フグとは

Sakana Fuguは、Sakana AIがOpenAI互換APIの背後にある単一の基盤モデルとして提供する、マルチエージェントオーケストレーションシステムです。これは、委任、エージェント間のコミュニケーション、および作業の統合に特化した訓練済み言語モデルであり、他のLLM（自身の再帰的なコピーを含む）のプールを動的に調整して、単一のプロンプトに回答します。Sakanaは、2026年6月22日に「One Model to Command Them All（すべてを統べる一つのモデル）」という見出しで発表しました（公式リリースページを参照）。Claude Fable 5のような他の最先端リリースの詳細を読んだことがある方にとって、Fuguは異なる種類の動物です。それはソリストではなく、指揮者なのです。

その名前は設計に合致しています。フグは日本のふぐであり、熟練した料理人が完璧に調理しなければ致命的となる珍味です。注意深い準備によってのみ有用となる生の力とは、他のモデルをどのように調整するかによってその価値がすべて決まるシステムを考える良い方法です。

概要

Fuguとは：単一のエンドポイントの背後で、最先端モデルのチームを編成する訓練済み「指揮者」LLM。2つのバリアント：「Fugu」（バランス型、低遅延）と「Fugu Ultra」（最高の回答品質）。セールスポイント：OpenAI互換APIが1つ。既存のクライアントをそれに向け、SDK移行は不要。注意点：Fuguは他ベンダーのモデル（自身の再帰的コピーを含む）を呼び出すため、そのベンチマークでの勝利は「モデルの集合体」の結果であり、単一モデルの勝利ではない。アクセス：製品ページおよびGoogle/メールログイン後のconsole.sakana.ai。

Sakana Fuguの正体

ほとんどの基盤モデルは直接回答を生成します。プロンプトを送信し、重みがフォワードパスを実行し、トークンが返されます。Fuguは、このアイデアの上にレイヤーを追加します。

Fuguは、調整を専門とする訓練済み言語モデルです。リクエストが到着すると、Fuguは自分で回答するか、他のモデルのチームを編成するかを決定し、それぞれに作業の一部を割り当て、モデル間でメッセージをルーティングし、結果を単一の回答に統合します。Sakanaによると、この指揮者はチームメンバーとして自身の再帰的なインスタンスを起動することさえ可能です。ユーザーは一つの応答を受け取りますが、その裏では複数のモデルが作業を分担している可能性があります。

これが「単一の基盤モデル」というフレーミングが重要であると同時に、アスタリスクが必要な理由です。コードから見ると、Fuguは単一のエンドポイントを持つ一つのモデルのように見えます。しかし、アーキテクチャ的にはモデルの集合体なのです。この誠実さのポイントについては、すべてのベンチマークの数値の読み取り方に影響するため、以下で詳しく説明します。

ブランド名は意図的に魚のテーマに傾倒しています。「Sakana（魚）」は日本語で魚を意味し、同社のアイデンティティは魚の群れの集合知、つまり個々のエージェントよりも賢い行動を生み出す多くの小さなエージェントに焦点を当てています。Fuguは、その群れの一員であるフグです。

2つのバリアント：FuguとFugu Ultra

Sakanaは、同じAPIを通じて2つのバリアントを提供しています。

Fuguは、バランスの取れた低遅延のオプションです。Sakanaは、コーディング、コードレビュー、チャットボット、応答時間が重要なインタラクティブサービスなど、日常業務向けに位置付けています。これは、ベータ版や初期のプレスで「Fugu Mini」と呼ばれていたバリアントです。「Fugu」がメインであり、「Mini」は単なる古いベータ版の名前です。

Fugu Ultraは、最高の回答品質を目指しています。Sakanaは、AI研究、論文の再現、サイバーセキュリティ分析、文献や特許調査などの重い作業向けに位置付けています。遅延と引き換えに、深さを得られます。

どちらのバリアントも単一のエンドポイントの背後で動作します。Fugu自体が、リクエストごとに直接回答するか、チームを編成するかを決定するため、オーケストレーションを細かく管理する必要はありません。完全なメカニズムとより深い比較については、当社のFugu Ultra vs Fable 5 vs Mythosの解説が、この記事と同じクラスターに掲載されています。

スペック表

オーケストレーションの仕組み

Fuguの核となるのは、手書きのルーターではなく、学習された指揮者です。その違いが真のポイントです。

従来のルーターは、リクエストに対して1つのモデルを選択し、それを転送します。OpenRouterやMartianのようなツールはこれをうまく行います。Swarm、AutoGen、LangGraphのようなエージェントフレームワークは逆のアプローチを取ります。チームを構築するためのパイプラインを提供しますが、調整ロジックは人間であるあなたが書きます。Fuguはその中間です。それはコーディネーターとして訓練されたモデルです。いつ委任するか、どのように作業を分割するか、各エージェントに何を尋ねるか、そしてその出力をどのように統合するかを学習します。

Sakanaによると、この指揮者は3つの役割を担います。

• 委任。どのエージェント（または自身の再帰的コピー）にどのサブタスクを割り当てるかを選択します。
• コミュニケーション。エージェント間で流れるメッセージを管理し、チームの構造を動的に形成します。
• 統合。部分的な結果を1つの首尾一貫した回答にまとめます。

さらに2つのメカニズムがFuguを特徴づけており、どちらもガバナンスの方向性を持っています。

• 交換可能なエージェント。プールの構成は固定されていません。チームはデータやコンプライアンス上の理由で特定のエージェントをオプトアウトできるため、特定のベンダーのモデルをリクエストから完全に除外できます。
• 制約の回避。Sakanaによると、Fuguはプロバイダーの制約を「動的に回避」し、利用できない、または許可されていない場合には別々のエージェントを選択します。

このクラスターにおける概念的な関連モデルについては、Mythosクラスモデルの解説で、Fuguが比較対象とする単一モデルの最先端ティアについて説明しています。

正直な箱：オーケストレーターであり、単一モデルではない

この部分は2回読んでください。

Fuguは、他ベンダーの最先端モデル（自身の再帰的コピーを含む）を呼び出すオーケストレーターです。Fuguのベンチマーク結果を見るとき、それはFuguがOpus 4.8（またはFable 5、あるいは複数のモデル）を呼び出し、その出力を統合して生成されたものである可能性があります。これは「モデルの集合体」の結果です。単一モデルの同等比較における勝利ではありません。Fable 5とMythosは、自身の重みから回答を生成する単一のAnthropicモデルです。この注意点なしにFuguの数値をそれらのモデルと比較することは、チームと個人を比較するようなものです。

Sakanaが主張する2つの特定の主張について、この点を念頭に置いてください。

まず、Sakanaによると、Fugu Ultraはエンジニアリング、科学、推論のベンチマークにおいて、「Fable 5やMythos Previewのような主要モデルと肩を並べる」とのことです。これは「上回る」という主張ではなく、「同等である」という主張として読んでください。また、Sakanaが挙げているのは、現在のMythos 5ではなく、古いMythos Preview（4月版）であることにも注意してください。

次に、Sakanaによると、Fuguは特定のアプリケーションセット、つまりAutoResearch、ルービックキューブ、メカニカルデザイン、日本語手書き分析、ワンショットチェス、金融時系列予測において、Gemini 3.1 Pro（高）、Opus 4.8（最大）、およびGPT 5.5（xhigh）を「一貫して上回る」とのことです。ここでも、正直な点が重要です。「Opus 4.8を上回る」という結果は、FuguがOpusを呼び出し、その上にオーケストレーションを追加することで得られる場合があります。オーケストレーションされたチームは、ソリストに依存しつつも、ソリストを打ち負かすことができます。

これはFuguを非難するものではありません。オーケストレーションは真の能力です。それは数値を正しく表示する理由になります。私たちはFuguの結果を単一モデルの勝利として提示することはありませんし、あなたもそうすべきではありません。

参考までに、Fable 5はAnthropicの最も強力な一般提供モデルであり、公開利用のために安全化されたMythosクラスのモデルで、Opus 4.8よりも上位のティアに属します。Mythos Preview（2026年4月7日）は、Anthropicがリリースするには危険すぎると判断したフロンティアモデルでした。Claude Fable 5の解説では、その側面について全体像が示されています。

研究系譜：TrinityとConductor

Fuguはどこからともなく現れたわけではありません。2つの実際の、引用可能なICLR 2026論文がその研究上の優位性（moat）を形成しており、それらは異なる手法を使用しています。

Trinity: An Evolved LLM Coordinator (arXiv:2512.04695) は、2万パラメータ未満の微小なコーディネーターを記述しており、微分なし進化によって最適化されています。それは思考者、作業者、検証者の役割を割り当てます。要点は、非常に小さな進化したコントローラーが有用なマルチエージェントループを駆動できるということです。

Conductor: Learning to Orchestrate Agents in Natural Language (arXiv:2512.04388) は、エージェント間のコミュニケーション構造を学習する、強化学習で訓練された7Bモデルを記述しています。それはより低いコストでMixture-of-Agentsを上回ると主張しています。

これらは異なる手法（進化 対 強化学習）と異なるサイズ（2万未満 対 7B）です。それらを混同しないでください。Sakanaは提供される製品のパラメータ数を公表していないため、7B、Qwen2.5、またはGRPOの具体的な内容をFugu自体に適用するのは、公式のスペックではなく、サードパーティの推測にすぎません。

新規性に関する正直な見方：Mixture-of-Agents（Together AI、ICLR 2025）は、オーケストレーションされたモデルが単一モデルを上回ることをすでに示していました。Fuguの狭い真の新規性は、学習され、適応性があり、コスト選択性のあるトポロジーを単一のエンドポイントとして提供する点にあり、それは訓練済み指揮者の研究によって支えられています。

初期ユーザーの報告

Sakanaは、引用に値する2つの証言を共有しています。

Fugu Ultraをコードレビューに利用したあるソフトウェアエンジニアは、他のツールが「約3つ」の問題を検出するケースで「20以上の」問題を浮上させ、GPT-5.5よりも優れていると述べました。あるセキュリティエンジニアは、1つのスコープ指定された指示が、完全なエンドツーエンド評価、偵察、XSSおよびSQLiプロービング、認証レビューを駆動し、定義されたスコープ内に留まったと語りました。

これらはベンダーが報告した逸話であり、ベンチマークではありません。Fuguのオーケストレーションが最も役立つ場所、つまり、並行するサブタスクと最終的な検証ステップにうまく分解できるタスクにとって、有用なシグナルとなります。FuguをSakanaの別のリリースと比較する場合、Mirofishの解説では、同じラインナップの姉妹モデルについて説明しています。

Fugu APIの使用方法

FuguはOpenAI互換のエンドポイントを公開しています。これが実用的なセールスポイントです。もし既存のOpenAIクライアントをお持ちであれば、FuguのベースURLに向けてFuguのキーを使用するだけです。SDKの移行は不要です。OpenAI APIドキュメントでお馴染みのChat Completionsの形式が、ここでも適用されます。

一つ重要な注意点があります。2026年6月22日現在、ベースURLはいかなる公開ページにも掲載されていません。推測しないでください。console.sakana.aiのダッシュボードから実際のベースURLをコピーし、以下のプレースホルダーに貼り付けてください。

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_FUGU_API_KEY",
    base_url="<YOUR_FUGU_BASE_URL_FROM_CONSOLE>",  # console.sakana.aiからコピー
)

# 日常業務向けのバランス型バリアント
response = client.chat.completions.create(
    model="fugu",
    messages=[
        {"role": "system", "content": "あなたは正確なコーディングアシスタントです。"},
        {"role": "user", "content": "この関数のオフバイワンバグをレビューしてください。"},
    ],
)
print(response.choices[0].message.content)

Fugu Ultraに切り替えるには、文字列を1つ変更します。

response = client.chat.completions.create(
    model="fugu-ultra",  # 最高品質バリアント; 報告されているID、コンソールで確認
    messages=[
        {"role": "user", "content": "この論文の主要な結果を再現してください。"},
    ],
)

モデルID文字列（fugu、fugu-ultra、および報告されている日付付きバリアント）は、二次報告からのものです。展開する前に、コンソールで正確な文字列を確認してください。テスト済みの完全なウォークスルーについては、Sakana Fugu APIの使用方法に関するガイドを参照してください。

Apidogワークフローへの適合性

FuguはOpenAI Chat Completions形式に対応しているため、他のLLMエンドポイントと同様にテストできます。Apidogで、コンソールからコピーしたベースURLを環境変数として設定し、キーをベアラートークンとして追加し、チャット完了パスにリクエストを送信します。クリーンなリクエストとレスポンスビューが得られ、呼び出しを再利用可能なケースとして保存でき、FuguをFable 5やOpus 4.8と同一プロジェクト内で並べて比較できます。

最後の部分はFuguにとって特に重要です。Fuguはオーケストレーターであるため、編成するチームの規模に応じて、遅延とコストが単一モデルよりも変動します。Apidogで実際のリクエスト時間とトークン数をキャプチャすることで、マーケティング上の数値ではなく実際の数値を得ることができます。Apidogをダウンロードし、コンソールのベースURLに新しいリクエストを向けて開始してください。

よくある質問

Sakana Fuguは単一のモデルですか、それとも複数のモデルですか？

見方によって両方です。あなたのコードにとっては、1つのAPIの背後にある1つのモデルです。内部的には、他の最先端モデルのプールを呼び出し、その作業を統合する訓練された指揮者です。そのため、そのベンチマークの数値は、単一モデルの勝利ではなく、モデルの集合体の結果としています。比較対象となる単一モデルのティアについては、Mythosクラスモデルの解説を参照してください。

FuguとFugu Ultraの違いは何ですか？

Fuguは、コーディングやチャットボットのような日常業務向けのバランスの取れた低遅延バリアントです。Fugu Ultraは、遅延と引き換えに最高の回答品質を提供し、研究、セキュリティ分析、詳細調査をターゲットとしています。どちらも同じエンドポイントを通じて実行され、モデルIDで選択します。古い「Fugu Mini」という名称は、ベータ期間中の小型バリアントを指していました。

Fuguは本当にOpus 4.8とGPT 5.5を打ち負かすのですか？

Sakanaによると、Fuguは特定のアプリケーションリストにおいて、Gemini 3.1 Pro、Opus 4.8、GPT 5.5を「一貫して上回る」とのことです。正直な読み方としては、Fuguはこれらの同じモデルを呼び出し、その上にオーケストレーションを追加できるため、チームとしての勝利は、Fugu自身の重みが個々のモデルを打ち負かしたことを意味するわけではありません。私たちはこれを単一モデルの勝利として提示することはありません。

Fugu APIを呼び出すにはどうすればよいですか？

OpenAI互換クライアントをFuguのベースURLに設定し、あなたのキーを使用し、標準のChat Completionsリクエスト形式で呼び出します。ベースURLは一般公開されていないため、console.sakana.aiからコピーしてください。当社のSakana Fugu APIガイドでは、実際の実行例を最初から最後まで詳しく説明しています。

Fuguは現在、誰でも利用できますか？

アクセスは、製品ページとGoogleまたはメールログイン後のconsole.sakana.aiを通じて行われます。ベータ版は2026年4月下旬から約500人のユーザーで運用されました。完全にセルフサービスのGA登録が開始されているか、EU/EEAでの制限があるかについては、コンソールで直接確認する価値があります。

Fuguはルーターやエージェントフレームワークとどう違うのですか？

ルーター（OpenRouter、Martian）は、1つのモデルを選択し、あなたのリクエストを転送します。エージェントフレームワーク（Swarm、AutoGen、LangGraph）は、あなたをコーディネーターにします。Fuguはコーディネーター自体を訓練するため、学習されたモデルが委任、コミュニケーション、統合を決定します。この訓練された指揮者のアプローチを単一のエンドポイントとして提供することが、その狭い真の新規性です。

Fuguは、次の進化が、単に大きな重みからではなく、モデル間の連携方法からもたらされるという賭けです。オーケストレーションのプレミアムがあなたのワークロードにとって価値があるかどうかは、実際にリクエストを送信し、実際の数値を見ることが最も早い方法です。Apidogで最初のFugu呼び出しを設定し、すでに実行している単一モデルと比較して、あなた自身の遅延とコストデータに基づいて判断してください。