Sakana Fugu

原文 ↗ Hacker News 讨论 ↗

Fugu 是什么以及它如何工作

  • 被描述为一个“编排器”或“协调器”LLM，位于多个模型之前。
  • 普通 Fugu 看起来会把请求路由到最合适的模型；Fugu Ultra 可以创建多步骤工作流（例如，一个模型负责数学，另一个负责安全检查，另一个负责综合）。
  • 它以单个兼容 OpenAI 的端点形式提供，从而能够在现有工具中实现“agents of agents”设置。

与其他多模型系统的比较

  • 经常被拿来与 OpenRouter Fusion 比较：
    • Fusion = 并行调用多个模型 + 一个综合步骤。
    • Fugu = 使用专门的路由模型来选择模型，并且有时规划序列。
  • 也与 Perplexity、Databricks Omnigent、各种开源编排器，以及经典 ML 中简单的集成方法进行比较。
  • 一些用户指出，类似的开源 fusion 据称能以更低成本达到或超过顶级模型。

性能、质量和速度

  • 反馈不一：
    • 有人说，在某些代码审查 / 推理任务上，Fugu 级别的表现接近前沿模型。
    • 也有人认为，在实现任务上它弱于领先的前沿模型，而且容易出错。
  • 延迟是反复被抱怨的问题；编排和多步骤工作流让它感觉很慢。
  • 技术报告因只比底层模型有小幅提升而受到批评。

定价、经济性和替代方案

  • 许多人觉得每月 200 美元的档位太贵，尤其是考虑到据称只有约 5 小时的可用时间以及高昂的 token 消耗。
  • 几位评论者更偏好：
    • 以相同或更低的有效成本直接使用前沿模型。
    • 非常便宜的模型（例如 DeepSeek）或本地 / 开源方案，有时他们还会自行编排。
  • 另一些人指出，订阅过多付费 AI 工具会带来“订阅疲劳”。

研究、架构和未来潜力

  • 有人认为路由 / 编排是顺理成章的下一步：把专用模型和 agents 组合起来，可能会优于任何单一模型。
  • 人们对将类似想法应用到更小、可本地托管的模型以提升其能力很感兴趣。
  • 也有人担心，前沿实验室可能会集成等效的元推理，从而让这类服务失去意义。

批评、风险与伦理

  • 对“前沿级别”营销以及只是把一种供应商锁定换成另一种供应商锁定持怀疑态度。
  • 对缺乏欧盟可用性表示不满。
  • 对公司参与国防 / 军事工作的伦理问题表示反对。