Sakana AI представила оркестратор LLM Sakana Fugu, распределяющий задачи между пулом моделей

Компания Sakana AI представила Sakana Fugu, систему оркестрации с несколькими агентами, которая для пользователя выглядит как одна языковая модель. Запрос отправляется на единый endpoint, после чего Fugu либо решает задачу сама, либо собирает и координирует команду специализированных моделей. Система выбирает подходящие модели, распределяет задачи, проверяет результаты и собирает итоговый ответ. При этом вся сложность многоагентной архитектуры скрыта за одним OpenAI-compatible API. Как пишет MarkTechPost, модель обучена вызывать другие LLM из пула агентов, в том числе собственные экземпляры, которые могут использоваться рекурсивно.

Разработчики рассматривают эту архитектуру как способ снизить зависимость от одного поставщика моделей. Если доступ к какому-либо провайдеру ограничивается, задачи можно перенаправить другим моделям из пула. В качестве одного из факторов команда упоминает недавние экспортные ограничения на модели Anthropic Fable и Mythos. Архитектура позволяет со временем добавлять новые модели, однако сама логика маршрутизации остаётся проприетарной, поэтому конкретный выбор модели для каждого запроса не раскрывается.

Fugu выходит в двух вариантах, оба работают через один API. Базовая версия ориентирована на баланс производительности и задержки. Она подходит для повседневных задач программирования, code review и чат-ботов, а также для инструментов вроде Codex. При необходимости можно исключать отдельных агентов из пула, чтобы соответствовать требованиям по данным, приватности и compliance. Версия Fugu Ultra рассчитана на максимальное качество ответов в сложных многошаговых задачах и использует более глубокий пул экспертных агентов. Этот пул фиксирован, поэтому опция opt-out недоступна. Текущий идентификатор модели: fugu-ultra-20260615.

Система опирается на исследования Trinity и Conductor, представленные в работах для ICLR 2026. TRINITY использует эволюционировавший координатор, который распределяет роли Thinker, Worker и Verifier. Conductor обучается с помощью reinforcement learning и вырабатывает стратегии координации на естественном языке для разных пулов LLM. В бенчмарках Sakana AI сообщает о лучшем результате в 10 из 11 строк таблицы. Fugu Ultra лидирует в четырёх coding‑бенчмарках, CharXiv Reasoning и Humanity’s Last Exam. Обычный Fugu показывает лучший результат в SciCode, τ³ Banking и Long Context Reasoning, тогда как GPT 5.5 побеждает только в MRCRv2.