Sakana Fugu : un orchestrateur multi-agent japonais qui prétend égaler Claude Fable 5 et Mythos 5 sans nouveau modèle frontière

Le 22 juin 2026, la start-up japonaise Sakana AI a ouvert un programme bêta pour Fugu, un système d’orchestration multi-agents qui promet d’égaler les modèles frontière américains — dont Claude Fable 5 et Mythos 5 d’Anthropic — sans entraîner un seul nouveau grand modèle. Le pari : un petit modèle de 7 milliards de paramètres, formé pour router intelligemment entre des modèles existants, peut atteindre une performance équivalente à des systèmes dont l’entraînement a coûté des centaines de millions de dollars. Pour comprendre ce que cela change, il faut regarder à la fois l’architecture, les benchmarks, et le contexte dans lequel cette annonce arrive.

Sakana Fugu : ce qui est annoncé

Sakana AI décrit Fugu comme son « produit commercial international phare ». Concrètement, Fugu est un système multi-agents exposé derrière une API unique compatible avec le format OpenAI. Pour l’utilisateur qui appelle l’API, tout se passe comme avec un modèle classique : on envoie un prompt, on reçoit une réponse. La différence est qu’en interne, le système choisit dynamiquement quels modèles appeler, comment répartir les sous-tâches, et comment synthétiser le résultat final.

Deux variantes sont proposées : Fugu Mini 🐟, optimisée pour la latenceLatence Latence désigne le délai temporel qui s'écoule entre le déclenchement d'une action et la survenue de son effet, correspondant souvent au temps nécessaire pour qu'une donnée transite d'un point source… et les tâches courantes (coding, code review, chatbot), et Fugu Ultra 🐡, l’orchestration complète, pensée pour les tâches complexes multi-étapes comme la reproduction de papiers scientifiques, l’analyse cybersécurité ou la recherche brevets. Le pool de modèles sous-jacents est entièrement interchangeable : un client ayant des contraintes de conformité peut exclure certains modèles, et Sakana peut en ajouter de nouveaux sans casser l’API.

L’architecture : un modèle qui apprend à appeler d’autres modèles

Le détail technique central vient du blog officiel de Sakana. Fugu n’est pas une simple chaîne d’appels d’API. C’est lui-même un petit modèle de langage, entraîné spécifiquement à décider quels modèles externes appeler pour chaque partie d’un problème. Il peut également apprendre à s’appeler lui-même, ce qui permet ce que Sakana appelle le « test-time scaling » : à mesure que la tâche se complexifie, le système peut convoquer plusieurs exemplaires de lui-même, chacun attaquant une facette différente du problème.

Cette orchestration s’appuie sur deux publications acceptées à ICLR 2026 :

• TRINITY: An Evolved LLM Coordinator (arXiv 2512.04695) — un coordinateur LLM découvert par évolution.
• Learning to Orchestrate Agents in Natural Language with the Conductor (arXiv 2512.04388) — un système qui apprend à orchestrer des agents en langage naturel.

La distinction est importante : appeler successivement deux ou trois API et recoller les résultats n’a rien de nouveau. Le pari de Sakana, c’est que le routage lui-même est appris, testé, et amélioré comme un système, pas configuré à la main par des ingénieurs pour chaque cas d’usage.

Les benchmarks : où Fugu se place

Le tableau de bord publié par Sakana compare Fugu et Fugu Ultra à trois modèles frontière : Gemini 3.1 (high) et GPT 5.4 (high) côté Google et OpenAI, Opus 4.6 (max) côté Anthropic. Voici un extrait trié des résultats annoncés sur le blog officiel :

Source : blog Sakana AI, 22 juin 2026. Le tableau officiel se limite à trois benchmarks ; le rapport technique étendu en mentionne davantage.

Un tableau plus complet, rapporté par The Decoder à partir du rapport technique publié par Sakana sur GitHub (SakanaAI/fugu/Fugu_technical_report.pdf), donne une image plus large :

Source : The Decoder, citant le rapport technique Sakana (GitHub), 22 juin 2026. Gras = meilleur score du tableau.

Deux observations sur ces chiffres. Premièrement, ils placent Fugu Ultra au niveau ou au-dessus des modèles frontière sur la majorité des benchmarks rapportés — un résultat qui aurait semblé improbable il y a un an. Deuxièmement, ils appellent la prudence : Sakana publie ses propres résultats, et les conditions exactes (prompts, configuration, matériel, instance précise des modèles comparés) ne sont pas toutes détaillées dans le billet de blog. Le rapport technique sur GitHub est le document de référence.

Une lecture critique des chiffres

Le point crucial souvent omis dans les premiers articles : ni Claude Fable 5 ni Mythos 5 ne figurent dans le pool de modèles de Fugu. Ces deux modèles ne sont pas accessibles publiquement, ils ne peuvent donc pas être orchestrés par Fugu. La comparaison porte donc sur des modèles frontière disponibles publiquement (Gemini 3.1, GPT 5.4/5.5, Opus 4.6/4.8), et Sakana suggère que si Fable et Mythos étaient un jour ajoutés au pool, les scores monteraient encore. C’est un scénario plausible, mais c’est une projection, pas un résultat mesuré.

Il faut aussi se rappeler qu’un benchmark reste un benchmark. Humanity’s Last Exam, GPQA-D, SWE Bench Pro mesurent des capacités spécifiques (raisonnement scientifique, programmation, raisonnement agentique long) qui ne couvrent pas tout l’éventail de ce qu’un utilisateur peut attendre d’un modèle. Et Sakana n’a publié, sur son blog, qu’un sous-ensemble de résultats — le reste est dans le rapport technique, à confronter à des évaluations tierces lorsqu’elles paraîtront.

Sakana AI, le labo derrière Fugu

Sakana AI n’est pas un acteur marginal. La start-up a été fondée à Tokyo en 2023 par David Ha, Llion Jones et Ren Ito. Llion Jones est l’un des co-auteurs du papier fondateur Attention Is All You Need (2017), qui a introduit l’architecture Transformer sur laquelle repose l’essentiel de l’IA générative actuelle. En 2024, Reuters rapportait qu’une levée d’environ 30 milliards de yens avait été bouclée avec, parmi les investisseurs, des mégabanques japonaises et Nvidia.

Surtout, Fugu n’arrive pas ex nihilo. Sakana a construit depuis 2023 un fil de recherche cohérent autour de l’intelligence collective plutôt que du modèle monolithique :

• Evolutionary model merging : combiner des modèles open source divers pour obtenir des capacités qu’aucun ne possède individuellement.
• The AI Scientist : un système d’agents coordonnés qui exécutent de façon autonome le cycle complet de recherche scientifique, publié dans Nature.
• ShinkaEvolve : recherche évolutive sur un pool de programmes générés par LLM, qui découvre des algorithmes surpassant ceux écrits par des humains.
• AB-MCTS : plusieurs modèles frontière coopèrent via une recherche arborescente, surpassant n’importe quel modèle individuel sur des tâches de raisonnement complexes.
• ALE-Agent : un agent Sakana qui s’est classé 21ᵉ sur 1 000 experts humains dans une compétition de code — avant même Fugu.

Fugu est explicitement présenté par Sakana comme « la forme produit de cette direction de recherche ». Ce n’est pas un coup marketing isolé, c’est la monétisation d’un programme scientifique déjà public.

Le contexte : export controls et souveraineté

L’annonce arrive à un moment où la disponibilité des modèles les plus avancés n’est plus un acquis. Aux États-Unis, des contrôles à l’export ont récemment perturbé l’accès aux modèles Fable 5 et Mythos 5 d’Anthropic pour certains clients internationaux. Sakana ne cache pas qu’elle cible précisément cette vulnérabilité. L’entreprise le formule ainsi :

« Pour une organisation ou une nation, s’appuyer sur les API d’une seule entreprise pour des infrastructures critiques, la finance ou la gouvernance représente une vulnérabilité matérielle. Ce risque n’est plus une possibilité hypothétique, c’est une réalité. »

L’argument business est clair : Fugu ne supprime pas le risque de dépendance, mais le déplace. Si un fournisseur disparaît — pour cause de régulation, d’export control, ou de décision commerciale —, l’orchestrateur peut rerouter vers un autre modèle du pool. Si un nouveau modèle plus performant apparaît, il peut être ajouté sans imposer aux clients de réécrire leur application autour d’une nouvelle API. C’est une proposition de valeur structurelle, pas seulement technique.

Cas d’usage concrets : la cybersécurité comme test

Selon AI News, près de 500 testeurs bêta ont utilisé Fugu pendant le programme étendu. Le cas d’usage cybersécurité est particulièrement révélateur : un ingénieur a émis une seule instruction cadrée, et l’orchestrateur Fugu Ultra a exécuté l’intégralité de la phase de reconnaissance — vérification des injections cross-site, injections SQL, revue complète de l’authentification. Le modèle serait resté dans ses paramètres opérationnels, sans initier d’actions destructives contre l’infrastructure cible, et aurait conclu par un rapport de vulnérabilités propre, accompagné des preuves vérifiables.

Ce cas d’usage illustre un point que les benchmarks ne capturent pas : la valeur d’un orchestrateur n’est pas seulement la performance sur une tâche isolée, c’est la capacité à exécuter un workflow long, à enchaîner des étapes, à vérifier ses propres résultats, sans perdre le fil. C’est précisément ce que l’orchestration par test-time scaling est censée apporter.

Ce qu’il faut en retenir

• Un nouveau paradigme, pas un nouveau modèle. Sakana Fugu n’ajoute pas un modèle de plus dans la pile : il propose une couche d’intelligence qui route entre les modèles existants.
• Les benchmarks sont impressionnants mais à interpréter. Fugu Ultra atteint ou dépasse les modèles frontière sur la majorité des benchmarks rapportés — sans Fable ni Mythos dans son pool.
• Le contexte géopolitique n’est pas accessoire. L’orchestration est aussi une réponse aux restrictions d’accès sur les modèles américains les plus avancés.
• Le produit reste à valider sur le terrain. La bêta est ouverte aux chercheurs et ingénieurs externes ; les retours indépendants seront déterminants.

Sources

• Sakana Fugu: A Multi-Agent Orchestration System as a Foundation Model — Sakana AI, blog officiel, 22 juin 2026.
• Sakana AI’s Fugu orchestrates multiple LLMs to match Anthropic’s Fable and Mythos benchmarks — The Decoder, 22 juin 2026.
• Mitigating vendor lock-in with Sakana AI Fugu multi-agent models — AI News, 22 juin 2026.
• Sakana AI releases Fugu Ultra system to rival top AI labs — TestingCatalog AI News, 22 juin 2026.
• Sakana AI launches Fugu Ultra and its orchestration model matches Fable and Mythos without training a single frontier model — Startup Fortune, 22 juin 2026.
• Rapport technique : SakanaAI/fugu — Fugu_technical_report.pdf (GitHub).
• Papiers scientifiques associés : TRINITY (arXiv 2512.04695), The Conductor (arXiv 2512.04388), tous deux ICLR 2026.