Sakana Fuguとは—複数のLLMを一つのAPIで統合
Sakana Fuguは、複数の言語モデルを内部で協調させるマルチエージェント統合システムです。ユーザーの視点からは単一のAPIエンドポイントに対して問い合わせを送信するだけで、バックエンド側で最適なモデルの選択・委譲・検証・結果統合がすべて自動で行われます。（出典）
従来のマルチエージェントシステムは、どのモデルをどのタイミングで使うかをプログラマが明示的に設計する必要がありました。Fuguは異なるアプローチを取ります。Fugu自体も言語モデルであり、学習を通じて他のLLMをいつ呼び出すか、どう協調させるかを自動で判断する仕組みになっているのです。
Fuguは従来の「手作業で設計されたワークフロー」を学習による「動的な協調」に置き換えることで、マルチエージェントの複雑性を完全にユーザーから隠蔽します。
Sakana AIがこのアプローチを採用した背景には、ベンダーロックインのリスク回避という現実的な動機があります。同社は、Anthropic傘下のFableやMythosモデルが最近輸出規制の対象となったことを開発の理由として明示しており、プロバイダーの都合で特定モデルへのアクセスが突然制限される事態に備える設計になっているのです。
Fuguと Fugu Ultraの二つの選択肢
Sakana Fuguは、用途に応じた二つのバリアントで提供されます。どちらもOpenAI互換のAPIで統一されているため、既存のツールからの移行が容易です。
| 項目 | Fugu | Fugu Ultra |
|---|---|---|
| 主な用途 | 日常的なコーディング、コード レビュー、チャットボット | 複雑な多段階推論、計算タスク |
| 性能指向 | レイテンシ重視（低遅延） | 精度重視（高品質回答） |
| エージェントプール | 可変（モデル追加・除外可能） | 固定（opt-out不可） |
| 規制対応 | 対応可（特定モデルを除外可能） | 固定プール、柔軟性は限定的 |
| モデルID例 | fugu | fugu-ultra-20260615 |
このうちFugu Ultraは特に注目に値します。ベンチマークで最先端モデルとの比較対象となっており、複数の専門性を持つエージェントの深いプールを協調させることで、個別モデルを上回る性能を実現しているとされています。
Fugu Ultraが確立した「複数モデルの協調が単一の最強モデルよりも優れた結果を生む」という検証結果は、マルチエージェント設計の実効性を示す重要な証拠です。
コンプライアンスやデータセンシティビティに配慮が必要なエンタープライズチームにとっては、特定のプロバイダーを除外できるFuguの柔軟性が大きな利点になるでしょう。
研究基盤—学習による動的オーケストレーション
Fuguは学術的には、2026年ICLR会議で発表された二つの論文に基づいています。（Sakana AI公式）
Trinityは軽量で進化的に設計されたコーディネーターを使い、「シンカー」「ワーカー」「ベリファイア」という役割を複数ターンにわたって適応的に割り当てるアプローチを提案しています。一方Conductorは強化学習で訓練され、様々なLLMプール向けに自然言語の協調戦略と焦点を絞ったプロンプトを自動発見します。
この二つの手法を組み合わせることで、Fuguは以下の能力を獲得しています：
- タスク別に異なるエージェント構成を動的に選択
- 複数エージェント間の通信方法を自動最適化
- 個別の回答を統合して一つの最終解に変換
- モデルプール内での信頼度スコアリング
アドバンスドなユースケースでは、この自動オーケストレーションの過程が将来公開されるようになるかもしれません。現状では、どのモデルがどの処理を担当したかはプロプライエタリな実装として隠蔽されているため、ユーザーが入力したクエリがどのプロバイダーのモデルを経由したかを事後的に追跡することはできません。これはセキュリティ上の利点でもあり、制限でもあります。
開発者にとっての実装上のポイント
自作PCでローカルLLMを動かしている開発者にとって、Fuguの登場は複数のインパクトをもたらすと考えます。
プロンプトエンジニアリングの単純化が最も直接的な利点です。従来なら「このタスクにはモデルAを、あのタスクにはモデルBを」と明示的に書き分ける必要がありました。Fuguなら一つのAPIに投げるだけで最適なモデルチームが自動で組成されます。
次に、レイテンシと精度のトレードオフをAPIレベルで制御できる点も有用です。Fuguと Fugu Ultraの二択で応答速度と精度のバランスを調整すれば、同じコードベース内で用途に応じた使い分けが可能になります。
エンジニアの方が自社のクラウド環境やオンプレミス環境でFuguと同様のマルチエージェント統合を自前で構築しようとすれば、かなりの開発コストがかかることを考えると、APIで提供されるこの仕組みの価値は無視できません。
ただし現時点での懸念としては、オプト アウト機能がFugu Ultraに用意されていない点が挙げられます。規制対応やデータローカライゼーション要件が厳しい業界では、Fugu Ultra使用時に特定プロバイダーを確実に除外したいケースが想定されます。今後のアップデートでこの柔軟性が拡張されるかどうかが注視ポイントです。
参考：AutoResearchでの性能検証
Sakana AIが公開した実験データによると、Fugu Ultraは単独で立ち上げたAutoResearchエージェント（訓練レシピを自動改善するシステム）に対して、フロンティアモデルのいくつかを上回る性能を示したとされています。H100 GPU 1枚で約14時間、123回の実験を自動実行させた結果、Fugu Ultraは個別の最先端モデルを凌ぐ検証スコアに達したということです。これはマルチエージェント協調の現実的な有効性を示す事例として注視する価値があります。
