Sakana AI presenta Fugu Ultra v2.0, un modelo que orquesta otros modelos en vez de entrenar uno propio desde cero
Fugu Ultra v2.0 reparte cada solicitud entre un conjunto propio de modelos abiertos y especializados detrás de un único endpoint compatible con la API de OpenAI, y afirma superar a GPT-6 Astra en programación sin incluirlo en su propio grupo de modelos.
Sakana AI lanzó dos variantes de su familia Fugu construidas sobre la misma arquitectura de orquestación: Fugu Max, pensado para abaratar costos, y Fugu Ultra v2.0, orientado a capacidad máxima. La idea central del enfoque es tratar el modelo como un sistema multiagente entregado detrás de una sola interfaz: en lugar de entrenar un modelo monolítico, Fugu decide dinámicamente qué modelo de un conjunto propio de modelos abiertos y especializados conviene usar para cada solicitud, y expone una ventana de contexto de 1,000,000 de tokens.
En las pruebas que la compañía publicó, Fugu Ultra v2.0 queda entre los dos mejores resultados en siete de ocho benchmarks citados, y llega a superar a GPT-6 Astra en la prueba de programación DeepSWE pese a que ni ese modelo ni Claude Fable 5.1 forman parte del conjunto que Fugu orquesta internamente. La compañía también reporta ventaja frente a Claude Opus 5 en pruebas de lectura de gráficos y tablas.
En precio, Fugu Ultra se ubica en 5 dólares por millón de tokens de entrada y 30 por millón de salida, con tarifas de 10 y 45 dólares para contextos por encima de 272,000 tokens, y entrada en caché desde 0.50 dólares por millón de tokens. La apuesta de Sakana es que orquestar modelos existentes con buen criterio de enrutamiento puede rendir tanto como entrenar un modelo de frontera propio, a una fracción del costo de desarrollo.