Por Canuto  

Sakana AI presentó Fugu Max y Fugu Ultra v2, dos modelos de orquestación multiagente que buscan resolver una tensión central de la inteligencia artificial: obtener más capacidad sin disparar el costo. La empresa afirma que Fugu Max mejora el rendimiento por dólar, mientras Ultra v2 apunta a tareas complejas de razonamiento, investigación y software.
***

  • Fugu Max tiene un precio de USD $2 por millón de tokens de entrada y USD $6 por millón de tokens de salida.
  • Sakana AI afirma que Fugu Max obtuvo el mejor puntaje general en seis benchmarks y amplió la frontera de costo-rendimiento en siete de diez pruebas.
  • Fugu Ultra v2 registró 48,3 en Chartography y 74,3 en DeepSWE, según los resultados reportados por la empresa.

Dos objetivos para una misma arquitectura

Sakana AI presentó Fugu Max y Fugu Ultra v2 como nuevas incorporaciones a su familia de modelos Fugu, con una propuesta centrada en la coordinación de sistemas de inteligencia artificial. La compañía no presenta Fugu como un único modelo fundacional, sino como un orquestador aprendido que recibe una consulta y distribuye el trabajo entre distintos modelos mediante una sola API. La estrategia intenta abordar dos variables que suelen competir en los despliegues empresariales: la capacidad de respuesta y el costo por tarea.

Según la información divulgada por Sakana AI y recogida por MarkTechPost, Fugu Max fue diseñado para buscar el mejor resultado por dólar, mientras que Fugu Ultra v2 prioriza la máxima capacidad en problemas difíciles y de múltiples pasos. Ambos comparten una arquitectura central de orquestación, pero se optimizan con objetivos diferentes dentro de la frontera de Pareto, concepto que describe el equilibrio entre calidad y precio. En términos prácticos, Sakana AI sostiene que no todas las consultas necesitan pasar por el modelo más grande y costoso disponible.

Los dos servicios están disponibles desde el lanzamiento mediante una API alojada y compatible con OpenAI. Esto permite a los usuarios existentes integrarlos con cambios limitados en sus aplicaciones, de acuerdo con la información publicada por la empresa. La oferta, sin embargo, tiene límites importantes: Sakana AI no publica los pesos para autoalojamiento y, según MarkTechPost, no ofrece el servicio en la Unión Europea ni en el Espacio Económico Europeo. Por ahora, la propuesta se concentra en el acceso administrado desde su propia infraestructura.

El lanzamiento ocurre después de una expansión rápida de la familia Fugu. El sistema entró en fase beta en abril, alcanzó disponibilidad general en junio y sumó Fugu-Cyber junto con una interfaz para Claude Code en julio. Esa secuencia muestra una apuesta por convertir la orquestación de agentes en una capa de acceso recurrente para diferentes cargas de trabajo, en vez de limitarla a un modelo especializado para una sola tarea.

Cómo opera el sistema multiagente

El Informe Técnico de Sakana Fugu describe estos sistemas como modelos de lenguaje por derecho propio, capaces de leer una consulta y construir sobre la marcha una estructura de agentes para atenderla. Esa estructura puede dividir el problema en funciones distintas, pedir trabajo a modelos especializados y revisar los resultados antes de entregar una respuesta. La coordinación ocurre detrás de una interfaz única, de modo que el usuario no necesita escoger manualmente cada modelo para cada solicitud.

El entrenamiento combina ajuste fino a gran escala, algoritmos evolutivos y aprendizaje por refuerzo. La arquitectura se apoya en dos trabajos presentados en ICLR 2026: TRINITY, que emplea un coordinador evolutivo ligero para asignar los papeles de Thinker, Worker o Verifier durante distintos turnos, y The Conductor, entrenado para descubrir estrategias de coordinación mediante lenguaje natural y prompts enfocados.

La diferencia entre esos roles ayuda a explicar la lógica operativa de Fugu. Un agente puede concentrarse en elaborar una solución, otro ejecutar una parte específica del trabajo y un tercero verificar inconsistencias, mientras el orquestador decide cómo repartir los pasos. El resultado no depende únicamente de aumentar el tamaño de un modelo, sino de seleccionar una combinación de capacidades que, según Sakana AI, sea adecuada para la dificultad de cada consulta.

La principal promesa de este enfoque es económica, aunque también tiene implicaciones estratégicas para los desarrolladores. Si una consulta sencilla puede resolverse con un modelo ligero y una tarea compleja se reserva para sistemas más capaces, el gasto promedio podría disminuir sin sacrificar necesariamente la calidad. La empresa también afirma que esta arquitectura reduce la exposición al bloqueo de proveedor, a la revocación de una API o a interrupciones repentinas del servicio, aunque esos beneficios dependen de los modelos disponibles y de la continuidad de la infraestructura de Sakana.

Fugu Max prioriza el rendimiento por dólar

Fugu Max amplía el conjunto de modelos que Fugu puede coordinar e incorpora una selección de modelos especializados con pesos abiertos. Entre ellos figura la familia NVIDIA Nemotron, incluida mediante la colaboración de Sakana AI con NVIDIA. El sistema intenta enrutar cada tarea al modelo más ligero que todavía pueda resolverla, una decisión que apunta directamente a reducir el costo de las cargas de trabajo con grandes volúmenes de solicitudes.

El precio informado para Fugu Max es de USD $2 por cada millón de tokens de entrada y USD $6 por cada millón de tokens de salida. Sakana AI sostiene que el precio de salida resulta entre 40% y 60% menor que el de Sonnet 5, GPT 5.6 Terra y Kimi K3, aunque la comparación debe leerse dentro de los parámetros, límites y condiciones de evaluación establecidos por la empresa. El modelo no se ofrece como un paquete de pesos descargables, sino como un servicio alojado.

En las pruebas reportadas por Sakana AI, Fugu Max obtuvo el mejor puntaje general en seis benchmarks: Terminal Bench 2.1, GPQA Diamond, AA-LCR, GDP.pdf, AutomationBench y SWEFish. La compañía también indicó que el sistema amplió la frontera de Pareto de costo y rendimiento en siete de diez benchmarks, y lo ubicó cerca de modelos de élite con un costo entre dos y seis veces menor.

SWEFish merece una consideración adicional porque es un benchmark interno construido por Sakana AI a partir de sus propios desafíos de programación. Por esa razón, el resultado puede funcionar como una señal sobre la capacidad que la empresa quiere destacar, pero no equivale por sí mismo a una validación independiente. La lectura más prudente consiste en considerar esos datos como afirmaciones del proveedor que todavía deben contrastarse con evaluaciones externas y usos reales.

Ultra v2 busca resolver problemas más exigentes

Fugu Ultra v2 está orientado al razonamiento complejo, la investigación autónoma y el desarrollo de software full-stack. Sus avances más destacados, según Sakana AI, aparecen en tareas que requieren sostener una línea de razonamiento sobre información visual y estructurada, un escenario en el que la coordinación de varios agentes puede aportar más que una respuesta aislada.

En Chartography, benchmark de razonamiento visual e interpretación de datos, Fugu Ultra v2 obtuvo 48,3, frente a 27,3 de Opus 5 y 29,5 de Fable 5. En DeepSWE, una prueba enfocada en ingeniería de software del mundo real, alcanzó 74,3 y superó, de acuerdo con la empresa, a modelos cuyos precios por token son entre tres y cinco veces mayores.

La amplitud de los resultados también forma parte del argumento comercial. Sakana AI indicó que Ultra v2 quedó primero o empatado en el primer puesto en cinco de ocho benchmarks: GDP.pdf, Chartography, SWEFish, DeepSWE y Toolathon. Además, reportó que se mantuvo dentro de los dos primeros lugares en siete de las ocho pruebas, una regularidad que la empresa presenta como evidencia de capacidad transversal.

La comparación tiene una salvedad relevante: Fugu Ultra v2 no incluyó Fable 5, Fable 5.1 ni GPT-6-Astra en su conjunto de agentes. Además, la fecha de corte del entrenamiento del modelo fue el 28 de agosto de 2026, por lo que los resultados reflejan una configuración y un momento específicos. Estos elementos no invalidan la evaluación, pero sí delimitan el alcance de cualquier conclusión sobre una supuesta superioridad general frente a todos los sistemas disponibles.

El desafío de probar la promesa

La propuesta de Fugu responde a una presión concreta del mercado de inteligencia artificial: los usuarios quieren modelos más capaces, pero el costo de inferencia puede convertirse en un obstáculo cuando las aplicaciones procesan miles o millones de consultas. Un orquestador que seleccione modelos según la complejidad podría mejorar la economía de esas aplicaciones, especialmente en flujos donde conviven tareas rutinarias, programación y análisis de información.

El modelo también modifica la forma en que los desarrolladores evalúan una API. Ya no basta con medir la calidad de una respuesta individual, porque el resultado final depende de la selección de agentes, la cantidad de pasos, los mecanismos de verificación y el consumo total de tokens. Para los equipos que adopten Fugu, el costo anunciado tendrá que analizarse junto con la latencia, la estabilidad, los límites de uso y la reproducibilidad de los resultados.

La ausencia de pesos abiertos introduce otra consideración. El acceso mediante una API compatible con OpenAI facilita la migración y reduce el trabajo inicial de integración, pero mantiene al usuario condicionado a la disponibilidad, las políticas y los precios del proveedor. La afirmación de Sakana AI sobre una menor dependencia de modelos propietarios se refiere al conjunto de agentes que coordina, no a la eliminación completa de la dependencia de su propio servicio alojado.

Con Fugu Max y Fugu Ultra v2, Sakana AI plantea que la competencia no depende únicamente de construir modelos cada vez más grandes. Su apuesta consiste en convertir la coordinación inteligente de varios sistemas en una ventaja de costo y capacidad, aunque la solidez de esa promesa dependerá de benchmarks independientes, disponibilidad regional y desempeño sostenido fuera de las pruebas divulgadas por la compañía.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.
Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados