Sakana Fugu

Qué es Fugu y cómo funciona

• Se describe como un LLM “orquestador” o “coordinador” que se sitúa delante de múltiples modelos.
• Fugu normal parece enrutar una solicitud al modelo más adecuado; Fugu Ultra puede crear flujos de trabajo de varios pasos (por ejemplo, un modelo para matemáticas, otro para comprobaciones de seguridad, otro para síntesis).
• Se expone como un único endpoint compatible con OpenAI, lo que permite configuraciones de “agente de agentes” dentro de herramientas existentes.

Comparaciones con otros sistemas multmodelo

• Se compara a menudo con OpenRouter Fusion:
  • Fusion = llamar a varios modelos en paralelo + un paso de síntesis.
  • Fugu = usar un modelo de enrutamiento dedicado para elegir modelos y, a veces, planificar secuencias.
• También se compara con Perplexity, Databricks Omnigent, varios orquestadores de código abierto y métodos de ensamblado simples del ML clásico.
• Algunos usuarios señalan que fusiones de código abierto similares supuestamente igualan o superan a los mejores modelos a menor coste.

Rendimiento, calidad y velocidad

• Informes mixtos:
  • Algunos dicen que el rendimiento a nivel de Fugu se acerca a los modelos de frontera para ciertas tareas de revisión de código / razonamiento.
  • Otros lo encuentran más débil que los modelos de frontera líderes para tareas de implementación y propenso a errores.
• La latencia es una queja recurrente; la orquestación y los flujos de trabajo de varios pasos hacen que se sienta lento.
• El informe técnico es criticado por mostrar solo mejoras modestas sobre los modelos subyacentes.

Precio, economía y alternativas

• Muchos consideran cara la tarifa de $200/mes, especialmente dado el tiempo útil reportado de ~5 horas y el alto consumo de tokens.
• Varios comentaristas prefieren:
  • Acceso directo a modelos de frontera a un coste efectivo similar o menor.
  • Modelos muy baratos (por ejemplo, DeepSeek) o configuraciones locales/de código abierto, a veces orquestadas por ellos mismos.
• Otros señalan la fatiga por suscripciones al acumular muchas herramientas de IA de pago.

Investigación, arquitectura y potencial futuro

• Algunos ven el enrutamiento/orquestación como el siguiente paso lógico: combinar modelos y agentes especializados puede superar a cualquier modelo individual.
• Hay interés en aplicar ideas similares para mejorar modelos más pequeños que puedan alojarse localmente.
• Preocupa que los laboratorios de frontera puedan integrar un metarrazonamiento equivalente y hacer obsoletos servicios como este.

Críticas, riesgos y ética

• Escepticismo sobre el marketing de “nivel frontera” y sobre sustituir una dependencia de proveedor por otra.
• Frustración por la falta de disponibilidad en la UE.
• Objeciones éticas por la participación de la empresa en trabajos de defensa/militares.