La mayoría de los modelos de IA intentan responder a cada pregunta con sus propios parámetros. Fugu, de Sakana AI, hace algo distinto: no genera respuestas. Decide qué modelo debe responder.
Fugu es una familia de modelos orquestadores que coordina dinámicamente un equipo de LLMs de distintos proveedores —OpenAI, Anthropic, Google, otros— para cada tarea. En los benchmarks publicados por Sakana, Fugu y su variante Fugu Ultra igualan o superan a modelos de frontera como Claude Fable 5 y Mythos en pruebas de código, ciencia y razonamiento.
La idea tiene implicaciones de fondo. Si la frontera de la IA no es solo entrenar modelos más grandes, sino combinar los existentes de manera más inteligente, Fugu es una apuesta a esa tesis.
Qué es Fugu
Fugu no es un LLM generativo tradicional. Es un modelo multiagente de orquestación: para cada solicitud, selecciona y combina dinámicamente otros modelos. Si uno de los proveedores internos falla, Fugu redirige automáticamente a otro sin perder el progreso del trabajo.
Sakana ofrece dos variantes:
- Fugu: equilibrada entre rendimiento y latencia, pensada como opción por defecto para trabajo diario.
- Fugu Ultra: optimizada para máxima calidad en tareas complejas de varios pasos.
El acceso se realiza mediante una API compatible con OpenAI, en console.sakana.ai, a través de OpenRouter, y desde la CLI de OpenAI Codex.
Rendimiento en benchmarks
Según las pruebas publicadas por Sakana AI, Fugu y Fugu Ultra se acercan a los modelos de frontera en pruebas exigentes:
- LiveCodeBench: Fugu y Fugu Ultra superan a Fable 5.
- SWE-bench Pro: resultados competitivos, con Fugu Ultra igualando o mejorando a Mythos.
- SciCode y GPQA-Diamond (razonamiento científico): Fugu Ultra iguala o supera a Mythos.
Esos resultados son notables porque Fugu no genera contenido por sí mismo: su valor proviene de orquestar mejor a otros modelos. Es una capa de inteligencia sobre el ecosistema existente, no un modelo más en la lista.
El modelo de negocio
El precio de Fugu Ultra oscila entre 5 y 10 dólares por millón de tokens de entrada y entre 30 y 45 dólares por millón de tokens de salida, según el contexto. Fugu, en cambio, cobra la tarifa estándar del modelo subyacente que termine usando.
Ese esquema tarifario dice algo sobre el modelo de negocio: Fugu cobra margen por la orquestación, mientras que el costo del cómputo se traslada al proveedor del modelo elegido. Para los clientes, eso convierte a Fugu en una capa de abstracción con un sobrecosto, pero con la promesa de mejor relación resultado/costo que elegir manualmente.
La base académica
Fugu no surgió de la nada. La tecnología subyacente proviene de dos artículos aceptados en ICLR 2026: TRINITY y Conductor. Ambos exploran el enrutamiento y la coordinación entre múltiples modelos como alternativa al escalado monolítico.
Esa procedencia académica es relevante. Sakana AI, fundada por ex investigadores de Stability AI, se ha especializado en arquitecturas alternativas: modelos más pequeños entrenados de forma más inteligente, en lugar de modelos más grandes entrenados con más cómputo. Fugu es la culminación práctica de esa filosofía: en lugar de construir otro modelo de frontera, construir el sistema que mejor los usa a todos.
Qué significa para la industria
Si Fugu cumple lo que promete en producción, las consecuencias son varias:
- La dependencia de un solo proveedor se reduce. Un orquestador que cambia automáticamente de modelo es una forma de seguro operativo.
- El ROI del entrenamiento de frontera cambia. Si los modelos de frontera son más accesibles vía orquestación, entrenar el siguiente modelo más grande deja de ser la única estrategia.
- Aparece una nueva categoría de producto: el orquestador de IA, análogo a cómo los balanceadores de carga transformaron la infraestructura web.
Fugu no va a sustituir a los modelos de frontera. Pero puede cambiar quién decide cuál usar y cuándo.