Sakana Fugu

O que é o Fugu e como funciona

• Descrito como um LLM “orquestrador” ou “coordenador” que fica na frente de vários modelos.
• O Fugu regular parece encaminhar uma solicitação para o modelo mais adequado; o Fugu Ultra pode criar fluxos de trabalho em várias etapas (por exemplo, um modelo para matemática, outro para verificações de segurança, outro para síntese).
• Ele é exposto como um único endpoint compatível com OpenAI, permitindo configurações de “agent of agents” dentro de ferramentas existentes.

Comparações com outros sistemas multi-modelo

• Frequentemente comparado ao OpenRouter Fusion:
  • Fusion = chamar vários modelos em paralelo + uma etapa de síntese.
  • Fugu = usar um modelo de roteamento dedicado para escolher modelos e, às vezes, planejar sequências.
• Também comparado ao Perplexity, Databricks Omnigent, vários orquestradores open source e métodos simples de ensemble do ML clássico.
• Alguns usuários observam que fusões open source semelhantes relatadamente igualam ou superam modelos de ponta a um custo menor.

Desempenho, qualidade e velocidade

• Relatos mistos:
  • Alguns dizem que o desempenho no nível do Fugu fica próximo de modelos de ponta em certas tarefas de revisão de código / raciocínio.
  • Outros o consideram mais fraco que os principais modelos de ponta em tarefas de implementação e propenso a erros.
• Latência é uma reclamação recorrente; a orquestração e os fluxos de trabalho em várias etapas fazem com que pareça lento.
• O relatório técnico é criticado por mostrar apenas ganhos modestos sobre os modelos subjacentes.

Preço, economia e alternativas

• Muitos consideram o nível de US$ 200/mês caro, especialmente dado o relato de ~5 horas de tempo utilizável e alto consumo de tokens.
• Vários comentaristas preferem:
  • Acesso direto a modelos de ponta a um custo efetivo semelhante ou menor.
  • Modelos muito baratos (por exemplo, DeepSeek) ou configurações locais/open source, às vezes orquestradas por eles mesmos.
• Outros observam a fadiga de assinaturas ao acumular muitas ferramentas de IA pagas.

Pesquisa, arquitetura e potencial futuro

• Alguns veem roteamento/orquestração como o próximo passo lógico: combinar modelos e agentes especializados pode superar qualquer modelo único.
• Há interesse em aplicar ideias semelhantes para turbinar modelos menores que possam ser hospedados localmente.
• Há preocupação de que os laboratórios de ponta possam integrar metaraciocínio equivalente e tornar tais serviços obsoletos.

Críticas, riscos e ética

• Ceticismo sobre o marketing de “nível de ponta” e sobre simplesmente substituir um aprisionamento a fornecedor por outro.
• Frustração com a falta de disponibilidade na UE.
• Objeções éticas ao envolvimento da empresa com trabalho de defesa/militar.