Sakana Fugu orquestación IA: qué es y benchmarks

Actualizado el 17/07/2026 — Este artículo fue actualizado con información reciente, secciones nuevas y respuestas a las queries de búsqueda más frecuentes sobre Sakana Fugu.

En pocas palabras: Sakana Fugu es un orquestador de 7 mil millones de parámetros lanzado por Sakana AI el 22 de junio de 2026 que enruta cada tarea al mejor LLM frontier (Claude, GPT, Gemini) detrás de una sola API compatible con OpenAI. Marcó 73,7 en SWE-Bench Pro, superando a Opus 4.8 en benchmarks del fabricante, aunque sin verificación independiente aún. Está dando que hablar porque es la primera estrategia comprobada que evita el vendor lock-in sin entrenar un modelo propio.

Sakana Fugu es un orquestador de inteligencia artificial de 7 mil millones de parámetros lanzado por Sakana AI el 22 de junio de 2026. No entrena un modelo propio, sino que enruta cada consulta al mejor LLM disponible (Claude Sonnet 4, GPT-5, Gemini 2.5 Pro) bajo una sola API. Marcó 73,7 en SWE-Bench Pro coordinando múltiples modelos, sin crear uno gigante. Su propuesta: evitar el vendor lock-in y maximizar precisión en tareas complejas. Lo disruptivo no es la idea — es que funciona. Desde el lanzamiento, está siendo probado por startups y equipos enterprise que rechazaban depender de un solo proveedor.

Sakana Fugu es un orquestador de modelos de lenguaje que selecciona dinámicamente entre Claude Sonnet 4, GPT-5 y Gemini 2.5 Pro según la tarea. Descompone cada consulta en subtareas (planificar, resolver, verificar) y asigna un modelo especializado a cada una. Funciona detrás de una API compatible con OpenAI. Lanzado el 22 de junio de 2026 por Sakana AI, es la primera solución de orquestación que demuestra ganancias de rendimiento mesurables (73,7 en SWE-Bench Pro frente a 69,2 de Opus 4.8) sin entrenar un modelo nuevo. Su valor real: elimina el riesgo de depender de un solo proveedor de IA en producción.

¿Qué es exactamente Sakana Fugu y cómo funciona la orquestación?

Acá está el malentendido más frecuente. 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 nuevo.

Lo que entrenaron es un modelo chico, de 7 mil millones de parámetros, cuya función es leer la tarea que le tirás y decidir a qué modelo grande mandarla. Si le pedís resolver un bug de código, puede arrancar pidiéndole un plan a Gemini 2.5 Pro, pasarle la implementación a Claude Sonnet 4 y dejar el pulido final a GPT-5. Todo sucede detrás de una sola llamada a la API, sin que toques nada en tu código.

El componente que toma esas decisiones se llama Conductor. El marco teórico que lo sostiene, TRINITY, fue presentado por Sakana en ICLR 2026. La importancia: ningún modelo es el mejor en todo. Gemini puede brillar planificando arquitectura pero flojo escribiendo código final, mientras GPT-5 hace lo inverso. Fugu explota esa especialización en vez de promediarla.

Vienen dos sabores. Fugu balancea costo y precisión para tareas diarias. Fugu Ultra apunta a máxima precisión sin importar cuántos modelos consulte (con el gasto que eso implica).

¿Por qué la orquestación es distinta a integrar varios modelos?

Integrar varios modelos no es nuevo. Cualquiera con un fin de semana arma un router que manda preguntas fáciles a un modelo barato y las difíciles a uno caro. Eso es integración básica. La orquestación va mucho más profundo.

La diferencia está en que Fugu no decide una sola vez al principio. Descompone cada tarea en subtareas (planificar, resolver, verificar) y elige un modelo distinto para cada una de forma dinámica. Una consulta puede pisar cinco modelos diferentes a lo largo de su resolución, cada uno especializado en lo que hace mejor.

¿Por qué importa? Porque un modelo que brilla en razonamiento puede no ser el mejor sintetizando código. Otro que genera código limpio puede flojear en verificación de seguridad. Orquestar exprime esa especialización. Un router dumb que elige una sola vez al principio deja plata sobre la mesa.

Por qué Sakana Fugu está dando que hablar en julio de 2026

Desde el lanzamiento del 22 de junio, Fugu cambió la conversación en tres frentes. Primero, demostró que no necesitás entrenar un gigante propio para estar en la frontera — la orquestación inteligente alcanza. Segundo, resolvió un riesgo operativo que estaba enterrado pero era real: la dependencia de un solo proveedor de IA. Tercero, hizo todo esto con una API drop-in, lo que significa adopción sin fricción.

• Está matando el narrativo del “gigante único”: durante años el consenso era que la frontera pertenecía al que podía gastar más en training. Fugu probó que la coordinación vale. Startups y equipos sans-presupuesto-de-GPU ahora compiten. Eso abrió valvula de expectativas.
• Resolvió un problema que la industria sabe existe pero no menciona: ¿qué pasa si tu proveedor de IA te corta el acceso? Sakana lo admitió directo. El Conductor puede switchear modelos en tiempo real. Para empresas globales con compliance estricto, eso es soberanía operativa real. Donweb, por ej, podría garantizar a sus clientes que sus aplicaciones de IA no dependen de un solo jugador externo.
• La adopción está pasando en silencio: startups de código (Cursor competidores, agentes autónomos) ya lo están usando. Los benchmarks de SWE-Bench lo confirman. Cada reporte dice “testear en SWE-Bench” y ahora Fugu está en esa liga.
• Abrió un mercado nuevo para middleware de IA: si la orquestación funciona, hay demanda de specialization en routers. Los equipos van a querer túneles personalizados, optimización de costo, fallback automático. Eso no existía hace 3 semanas.

Benchmarks de Sakana Fugu: ¿qué tan bueno es en la práctica?

Los números que publicó Sakana son llamativos, pero hay que leerlos con cuidado. Son benchmarks del propio fabricante, todavía sin verificación independiente. Tomalos como una promesa, no como un hecho confirmado hasta que alguien de afuera los reproduzca.

Benchmark	Fugu	Fugu Ultra	Opus 4.8	GPT-5	Gemini 2.5 Pro
SWE-Bench Pro	73,7	~78 (est.)	69,2	58,6	54,2
GPQA-Diamond	95,5	—	91,2	—	92,1
Long Context (200K tokens)	74,7	—	68,3	72,1	75,2

Lo interesante: en varias pruebas, Fugu Ultra queda cabeza a cabeza con Fable 5, el tope de gama de Anthropic. Lo logra coordinando modelos existentes, sin entrenar un gigante propio. Si los números aguantan escrutinio externo, es un cambio de paradigma en cómo pensamos el costo de estar en la frontera. Por ahora, la comunidad de investigación está en “esperar y ver” — aunque hay reportes de investigadores usando Fugu en papers que salen estos meses.

Importante: los benchmarks de Sakana miden tareas específicas (ingeniería de software, razonamiento científico, contexto largo). No cubren visión por computadora, generación de imágenes ni audio. Fugu es especialista en LLM puro, no multimodal.

¿Cómo elige el Conductor qué modelo usar? Ejemplo paso a paso

Ponele que le tirás un issue de SWE-Bench: hay un test fallando y necesitás arreglar el código sin romper el resto. Esto es lo que hace Fugu internamente según su documentación:

• Análisis del problema: el Conductor consulta a Gemini 2.5 Pro y Claude Sonnet 4 para entender la raíz del fallo y qué enfoque conviene.
• Generación de la solución: reparte la implementación entre los modelos según qué parte del código toca cada uno y dónde cada modelo es más fuerte.
• Verificación y pulido: trae a GPT-5 al cierre para revisar que el fix no quebró nada y dejarlo listo para producción.

Nadie programó esa secuencia a mano. El Conductor la arma sobre la marcha, subtarea por subtarea. Puede cambiarla si el problema lo pide. Lo difícil de creer es que repite el mismo criterio en problemas completamente distintos, sin hardcodeo.

Detalle técnico: el Conductor usa información de contexto (el tipo de tarea, historial de decisiones previas en esa sesión, especialización conocida de cada modelo) para armar la ruta. No es magia — es aprendizaje en tiempo real. Es por eso que Fugu Ultra funciona mejor que Fugu en tareas complejas: el Conductor tiene presupuesto para consultar a más modelos y refinar la ruta.

¿Para qué tareas realmente conviene usar Fugu?

No es para todos. Si tu caso es un chatbot que responde preguntas simples, pagar varios modelos por consulta es tirar plata. Fugu brilla cuando la tarea es compleja y la precisión vale más que el costo.

• Revisión y debugging de código: cruzar criterios de varios modelos reduce falsos positivos. Gemini ve lo que GPT pasó por alto. Ideal para code review automatizado o búsqueda de vulnerabilidades.
• Research autónoma: tareas largas que combinan búsqueda, síntesis y verificación. Cada fase usa el modelo que mejor la resuelve. Los equipos de análisis están usando esto para investigaciones de compliance.
• Reproducción y validación de papers científicos: caso de uso confirmado por Sakana en comunicación oficial. Necesita rigor en múltiples frentes (parsing de papers, ejecución de código, verificación de resultados).
• Evaluaciones de seguridad: un modelo genera exploit, otro lo verifica, un tercero propone mitigación. Especialización pura. Las empresas de seguridad están mostrando interés.
• Agentes autónomos de larga duración: cuando el horizonte es cientos de pasos y cada error acumula, orquestar reduce drift. Un solo modelo puede acumular pequeños errores; múltiples modelos verificándose mutuamente no.
• Generación de contenido técnico con verificación: escribir documentación, tutoriales o análisis profundos donde el error tiene costo. Fugu puede generar y luego verificar con otro modelo antes de publicar.

El público claro: empresas que no quieren depender de un solo proveedor, equipos que necesitan precisión de frontera pero no presupuesto para entrenar modelos propios, startups que no pueden permitirse fallos de calidad.

Fugu vs alternativas: Mixture of Experts, routing simple y LiteLLM

Fugu es una estrategia — no la única. Hay alternativas que resuelven problemas parecidos con enfoques distintos. Cada una tiene trade-offs claros.

• Mixture of Experts (MoE) en un modelo grande: arquitectura donde diferentes “expertos” dentro de un modelo se especializan en tareas. Más eficiente que llamar a modelos externos. Downside: requiere entrenar. Upside: latencia baja y control total. Ejemplos: GPT-5 usa MoE internamente. Fugu es lo opuesto — aprovecha expertos entrenados por otros.
• Routing simple (costo vs precisión): “tareas fáciles a modelo barato, difíciles a modelo caro”. Es básico, funciona para cortar costos, pero no optimiza precisión en tareas complejas. No hay orquestación real — solo bifurcación.
• LiteLLM y herramientas open-source: permiten routear entre modelos, pero la lógica la escribís vos. Flexibilidad máxima, pero cada decisión de routing es hardcode. Fugu automatiza eso.
• Enfoque de Sakana (Fugu): el Conductor aprende a routear dinámicamente sin hardcode. Mejor para tareas complejas donde no sabés de antemano qué subtarea necesita qué modelo. Downside: costo por token es más alto, latencia no está completamente caracterizada.

La elección depende de tu arquitectura. Si tu carga es predecible y los costos son críticos, routing simple gana. Si necesitás precisión y estás dispuesto a pagar, Fugu es tu camino. Si tenés recursos para entrenar un modelo propio con MoE, eso es la mejor opción a largo plazo.

La jugada geopolítica: quebrar el vendor lock-in y las restricciones de exportación

Acá viene lo profundo. Hay un riesgo que poca gente menciona: los controles de exportación cambian de un día para el otro. Si tu infraestructura corre sobre un solo proveedor de IA y ese proveedor queda restringido por una decisión regulatoria, tu aplicación entera deja de funcionar sin que hayas tocado una línea de código.

Subís tu producto a producción con GPT como backbone, todo anda bárbaro durante meses, y mañana una política de exportación te corta el acceso y quedás en la lona. Fugu ataca ese escenario. Como el pool de modelos es intercambiable, si un proveedor se vuelve inaccesible, el Conductor redirecciona a otro. Para una empresa global, eso es soberanía operativa real.

Para equipos en Latinoamérica el ángulo es parecido. Si tu infraestructura corre en la nube pero dependés de una sola API de IA, agregá un orquestador y reducís un punto de falla crítico en la cadena.

Tema relacionado: podés excluir proveedores específicos del pool. Si tu política interna dice que no mandarás datos a modelo X, lo sacás de la lista y Fugu trabaja con los que quedan. Eso es compliance sin sacrificar precisión.

Disponibilidad, acceso y cómo empezar a usar Fugu

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 sigue funcionando sin reescribir nada.

El lanzamiento oficial fue el 22 de junio de 2026. Acceso a través de sakana.ai. Los steps básicos para empezar:

• Obtener acceso: pedí una API key en sakana.ai. Algunas cuentas tienen acceso inmediato, otras van a lista de espera. A julio de 2026, la mayoría de solicitudes se aprueban en menos de 24 horas.
• Reemplazar endpoint: en tu código, cambiá api.openai.com por el endpoint de Sakana (verificá URL exacta en docs). No es api.sakana.ai — son específicas por región.
• Elegir variante: decidí si usás fugu o fugu-ultra en el parámetro de modelo. Fugu alcanza para muchas tareas, Fugu Ultra es para máxima precisión.
• Testear: una llamada de prueba va a orquestar modelos. Fijate que la latencia sea aceptable para tu caso de uso.
• Configurar exclusiones (opcional): si tu policy prohíbe mandar datos a determinado proveedor, lo excluís en la request. Parámetro exclude_providers en la llamada.

Nota importante: el acceso a Fugu requiere verificación de identidad y aceptación de términos de servicio. No es completamente abierto — Sakana quiere saber quién está usando su orquestador.

¿Qué se sabe confirmado y qué sigue sin verificar?

• Confirmado: lanzamiento el 22/06/2026, dos variantes (Fugu y Fugu Ultra), compatibilidad OpenAI, opción de excluir proveedores. Todo según anuncio oficial de Sakana.
• Confirmado: los casos de uso (debugging, research, reproducción de papers, evals, RL a largo plazo). Reportados en documentación oficial.
• Confirmado: el Conductor toma decisiones dinámicas, no one-shot routing. Descrito en el paper TRINITY (ICLR 2026).
• Confirmado: compatibilidad drop-in con OpenAI API. Testeado por usuarios iniciales en GitHub y forums de IA.
• Pendiente: verificación independiente de benchmarks. Los 73,7 en SWE-Bench Pro salen del fabricante. Comunidades como EleutherAI no han reproducido aún.
• Pendiente: precios públicos exactos por token de Fugu vs Fugu Ultra y cuánto cuesta orquestar en tiempo real. Sakana dijo que publicaría en julio pero a la fecha no hay números.
• Pendiente: latencia end-to-end en producción cuando el Conductor consulta a tres modelos para una tarea. Sin benchmarks de terceros.
• Pendiente: casos de fallo documentados. ¿Qué pasa si un proveedor en el pool se vuelve inaccesible? ¿Cuál es la degradación de servicio?
• Pendiente: políticas de retención de datos de Sakana. El fabricante dice que no retiene consultas, pero falta documento legal detallado.

Errores comunes al entender Sakana Fugu

• Creer que es un modelo más: no compite con Opus o GPT en entrenamiento. Los usa. Compararlo como LLM aislado es no entender la propuesta.
• Asumir que siempre sale más barato: consultar varios modelos por tarea puede costar más que usar uno. Fugu conviene cuando precisión justifica el gasto, no para todo.
• Tomar benchmarks como verdad cerrada: son del fabricante. Hasta terceros independientes los reproduzcan, son una promesa. Historia: otros orquestadores han publicado benchmarks igual de rosados antes.
• Ignorar la latencia: si necesitás respuesta en milisegundos (chatbots interactivos), un orquestador que consulta a tres modelos quizás no sea la herramienta. El overhead es real.
• Pensar que es el final del juego: es una estrategia válida para 2026. Arquitectura de IA evoluciona rápido. Fugu es estado del arte ahora, no necesariamente en 18 meses. Ten una estrategia de migración en la cabeza.
• Creer que resuelve todas los riesgos de seguridad: orquestar reduce algunos riesgos (diversificación), pero agrega otros (más superficies de ataque, complejidad de auditoría). No es una solución mágica.

¿Cuál es la latencia de Fugu en producción?

La pregunta que nadie publica pero todos hacen: si Fugu consulta tres modelos para una tarea, ¿cuánto me cuesta en tiempo de respuesta?

Sakana no publicó latencias oficiales aún. Teóricamente, el Conductor puede consultar a los modelos en paralelo (no secuencial), así que la latencia debería ser cercana a la del modelo más lento, no la suma de los tres. Pero en la práctica depende de:

• Arquitectura de la consulta: ¿Fugu corre todo en paralelo o hay decisiones secuenciales que lo ralentizan? Los detalles no están publicados.
• Carga de los proveedores: si Claude está saturado, es el cuello de botella aunque Gemini sea rápido. Eso es fuera del control de Fugu.
• Tu geografía: routers globales añaden latencia. Sakana está en Japón, así que desde Latinoamérica esperate algunos milisegundos extra. No es catastrófico pero es medible.
• Tamaño del prompt: un prompt de 100K tokens tarda más en procesarse que uno de 1K. Fugu tiene límite de contexto de 200K por especificación.

Recomendación: testea con tus queries reales antes de irte a producción. La latencia es lo que va a decir si Fugu funciona para ti o no. Incluye en los tests casos de máxima carga (cuando el Conductor consulta a tres modelos vs dos).

¿Qué seguridad y privacidad hay en Sakana Fugu?

Cuando ruteas datos a múltiples proveedores, la privacidad se vuelve un problema más complejo. No es tan simple como con OpenAI.

• Datos que ve el Conductor: el modelo de 7B que toma las decisiones ve toda tu consulta completa para decidir a dónde mandarla. Eso es un tercero más que toca tus datos. Si tu consulta incluye PII, eso es un riesgo.
• Datos que ven los modelos finales: depende de tu política. Podés marcar que ciertos datos NO se manden a determinado proveedor, pero si excluís demasiados modelos, Fugu pierde capacidad de orquestar. Es un trade-off.
• Encriptación en tránsito: igual que OpenAI, HTTPS/TLS con certificados válidos. Esto es estándar, pero no garantiza privacidad end-to-end.
• Retención de logs: Sakana dice que no retiene datos de consultas. Pero eso hay que verificar en sus términos de servicio (ToS) antes de usar en producción. El papel aguanta cualquier cosa.
• Auditoría de accesos: cuando tus datos tocan múltiples proveedores, auditar quién accedió qué es más difícil. Necesitás auditorías separadas de Sakana, OpenAI, Google y Anthropic.

Si tenés datos ultra-sensibles (PII, secretos empresariales, código propietario, historias clínicas), testea a fondo antes de mandarlos a través de Fugu. El pooling de modelos es una ventaja operativa pero un riesgo de privacidad potencial. Considera anonimizar datos antes de enviar o usar Fugu solo con datos públicos.

¿Cuánto cuesta usar Sakana Fugu realmente?

Sakana no publicó precios al lanzamiento (22/06/2026). A mediados de julio sigue sin tarifa pública. Acá va un análisis de qué podés esperar basado en modelos similares:

• Fugu (balance): Probablemente entre el costo de GPT-4 y GPT-5. Estimación educada: $0.05-0.10 USD por 1K tokens de input. Eso es consultando un modelo en promedio, no tres.
• Fugu Ultra (máxima precisión): Puede rondar el precio de Claude Sonnet 4 o más. Estimación: $0.10-0.20 USD por 1K tokens. Orquestar tres modelos premium tiene costo real.
• Overhead de orquestación: Sakana puede cobrar un markup sobre el costo base de los modelos por el trabajo del Conductor. Ese overhead es el margen real del negocio. Podría ser 10-20% extra.
• Costo de salida (output): no publicado aún. Pero si input es 2x más caro que OpenAI, output probablemente sea 3x.

Recomendación: espera a que Sakana publique precios oficiales antes de hacer números. Las estimaciones arriba son educadas, no confirmadas. Una tarea que orquesta tres modelos puede salir más cara que una consulta simple a GPT-5, pero si reduce tu tasa de error de 15% a 3%, el ROI justifica el gasto.

Para hacer números: calculá cuánto te cuesta un error en tu caso de uso (falso positivo en security scan, hallazgo erróneo en research). Si ese costo es mayor a 10x el gasto en tokens extra de Fugu, es una compra clara.

¿Hay competidores haciendo algo parecido?

Orquestar modelos no es exclusividad de Sakana. Otros están explorando estrategias similares, pero ninguno está donde Fugu está hoy.

• Mezcla de expertos (Mixture of Experts): arquitectura donde diferentes ramas de un modelo se especializan en distintas tareas. Más eficiente que consultar modelos externos, pero requiere entrenar. Google, Meta y OpenAI están invirtiendo en MoE pero los resultados públicos aún no compiten con Fugu Ultra en SWE-Bench.
• Routing dinámico open-source: herramientas como LiteLLM hacen routing pero sin la sofisticación del Conductor de Sakana. Vos mismo armas la lógica, lo que es flexible pero manual. Comunidades de IA están explorando esto.
• APIs de agregación: otros proveedores ofrecen APIs que wrappean múltiples modelos, pero normalmente con decisiones simples (costo vs precisión), no orquestación verdadera. Anthropic se rumorea que está experimentando pero no ha lanzado nada público.
• Routers in-house de grandes tech: Google, Meta y Anthropic probablemente tienen routers internos, pero no son productos públicos. Solo Sakana lo monetizó como servicio.

Lo que hace Fugu distinto es que el Conductor aprende cuándo usar qué modelo a través de TRINITY, no por reglas hardcodeadas. Eso es más poderoso pero también más opaco. La alternativa más cercana es un router LiteLLM personalizado, pero eso es 10x más trabajo de ingeniería.

¿Qué esperar del futuro de Fugu?

Sakana AI es una startup joven (fundada en Japón en 2023). Si el lanzamiento de Fugu es éxito, hay trajectoria clara de evolución:

• Más modelos en el pool: al lanzamiento hay Claude, GPT, Gemini. A medida que otros LLMs compitan en frontera (Llama 4, Mistral Titans, future models), Fugu puede agregar nuevos. El Conductor se adaptaría automáticamente.
• Fine-tuning personalizado: entrenar el Conductor para tu dominio específico (medicina, finanzas, código, legal) en vez de usar el genérico. Eso sería un producto premium.
• Fallback automático: si un proveedor cae, Fugu se adapta sin drop de performance. Eso todavía no está confirmado pero sería diferenciador enorme.
• Optimización de costo: el Conductor podría aprender a balancear precisión vs dólar gastado por consulta. Hoy se enfoca en accuracy. Futuro: accuracy por presupuesto.
• Soporte para multimodal: hoy Fugu es LLM puro. Vision, audio y generación de imágenes vendrían después. Eso es market segmentation — querrían cobrar más.
• Integration con herramientas enterprise: conectores nativos para Langchain, LlamaIndex, agents frameworks. Hoy es solo API.

Preguntas Frecuentes

¿Qué es Sakana Fugu y cuándo se lanzó?

Sakana Fugu es un orquestador de inteligencia artificial de 7 mil millones de parámetros lanzado por Sakana AI el 22 de junio de 2026. Enruta dinámicamente cada tarea al mejor LLM disponible (Claude Sonnet 4, GPT-5, Gemini 2.5 Pro) bajo una sola API compatible con OpenAI.

¿Cómo funciona exactamente la orquestación de 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 durante la ejecución. Por ejemplo, puede usar Gemini 2.5 Pro y Claude Sonnet 4 para planificar, y GPT-5 para optimizar el código final. Todo sucede detrás de una sola llamada a la API, transparentemente.

¿Supera Sakana Fugu a Claude Opus en benchmarks?

Según datos publicados por Sakana AI en el anuncio del 22/06/2026, Fugu marcó 73,7 en SWE-Bench Pro frente a 69,2 de Opus 4.8. Son cifras del fabricante sin verificación independiente, así que conviene esperar que terceros las reproduzcan antes de darlas por definitivas. Comunidades de investigación están testeando en julio/agosto.

¿Para qué casos de uso sirve Fugu?

Los casos confirmados son revisión de código y debugging, research autónoma, reproducción de papers científicos, evaluaciones de seguridad y tareas agénticas de larga duración. También funciona para generación de contenido técnico con verificación. Conviene cuando la precisión vale más que el costo por token.

¿Cuánto cuesta Sakana Fugu?

Sakana no publicó precios oficiales al lanzamiento (22/06/2026) y sigue sin tarifa pública a mediados de julio. Estimaciones basadas en modelos similares: Fugu probablemente entre $0.05-0.10 USD por 1K tokens de input, Fugu Ultra entre $0.10-0.20. El overhead de orquestación es el verdadero margen de Sakana, estimado en 10-20%.

¿Qué latencia tiene Fugu en producción?

Sakana no publicó benchmarks de latencia. Teóricamente, el Conductor puede consultar modelos en paralelo, así que la latencia debería ser cercana al modelo más lento, no la suma de los tres. Pero en la práctica depende de carga de proveedores, geografía y tamaño del prompt. Testea con tus queries reales antes de adoptar para producción.

¿Cómo empiezo a usar Sakana Fugu?

Pedí una API key en sakana.ai (requiere verificación de identidad). Reemplazá el endpoint de OpenAI por el de Sakana en tu código y cambiá el modelo a fugu o fugu-ultra. Tu código existente seguirá funcionando sin cambios si usabas OpenAI. Acceso se aprueba generalmente en menos de 24 horas.

¿Qué pasa con mis datos cuando uso Fugu?

Tu consulta completa pasa por el Conductor (el modelo de 7B) para que decida a dónde rutearla. Luego va a uno o más modelos en el pool. Podés excluir proveedores específicos si tu política lo requiere (parámetro exclude_providers), pero eso reduce la capacidad de orquestación. Sakana dice que no retiene consultas, pero verifica sus términos de servicio antes de mandar datos sensibles.

¿Hay riesgo de vendor lock-in con Sakana Fugu?

No en el sentido tradicional. Fugu te desbloquea del lock-in a un solo proveedor de IA (Claude, GPT) porque el Conductor puede switchear entre ellos en tiempo real. Pero seguís dependiendo de Sakana para la orquestación en sí. Es mejoría, no libertad total. Si Sakana se cae, vos tenés que volver a tu proveedor original.

¿Cuál es la diferencia entre Fugu y Fugu Ultra?

Fugu está optimizado para balance entre costo y precisión, con límite presupuestario en cuántos modelos consulta. Fugu Ultra quita ese límite y permite que el Conductor consulte a todos los modelos necesarios para máxima precisión. Ultra es para tareas donde el error tiene costo alto; Fugu es para tareas cotidianas.

¿Se puede usar Fugu en aplicaciones que necesitan respuesta en milisegundos?

Probablemente no es ideal. Si tu aplicación es un chatbot que necesita respuesta en <100ms (como interfaces de usuario en vivo), la latencia de orquestar múltiples modelos es un problema. Fugu está diseñado para tareas complejas que toleran latencia un poco más alta a cambio de precisión. Testea siempre antes de adoptar.