En pocas palabras: Sakana Fugu es un orquestador de 7B lanzado por Sakana AI el 22 de junio de 2026: no es un modelo nuevo, sino un coordinador que enruta cada tarea al mejor LLM frontier (Claude, GPT, Gemini) tras una sola API. Marcó 73,7 en SWE-Bench Pro, superando a Opus 4.8.
Sakana AI lanzó Sakana Fugu el 22 de junio de 2026: un orquestador que no es un modelo entrenado, sino un coordinador de 7B parámetros que enruta cada tarea al mejor LLM frontier disponible (Claude, GPT, Gemini) detrás de una sola API. En SWE-Bench Pro marcó 73,7, arriba de Opus 4.8 (69,2).
La propuesta de Sakana Fugu orquestación IA es simple de explicar y rara de ver funcionando: en vez de elegir un proveedor y casarte con él, dejás que un modelo chico decida, tarea por tarea, qué modelo grande conviene usar. El concepto de orquestación de modelos consiste en repartir planificación, resolución y verificación entre varios LLM especializados, coordinados por un solo controlador, expuesto bajo una API compatible con OpenAI. Sakana AI es la empresa japonesa detrás del proyecto.
En 30 segundos
- Qué es: un orquestador de 7B que enruta tareas a GPT-5, Claude Sonnet 4 y Gemini 2.5 Pro, no un modelo nuevo.
- Dos variantes: Fugu (balance costo/precisión) y Fugu Ultra (máxima precisión).
- Benchmark clave: 73,7 en SWE-Bench Pro vs 69,2 de Opus 4.8 y 58,6 de GPT-5.5 (datos del propio Sakana).
- Para qué sirve: evitar vendor lock-in y sortear controles de exportación con un pool de modelos intercambiable.
- Cómo se usa: drop-in compatible con OpenAI, disponible desde el 22/06/2026 en sakana.ai.
¿Qué es exactamente Sakana Fugu y cómo funciona?
Acá está el malentendido más común. La gente lee “modelo de Sakana” y asume que entrenaron un competidor de Opus o GPT. No. Fugu es un director de orquesta, no un instrumento.
Lo que entrenaron es un modelo chico, de 7B parámetros, cuya única función es leer la tarea que le tirás y decidir a qué modelo grande mandársela. Si le pedís resolver un bug, puede arrancar pidiéndole un plan a Gemini 2.5 Pro, pasarle la resolución a Claude Sonnet 4 y dejar el pulido final del código en manos de GPT-5. Todo eso pasa atrás de una sola llamada a la API, sin que vos toques nada.
Vienen dos sabores. Fugu busca el balance entre costo y precisión, pensado para tareas del día a día. Fugu Ultra apunta a la máxima precisión sin importar cuántos modelos tenga que consultar (con el costo que eso implica, obvio). Lo explicamos a fondo en estrategias de seguridad para empresas.
¿Qué significa orquestación de modelos y por qué es distinto?
Integrar varios modelos no es nuevo. Cualquiera con un fin de semana libre arma un router que manda las preguntas fáciles a un modelo barato y las difíciles a uno caro. Eso es integración. La orquestación va más profundo.
La diferencia está en que Fugu no decide una sola vez al principio. Descompone la tarea en subtareas (planificar, resolver, verificar) y elige un modelo distinto para cada una, de forma dinámica. El componente que toma esa decisión se llama Conductor, y el marco teórico que lo sostiene, bautizado TRINITY, lo presentó Sakana en ICLR 2026.
¿Por qué importa la diferencia? Porque ningún modelo es el mejor en todo. Gemini puede ser brillante planificando arquitectura y flojo escribiendo el código final, mientras GPT-5 hace lo inverso. Fugu explota eso en lugar de promediarlo.
Benchmarks de Sakana Fugu: ¿qué tan bueno es realmente?
Los números que publicó Sakana son llamativos. La salvedad, antes de la tabla: son benchmarks del propio fabricante, todavía sin verificación independiente. Tomalos con pinzas hasta que alguien de afuera los reproduzca.
| Benchmark | Fugu | Opus 4.8 | GPT-5.5 | Gemini 3.1 |
|---|---|---|---|---|
| SWE-Bench Pro | 73,7 | 69,2 | 58,6 | 54,2 |
| GPQA-Diamond | 95,5 | — | — | — |
| Long Context | 74,7 | — | — | — |
El dato fino: en varias pruebas, Fugu Ultra queda peleando cabeza a cabeza con Fable 5, el tope de gama. Lo interesante es que lo logra sin entrenar un modelo gigante propio, solo coordinando los que ya existen. Si los números aguantan el escrutinio externo, es un golpe de timón en cómo pensamos el costo de estar en la frontera. Relacionado: como alternativa a ChatGPT.
¿Cómo elige Fugu qué modelo usar? Un ejemplo concreto
Ponele que le tirás un issue de SWE-Bench: hay un test que falla y hay que arreglar el código sin romper el resto. Esto es lo que hace Fugu según el ejemplo del anuncio.
- Planificación de alto nivel: el Conductor convoca a Gemini 2.5 Pro y Claude Sonnet 4 para entender el problema y proponer un enfoque.
- Resolución: reparte la implementación entre los modelos según qué parte del código toca cada uno.
- Pulido final: trae a GPT-5 al cierre para optimizar el código y dejarlo listo.
Nadie programó esa secuencia a mano. El Conductor la arma sobre la marcha, subtarea por subtarea, y puede cambiarla si el problema lo pide. Esa es la parte que cuesta creer hasta que la ves repetir el mismo criterio en problemas distintos.
¿Quién debería usar Sakana Fugu y para qué tareas?
No es para todos. Si tu caso de uso es un chatbot de soporte que responde preguntas simples, pagar tres modelos por consulta es tirar plata. Fugu brilla cuando la tarea es compleja y la precisión vale más que el costo por token.
- Revisión de código y debugging: donde cruzar criterios de varios modelos reduce falsos positivos.
- Research autónoma: tareas largas que combinan búsqueda, síntesis y verificación.
- Reproducción de papers científicos: uno de los casos de uso confirmados por Sakana.
- Evaluaciones de seguridad: útil tener un modelo que verifique lo que otro generó.
- Tareas agénticas de RL a largo plazo: donde el horizonte de decisión es de cientos de pasos.
El público claro: empresas que no quieren depender de un solo proveedor y equipos que necesitan precisión de frontera sin el presupuesto para entrenar modelos propios.
La jugada geopolítica: mitigar la dependencia de un proveedor
Acá viene lo bueno. Hay un problema que poca gente menciona: los controles de exportación. Desde ciertos territorios, el acceso a GPT o Claude puede quedar restringido de un día para el otro por una decisión regulatoria que no controlás. Cubrimos ese tema en detalle en en el panorama de modelos de IA.
Subís tu producto a producción apoyado en un solo proveedor, todo anda bárbaro durante meses, y de repente cambia una política de exportación, te cortan el acceso a ese modelo y tu aplicación entera deja de funcionar sin que hayas tocado una línea de código. Fugu ataca justo ese escenario: como el pool de agentes es intercambiable, si un proveedor restringe el acceso, el Conductor redirecciona a otro modelo. Para una empresa global, eso es soberanía operativa real.
Para equipos en Latinoamérica el ángulo es parecido. Si tu infraestructura corre sobre un proveedor de cloud regional como donweb.com, sumar un orquestador que no te ata a una sola API de IA reduce un punto de falla más en la cadena.
Disponibilidad, API y cómo empezar
La buena noticia para migrar: Fugu es compatible con OpenAI. Eso significa drop-in replacement. Cambiás la URL del endpoint y la API key, y tu código existente sigue funcionando sin reescribir nada.
El lanzamiento oficial fue el 22 de junio de 2026, con acceso a través de sakana.ai. Un detalle pensado para compliance: podés excluir proveedores específicos del pool. Si tu política interna prohíbe mandar datos a determinado modelo, lo sacás de la lista y Fugu trabaja con los que quedan.
Qué está confirmado y qué no
- Confirmado: el lanzamiento el 22/06/2026, las dos variantes (Fugu y Fugu Ultra), la compatibilidad OpenAI y la opción de excluir proveedores, todo según el anuncio oficial de Sakana.
- Confirmado: los casos de uso (debugging, research, reproducción de papers, evals de seguridad, RL a largo plazo).
- Pendiente: verificación independiente de los benchmarks. Los 73,7 en SWE-Bench Pro salen del propio fabricante.
- Pendiente: precios públicos por token de cada variante y el costo real de correr Fugu Ultra.
- Pendiente: latencia en producción cuando el Conductor consulta a tres modelos para una sola tarea.
Errores comunes al pensar en Sakana Fugu
- Creer que es un modelo más: no compite con Opus o GPT en entrenamiento. Los usa. Compararlo como si fuera un LLM aislado es no entender la propuesta.
- Asumir que siempre sale más barato: consultar varios modelos por tarea puede costar más que usar uno solo. Fugu conviene cuando la precisión justifica el gasto, no para todo.
- Tomar los benchmarks como verdad cerrada: son del fabricante. Hasta que un tercero los reproduzca, son una promesa, no un hecho.
- Ignorar la latencia: si tu caso necesita respuesta en milisegundos, un orquestador que consulta a tres modelos quizás no sea la herramienta.
Preguntas Frecuentes
¿Qué es Sakana Fugu y por qué está trending?
Sakana Fugu es un modelo orquestador de 7B parámetros lanzado el 22 de junio de 2026 por Sakana AI que enruta cada tarea al mejor LLM disponible (Claude, GPT, Gemini) bajo una sola API. Está dando que hablar porque marcó 73,7 en SWE-Bench Pro coordinando otros modelos, sin entrenar uno propio.
¿Cómo funciona la orquestación de modelos en Fugu?
Fugu descompone cada tarea en subtareas (planificar, resolver, verificar) y un componente llamado Conductor elige un modelo distinto para cada una de forma dinámica. Por ejemplo, puede usar Gemini 2.5 Pro y Claude Sonnet 4 para planificar y GPT-5 para optimizar el código final. Tema relacionado: la apuesta de Google en IA.
¿Sakana Fugu supera a Claude Opus en benchmarks?
Según datos del propio Sakana, Fugu marcó 73,7 en SWE-Bench Pro frente a 69,2 de Opus 4.8. Son cifras del fabricante sin verificación independiente todavía, así que conviene esperar reproducción de terceros antes de darlas por definitivas.
¿Cuáles son los casos de uso de Sakana Fugu?
Los casos confirmados son revisión de código y debugging, research autónoma, reproducción de papers científicos, evaluaciones de seguridad y tareas agénticas de RL a largo plazo. Apunta a equipos que necesitan máxima precisión sin entrenar modelos propios.
¿Cómo empiezo a usar Sakana Fugu?
Fugu es compatible con OpenAI, así que funciona como drop-in replacement: cambiás el endpoint y la API key sin reescribir tu código. El acceso es a través de sakana.ai desde el 22 de junio de 2026, con la opción de excluir proveedores específicos por compliance.
Conclusión
Sakana Fugu cambia la pregunta. Dejás de preguntarte “¿qué modelo elijo?” y pasás a “¿por qué elegir uno solo?”. Si los benchmarks aguantan la verificación externa, la idea de coordinar modelos en vez de competir contra ellos puede redefinir cómo se construyen aplicaciones de IA serias.
Mi recomendación práctica: no lo metas en producción todavía esperando milagros. Probalo en una tarea compleja real (un debugging difícil, una research larga), medí el costo y la latencia contra tu setup actual, y recién ahí decidí. La promesa de no depender de un solo proveedor es valiosa de verdad. El número de SWE-Bench, por ahora, es una promesa que falta confirmar.
Fuentes
- Sakana AI – Página oficial de Fugu
- Sakana AI – Anuncio de lanzamiento de Fugu
- MarkTechPost – Sakana lanza Fugu, orquestador sobre pool intercambiable de LLMs
- VentureBeat – Cómo Sakana entrenó un modelo de 7B para orquestar GPT-5, Claude Sonnet 4 y Gemini 2.5 Pro
- AI News – Mitigación de vendor lock-in con los modelos multiagente de Fugu