6月22日，日本AI獨角獸Sakana AI發佈了Fugu——一個自己不回答問題、專門調度其他大模型的"總指揮"。

在SWE-Bench Pro、TerminalBench、LiveCodeBench等多個硬核基準測試中，Fugu Ultra的成績超越了GPT-5.5和Claude Opus 4.8，接近甚至持平Anthropic尚未公開的Fable 5和Mythos Preview。

而它的核心，只是一個7B參數的小模型。

傳統大模型的思路是"把一個模型做得更強"。Fugu的思路完全不同：讓一個輕量模型學會調度一群強模型。

Fugu本身不生成最終答案。它的工作流程是：

2判斷問題類型（程式碼/數學/推理/科學/多模態）

3從模型池中選擇最合適的worker模型

4設計任務拆分和agent間通訊策略

用Sakana AI的話說："Multi-Agent System, Delivered as One Model"——多智能體系統，以單一模型的形式交付。

•Fugu：日常版，平衡性能和延遲，適合程式碼審查、聊天機器人等場景

•Fugu Ultra：質量優先版，深度多Agent協作，適合Kaggle競賽、論文復現、安全分析等高難度任務

Fugu並非憑空而來，它建立在Sakana AI團隊在ICLR 2026上發表的兩篇論文之上。

核心idea：用強化學習（RL）訓練一個7B的"指揮家"模型，讓它自動發現LLM之間的最優協調策略。

•訓練方法：GRPO（Group Relative Policy Optimization）

•訓練資料：960個問題，覆蓋數學、程式碼、通用推理、科學四個領域

•訓練輪次：200次GRPO迭代，batch size 256，無KL正則化

Conductor的輸出格式很巧妙——它生成Python列表，定義每個workflow step的三個要素：

•該agent可以訪問那些前序步驟的結果

這意味著Conductor可以自由設計從簡單序列到複雜樹狀的任意workflow拓撲。

更有趣的是遞迴機制：Conductor可以把"自己"也作為worker呼叫，形成遞迴編排，實現一種新的test-time scaling。

核心idea：用進化演算法（CMA-ES）訓練一個約0.6B參數的輕量協調器，給LLM動態分配三種角色：

•Thinker（思考者）：負責分析和推理

•Worker（執行者）：負責具體任務執行

•Verifier（驗證者）：負責檢查和糾錯

TRINITY在LiveCodeBench上達到86.2%的成績。

兩篇論文的共同啟示：編排能力本身可以通過學習獲得，而不是靠人工設計workflow。

以下是Sakana AI官方公佈的資料：

基準測試FuguFugu UltraOpus 4.8Gemini 3.1 ProGPT 5.5SWE-Bench Pro59.073.769.254.258.6TerminalBench 2.180.282.174.670.378.2LiveCodeBench92.993.287.888.585.3GPQA-Diamond95.595.592.094.393.6Humanity's Last Exam47.250.049.844.441.4SciCode60.158.753.558.956.1

官方特別註明：Fable 5和Mythos Preview的分數取兩者中較高的那個，且兩者都不在Fugu的agent池中——因為它們不公開可用。

Fugu拿高分的方式跟傳統模型完全不同。它沒有訓練一個更強的基座去解題，而是學會了這道題該派交給誰、怎麼拆解、如何校驗，最終綜合得到的答案質量超過任何單一模型獨立作答。

Fugu的調度對象包括當前最強的一批閉源和開源模型：

閉源模型：GPT-5.5、Claude Opus 4.8、Gemini 3.1 Pro

開源模型（論文訓練時使用的）：DeepSeek-R1-Distill-Qwen-32B、Gemma3-27B-instruct、Qwen3-32B

關鍵特性：Fugu不需要訪問worker模型的權重，甚至不需要它們是開放原始碼的。新模型發佈後可以直接加入worker池，使用者可以根據成本、隱私、合規需求定製可用模型列表。

Fugu的調度策略也很聰明——不同任務會自動集中呼叫不同模型：

•GPQA Diamond → 主要呼叫Gemini 3.1 Pro

Sakana AI在官方部落格中特別強調了一個不太技術但很重要的點：繫結單一供應商的風險。

原文寫道："存取權可能會一夜消失"——暗指Anthropic模型近期被施加出口管制的事件。

Fugu的底層模型池完全可替換，一家斷供就換另一家。Sakana AI稱之為"AI主權的現實藍圖"。

這個定位在當前中美AI博弈、日本算力受限的背景下，頗有深意。

•Fugu Ultra：輸入$5/M tokens，輸出$30/M tokens（context超過272K時翻倍）

•Fugu：單agent時只收底層模型的標準費率；多agent時不疊加費用，按最高級模型的單一費率計費

先算一筆帳：一個複雜任務可能涉及5個workflow step，每步呼叫一個不同的大模型。假設每個step都用GPT-5.5或Opus 4.8這種頂級模型，實際token消耗是單一模型的數倍。

Sakana AI說不疊加費用，按最高級模型單一費率計費——這說明他們自己也知道多模型呼叫的成本問題，在用定價策略補貼。

那它憑什麼談降低成本？它的邏輯不是總成本更低，而是三件事：

1同等質量下更便宜——用小模型編排+中等模型執行，可能比直接用最貴模型反覆試錯便宜

2避免浪費——簡單任務不派大模型，只在需要時才呼叫頂級模型

3減少人工成本——一次編排成功 vs 人工反覆偵錯prompt和workflow

但這些都是理論上的。Fugu Ultra定價$30/M output tokens，比GPT-5.5還貴——說明Sakana AI自己也認為這個服務值premium價格。

本質上Fugu賣的不是便宜，而是同樣的錢得到更好的結果。就像請一個項目經理指揮5個專家幹活，總成本肯定比一個專家高，但如果產出質量顯著提升，ROI可能更划算。

不過真實成本效益，還得等大量使用者實際使用後才能驗證。

除了跑分，Sakana AI還展示了幾個有趣的實驗：

一次性魔方求解器：Fugu和Fugu Ultra都成功解出了全部300個亂序魔方，Fugu Ultra平均步數更短（19.72步 vs 基線模型的19.76步），Fugu運行速度更快。

盲棋測試：在看不到棋盤、沒有FEN、只憑歷史走法記憶的情況下，Fugu連續擊敗4個對手，包括3個前沿模型和2100 Elo的Stockfish。

線上股票交易：在50周的歷史資料上做逐周買賣決策，Fugu Ultra平均收益+19.43%，其他前沿模型均不到+15%。

AutoResearch實驗：讓AI agent自主最佳化一個小GPT的訓練程式碼，Fugu Ultra在單張H100上跑了123次實驗、14小時，最終BPB（0.9774）優於所有基線模型。

Sakana Fugu提出的不只是一個新產品，而是一種新的範式：

現在的問題：怎麼讓多個模型協同起來更強？

1模型能力模組化：新模型發佈後直接加入worker池，成為某類任務的專家

2使用者控制權增強：企業可以根據隱私、合規、成本、延遲來配置模型池

3競爭維度擴展：從"單一模型能力"擴展到"系統組織能力"——誰更會調度模型、設計工作流、整合反饋

•多模型編排帶來更高成本和延遲

•錯誤歸因更複雜——出錯了很難分清是路由、worker還是綜合過程的問題

•編排器本身可能產生偏差，過度依賴某個模型

•技術報告中的測試來自廠商，實際能力還需要真實開發者的驗證

但無論如何，7B小模型通過學習編排策略，在多個基準上超越了百倍參數量的單一模型——這件事本身就很值得思考。

AI的下一階段，可能不只是更大更強的模型，還有更會協作的系統。 (覓血兵城)

彙整鉅亨號中所有使用「Fugu」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`