Sakana AI liberó Fugu Max y Fugu Ultra v2, dos modelos nuevos de su familia Fugu. Fugu es un orquestador aprendido que lee la consulta, arma un andamiaje de agentes al vuelo y reparte el trabajo entre un grupo de otros modelos, todo detrás de una sola API. Los dos lanzamientos ajustan esa misma arquitectura a objetivos distintos, según publicó MarkTechPost el 10 de septiembre de 2026. Fugu Max persigue el mejor resultado por dólar y Fugu Ultra v2 la mayor capacidad en tareas difíciles de varios pasos.
Ambos están disponibles hoy como API alojada, compatible con la de OpenAI, y el cambio para quien ya usaba Fugu es de una línea. No hay pesos abiertos para instalar en servidores propios, y Sakana no ofrece el servicio en la Unión Europea ni en el Espacio Económico Europeo.
¿Por qué Sakana lo plantea en dos ejes?
El argumento de la empresa es directo. Una carga de trabajo real se juzga por capacidad y por costo al mismo tiempo, y mandar una búsqueda simple de datos a un modelo de varios billones de parámetros desperdicia plata. Un sistema mejor elige la maquinaria más barata que todavía resuelva la tarea. Sakana describe esto con la frontera de Pareto, donde ganar calidad cuesta más y recortar costo pierde calidad. Fugu Max y Fugu Ultra v2 comparten el núcleo de orquestación y solo cambia el blanco de la optimización.
La cadencia del proyecto es rápida. Fugu entró en beta en abril, alcanzó disponibilidad general en junio y en julio sumó Fugu-Cyber y una interfaz para Claude Code.
¿Cuánto cuesta Fugu Max?
| Concepto | Cifra que reporta Sakana |
|---|---|
| Tokens de entrada | 2 dólares por millón |
| Tokens de salida | 6 dólares por millón |
| Precio de salida contra Sonnet 5, GPT 5.6 Terra y Kimi K3 | entre 40% y 60% menos |
| Mejor puntaje general | en 6 pruebas |
| Frontera costo-rendimiento ampliada | en 7 de 10 pruebas |
Las seis pruebas donde reporta el mejor puntaje general son Terminal Bench 2.1, GPQA Diamond, AA-LCR, GDP.pdf, AutomationBench y SWEFish. Sakana ubica a Fugu Max a corta distancia de los modelos de punta con un costo entre 2 y 6 veces menor. La propia nota advierte que SWEFish es una prueba interna de Sakana, armada con sus propios desafíos de programación, y que ese resultado corresponde tomarlo como señal del proveedor.
Fugu Max amplía el grupo de modelos que Fugu puede orquestar y agrega un conjunto grande de modelos de pesos abiertos y especializados, entre ellos la familia NVIDIA Nemotron, a través de la colaboración de Sakana con NVIDIA. Cada tarea se enruta al modelo más liviano capaz de resolverla.
¿Qué mide Fugu Ultra v2?
| Prueba | Fugu Ultra v2 | Opus 5 | Fable 5 |
|---|---|---|---|
| Chartography, razonamiento visual y de datos | 48,3 | 27,3 | 29,5 |
| DeepSWE, ingeniería de software real | 74,3 | no informado | no informado |
En DeepSWE queda por delante de modelos que cuestan entre 3 y 5 veces más por token, según Sakana. La empresa reporta el mejor puntaje, solo o compartido, en 5 de 8 pruebas, que son GDP.pdf, Chartography, SWEFish, DeepSWE y Toolathon, y aparece entre los dos primeros en 7 de esas 8.
El dato que cierra el argumento de Sakana está en la lista de ausentes. Fable 5, Fable 5.1 y GPT-6-Astra no forman parte del grupo de agentes de Fugu Ultra v2, y el corte de entrenamiento del modelo es el 28 de agosto de 2026. El equipo sostiene que así se consigue resultado de frontera sin depender de un solo modelo propietario, lo que reduce la exposición al amarre con un proveedor, a la revocación de una API y a un corte de servicio repentino.
¿Cómo está construido?
El reporte técnico de Fugu describe a estos modelos como modelos de lenguaje por derecho propio. El entrenamiento combina ajuste fino a gran escala, algoritmos evolutivos y aprendizaje por refuerzo, y el sistema se apoya en dos artículos de ICLR 2026. TRINITY usa un coordinador liviano, obtenido por evolución, que asigna roles de pensador, trabajador y verificador a lo largo de los turnos. The Conductor se entrena con aprendizaje por refuerzo para descubrir estrategias de coordinación en lenguaje natural y consignas acotadas.
