación, manteniéndose dentro del alcance definido.

Trate estos como anécdotas reportadas por el proveedor, no como benchmarks. Son una señal útil de dónde la orquestación de Fugu ayuda más: tareas que se descomponen bien en subtareas paralelas con un paso de verificación al final. Si está comparando Fugu con otra versión de Sakana, el explicador de Mirofish cubre el modelo hermano en la misma línea.

Uso de la API de Fugu

Fugu expone un punto de conexión compatible con OpenAI. Ese es el punto de venta práctico: si ya tiene un cliente de OpenAI, lo apunta a la URL base de Fugu y usa su clave de Fugu. Sin migración de SDK. La misma estructura de Chat Completions que conoce de la documentación de la API de OpenAI se aplica aquí.

Una advertencia importante. A partir del 22-06-2026, la URL base no está publicada en ninguna página pública. No la adivine. Copie la URL base real de su panel en console.sakana.ai e insértela en el marcador de posición siguiente.

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_FUGU_API_KEY",
    base_url="<YOUR_FUGU_BASE_URL_FROM_CONSOLE>",  # copiar de console.sakana.ai
)

# Variante equilibrada para el trabajo diario
response = client.chat.completions.create(
    model="fugu",
    messages=[
        {"role": "system", "content": "Eres un asistente de codificación preciso."},
        {"role": "user", "content": "Revisa esta función en busca de errores de "off-by-one"."},
    ],
)
print(response.choices[0].message.content)

Cambie a Fugu Ultra modificando una cadena:

response = client.chat.completions.create(
    model="fugu-ultra",  # variante de máxima calidad; ID informado, verificar en la consola
    messages=[
        {"role": "user", "content": "Reproduce el resultado principal de este artículo."},
    ],
)

Las cadenas de ID de modelo (fugu, fugu-ultra y una variante anticuada reportada) provienen de informes secundarios. Confirme las cadenas exactas en la consola antes de implementar. Para un recorrido completo y probado, consulte nuestra guía sobre cómo usar la API de Sakana Fugu.

Cómo encaja esto en su flujo de trabajo de Apidog

Dado que Fugu utiliza el formato de OpenAI Chat Completions, puede probarlo de la misma manera que prueba cualquier otro punto de conexión de LLM. Establezca la URL base que copió de la consola como una variable de entorno en Apidog, añada su clave como un token de portador y envíe una solicitud a la ruta de finalización de chat. Obtendrá una vista clara de la solicitud y la respuesta, podrá guardar la llamada como un caso reutilizable y podrá comparar Fugu con Fable 5 u Opus 4.8 lado a lado en el mismo proyecto.

Esa última parte es importante específicamente para Fugu. Dado que es un orquestador, la latencia y el coste variarán más que los de un solo modelo, dependiendo del tamaño del equipo que ensamble. Capturar los tiempos de solicitud reales y los recuentos de tokens en Apidog le proporciona los números reales en lugar de los de marketing. Descargue Apidog y apunte una nueva solicitud a su URL base de la consola para empezar.

Preguntas frecuentes

¿Es Sakana Fugu un modelo único o muchos modelos?

Ambos, dependiendo de cómo se mire. Para su código es un modelo detrás de una API. Internamente es un director de orquesta entrenado que llama a un conjunto de otros modelos de frontera y sintetiza su trabajo. Por eso marcamos sus números de benchmark como resultados de modelo de modelos en lugar de victorias de un solo modelo. Consulte nuestro explicador de modelos de clase Mythos para el nivel de modelo único con el que se compara.

¿Cuál es la diferencia entre Fugu y Fugu Ultra?

Fugu es la variante equilibrada y de baja latencia para el trabajo diario como la codificación y los chatbots. Fugu Ultra sacrifica la latencia por la máxima calidad de respuesta y se dirige a la investigación, el análisis de seguridad y la investigación profunda. Ambos se ejecutan a través del mismo punto de conexión, y usted selecciona entre ellos con el ID del modelo. El nombre anterior “Fugu Mini” se refería a la variante pequeña durante la beta.

¿Fugu realmente supera a Opus 4.8 y GPT 5.5?

Según Sakana, Fugu “supera consistentemente” a Gemini 3.1 Pro, Opus 4.8 y GPT 5.5 en una lista específica de aplicaciones. La lectura honesta es que Fugu puede llamar a esos mismos modelos y añadir orquestación, por lo que una victoria para el equipo no significa que los propios pesos de Fugu superen a un solo modelo. Nunca lo presentamos como una victoria de modelo único.

¿Cómo llamo a la API de Fugu?

Apunte un cliente compatible con OpenAI a la URL base de Fugu con su clave, luego use la forma estándar de solicitud de Chat Completions. La URL base no está publicada públicamente, así que cópiela de console.sakana.ai. Nuestra guía de la API de Sakana Fugu le muestra un ejemplo de trabajo de principio a fin.

¿Está Fugu disponible para todos ahora mismo?

El acceso se realiza a través de la página del producto y console.sakana.ai detrás de un inicio de sesión de Google o correo electrónico. La beta se ejecutó con aproximadamente 500 usuarios desde finales de abril de 2026. Si el registro GA de autoservicio completo está abierto y si existe una restricción para la UE/EEE, ambos aspectos deben verificarse en vivo en la consola.

¿En qué se diferencia Fugu de un enrutador o un framework de agentes?

Un enrutador (OpenRouter, Martian) elige un modelo y reenvía su solicitud. Un framework de agentes (Swarm, AutoGen, LangGraph) le convierte en el coordinador. Fugu entrena al propio coordinador, por lo que un modelo aprendido decide la delegación, la comunicación y la síntesis. Ese enfoque de director de orquesta entrenado, distribuido como un único punto de conexión, es su verdadera y específica novedad.

Fugu es una apuesta a que los próximos avances provendrán de cómo los modelos trabajan juntos, no solo de mayores pesos. Si la prima de orquestación vale la pena depende de su carga de trabajo, y la forma más rápida de averiguarlo es enviar solicitudes reales y observar los números reales. Configure su primera llamada a Fugu en Apidog, compárela con los modelos únicos que ya utiliza y deje que sus propios datos de latencia y costes tomen la decisión.