Sakana AI stellt Fugu vor: Innovatives System zur Orchestrierung von Sprachmodellen

Sakana AI präsentiert Fugu: Eine neue Ära der Modell-Orchestrierung

Das in Tokio ansässige KI-Startup Sakana AI hat mit der Einführung von "Fugu" eine bemerkenswerte Entwicklung im Bereich der künstlichen Intelligenz vorgestellt. Fugu ist ein System, das die dynamische Koordination mehrerer Sprachmodelle (LLMs) ermöglicht und dabei nach außen hin wie ein einziges, kohärentes Modell agiert. Dieser Ansatz zielt darauf ab, die Leistungsfähigkeit führender KI-Systeme zu erreichen und gleichzeitig die Abhängigkeit von einzelnen Anbietern zu verringern.

Architektur und Funktionsweise von Fugu

Sakana AI beschreibt Fugu als einen Multi-LLM-Orchestrator, der die Komplexität der zugrunde liegenden Modelllandschaft für den Endnutzer abstrahiert. Anstatt dass Entwickler manuell zwischen verschiedenen Modellen wie Claude, GPT oder anderen wählen müssen, übernimmt Fugu intern die Steuerung. Das System entscheidet, ob eine Anfrage direkt bearbeitet werden kann oder ob ein Team von spezialisierten KI-Agenten aus einem austauschbaren Pool zur Lösung komplexer, mehrstufiger Aufgaben herangezogen werden muss. Diese Auswahl, Delegation, Überprüfung und Synthese erfolgen vollständig intern. Der Zugriff auf Fugu erfolgt über eine einzige, OpenAI-kompatible API, was die Integration für Unternehmen vereinfachen soll.

Fugu Ultra: Leistung auf Spitzenniveau

Sakana AI bietet Fugu in zwei Varianten an: Die Basisversion von Fugu ist für alltägliche Aufgaben konzipiert und bietet eine solide Leistung bei geringer Latenz, beispielsweise für Codierung, Code-Reviews oder Chatbot-Anwendungen. Für Anwender, die besonderen Wert auf Datenschutz oder Compliance legen, besteht die Möglichkeit, bestimmte Agenten aus dem Pool auszuschließen.

Die leistungsstärkere Version, Fugu Ultra, ist speziell für komplexe, mehrstufige Probleme und höchste Antwortqualität entwickelt worden. Erste Anwendungsfälle umfassen KI-Forschung, die Reproduktion wissenschaftlicher Arbeiten, Cybersicherheitsanalysen sowie Patent- und Literaturrecherchen.

Laut den von Sakana AI veröffentlichten Benchmark-Ergebnissen soll Fugu Ultra in verschiedenen Tests – darunter Codierung, logisches Denken, wissenschaftliche Aufgaben und Agenten-Benchmarks – eine vergleichbare Leistung wie Anthropic's Fable 5 und Mythos Preview erzielen. Es ist hierbei zu beachten, dass keines der Anthropic-Modelle Teil des Fugu-Agentenpools ist, da diese nicht öffentlich zugänglich sind. Sakana AI gibt an, dass die Vergleichswerte für die Basismodelle von den jeweiligen Anbietern stammen. Die folgende Tabelle bietet einen Überblick über die relative Leistung von Fugu im Vergleich zu einigen führenden Modellen:

Orchestrierung als Strategie gegen Anbieterbindung

Ein wesentlicher Aspekt von Fugu ist seine Rolle als Absicherung gegen die Abhängigkeit von einzelnen Anbietern. Sakana AI verweist auf aktuelle Ereignisse wie Exportkontrollen bei hochmodernen KI-Modellen als konkretes Beispiel für die Risiken einer solchen Abhängigkeit. Der Zugang zu kritischen KI-Systemen kann sich durch regulatorische Änderungen oder geopolitische Entscheidungen schnell ändern.

Sakana AI betont, dass die Abhängigkeit von den APIs eines einzelnen Unternehmens für kritische Infrastrukturen, Finanzen oder Governance eine erhebliche Schwachstelle darstellt. Die Architektur von Fugu mit einem vollständig austauschbaren Modellpool ermöglicht es dem System, bei Einschränkungen eines Anbieters auf alternative Modelle umzuschalten. Dies soll Unternehmen eine höhere Resilienz und Flexibilität bieten.

Es ist jedoch zu beachten, dass die tatsächliche Leistungsfähigkeit des Systems stark von der Zusammensetzung des Modellpools abhängt. Wenn mehrere Top-Anbieter gleichzeitig den Zugang beschränken, könnten auch die Optionen von Fugu eingeschränkt sein. Eine solche Orchestrierung kann die Widerstandsfähigkeit erhöhen, ersetzt jedoch keine vollständige Souveränität.

Ungeachtet dieser Überlegungen könnte Fugu allein aufgrund seiner Leistungsfähigkeit von Interesse sein. Fragen bezüglich des Token-Verbrauchs und der damit verbundenen Kosten, die durch die Orchestrierung entstehen, wurden in der Ankündigung von Sakana AI nicht detailliert behandelt.

Erste Erfahrungen aus dem Beta-Test

Rund 500 Beta-Nutzer haben das System bereits in realen Szenarien getestet. Fugu zeigte sich besonders leistungsfähig bei langen, mehrstufigen Arbeitsabläufen, wie beispielsweise bei der automatisierten Datenrecherche, Sicherheitsanalysen und Code-Reviews.

Ein Softwareentwickler berichtete, dass Fugu Ultra bei der Code-Überprüfung deutlich mehr Fehler identifizierte als GPT-5.5. Sakana AI gibt außerdem an, dass Fugu in internen Tests bei automatisierter Forschung, mechanischem Design und Finanzprognosen Gemini 3.1 Pro, Opus 4.8 und GPT 5.5 übertreffen konnte.

Die Ergebnisse der Beta-Phase legen nahe, dass die Multi-Agenten-Orchestrierung besonders bei komplexen, langwierigen und mit einem einzelnen Modell nur schwer zu lösenden Aufgaben ihre Stärken ausspielt.

Beide Varianten von Fugu sind ab sofort über eine einzige API auf der Produktseite und Konsole von Sakana AI verfügbar. Das Unternehmen bietet sowohl Abonnementpläne für den täglichen Gebrauch als auch nutzungsbasierte Abrechnungen für größere Arbeitslasten an.

Sakana AIs Vision: Ein KI-Ökosystem statt eines monolithischen Modells

Der technische Ansatz von Fugu basiert auf Sakana AIs eigener Forschung zur gelernten Modell-Orchestrierung, die in den Arbeiten "Trinity" und "Conductor" auf der ICLR 2026 vorgestellt wurde.

Diese Idee fügt sich in die umfassendere Vision von Sakana AI ein, natürliche Prinzipien wie Schwarmverhalten, Evolution und kollektive Intelligenz auf KI-Systeme anzuwenden. Das Unternehmen betrachtet leistungsfähige KI nicht als ein Problem, das durch ein einzelnes Modell gelöst werden kann, sondern als ein kollaboratives Ökosystem, das über die Fähigkeiten eines einzelnen Modells hinausgeht.

Sakana AI wurde von den ehemaligen Google AI-Forschern Llion Jones und David Ha gegründet. Llion Jones war Mitautor des wegweisenden Papers "Attention Is All You Need" aus dem Jahr 2017, das die Transformer-Architektur einführte.

Bibliographie

• Sakana AI: Fugu Release. Verfügbar unter: https://sakana.ai/fugu-release/
• Sakana AI: Fugu Technical Report. Verfügbar unter: https://github.com/SakanaAI/fugu/blob/main/Fugu_technical_report.pdf
• The Decoder: Sakana AI's Fugu orchestrates multiple LLMs to match Anthropic's Fable and Mythos benchmarks. Verfügbar unter: https://the-decoder.com/sakana-ais-fugu-orchestrates-multiple-llms-to-match-anthropics-fable-and-mythos-benchmarks/
• Nikkei Asia: Japan's 'Sakana Fugu' multiagent AI scores well against Fable 5, GPT 5.5. Verfügbar unter: https://asia.nikkei.com/business/technology/artificial-intelligence/japan-s-sakana-fugu-multiagent-ai-scores-well-against-fable-5-gpt-5.5
• VentureBeat: No Claude Fable 5? No problem: Sakana achieves frontier performance with new Fugu multi-model, auto synthesis system. Verfügbar unter: https://venturebeat.com/orchestration/no-claude-fable-5-no-problem-sakana-achieves-frontier-performance-with-new-fugu-multi-model-auto-synthesis-system
• MarkTechPost: Sakana AI Launches Sakana Fugu: An Orchestration Model That Routes Tasks Across a Swappable Pool of Frontier LLMs. Verfügbar unter: https://www.marktechpost.com/2026/06/22/sakana-ai-launches-sakana-fugu-an-orchestration-model-that-routes-tasks-across-a-swappable-pool-of-frontier-llms/
• Times of AI: Sakana AI Claims its Fugu Ultra Matches Fable and Mythos. Verfügbar unter: https://www.timesofai.com/news/sakana-ai-fugu-ultra-mythos/
• Coursiv Blog: Sakana AI Fugu Review: Fugu Ultra vs Fable 5. Verfügbar unter: https://coursiv.io/blog/sakana-ai-fugu