Qu'est-ce que Fugu de Sakana AI ?

Fugu est un système multi-agent développé par Sakana AI, un laboratoire de recherche tokyoïte. Il expose un ensemble d'agents spécialisés (qui raisonnent, exécutent et vérifient en parallèle) comme un seul modèle accessible via une API compatible OpenAI. L'originalité tient à ses deux coordinateurs entraînés, TRINITY et Conductor, qui décident dynamiquement comment organiser les agents à chaque requête, sans workflow codé en dur.

Quelle est la différence entre Fugu et Fugu Ultra ?

Fugu (version standard) est conçu pour les tâches quotidiennes de code et de chat, avec un équilibre entre performance et latence. Fugu Ultra cible les tâches longues et complexes : compétitions data science Kaggle, analyses de sécurité approfondies, recherche scientifique automatisée sur plusieurs heures. Fugu Ultra mobilise davantage d'agents et de ressources de calcul, ce qui se reflète dans son tarif (30 USD par million de tokens en sortie, contre un tarif réduit pour la version standard).

Qu'est-ce que le scoring de Fugu Ultra sur SWE-Bench Pro signifie concrètement ?

SWE-Bench Pro est un benchmark reconnu qui mesure la capacité d'un système IA à résoudre des tickets GitHub réels, c'est-à-dire à comprendre un bug ou une demande d'évolution dans un vrai dépôt de code et à proposer un correctif fonctionnel. Fugu Ultra y atteint 73,7 %, contre 69,2 % pour Claude Opus 4.8, 58,6 % pour GPT 5.5 et 54,2 % pour Gemini 3.1 Pro. En pratique, cela signifie que Fugu Ultra résout correctement près de trois tickets sur quatre dans des projets open source réels, un niveau de performance difficile à atteindre avec un seul modèle.

Fugu est-il disponible pour les entreprises françaises et européennes ?

Non, pas encore. Sakana AI indique clairement que Fugu n'est pas disponible dans l'Union européenne ni dans l'Espace économique européen, la conformité RGPD étant toujours en cours. Les entreprises françaises qui souhaitent l'utiliser devront attendre la disponibilité officielle sur le marché européen ou mettre en place une infrastructure dédiée hors EEE, ce qui soulève des questions de souveraineté des données à traiter avec leur équipe juridique.

Fugu remplace-t-il des frameworks comme LangGraph ou AutoGen ?

Ce n'est pas un remplacement direct. LangGraph, AutoGen et CrewAI sont des frameworks d'orchestration où vous codez vous-même les règles de coordination entre agents. Fugu adopte une approche différente : ses coordinateurs (TRINITY et Conductor) ont appris ces règles par entraînement et les ajustent à chaque requête. Fugu est donc plus proche d'un modèle SaaS multi-agent que d'un framework open source. Si vous avez besoin de contrôle total sur la logique d'orchestration, les frameworks classiques restent pertinents. Si vous cherchez la performance maximale sur des tâches ouvertes sans vouloir maintenir la logique de coordination, Fugu est une piste sérieuse, dès qu'il sera disponible en Europe.

Qu'est-ce que le scaling à l'inférence (test-time compute) que Fugu utilise ?

Le scaling à l'inférence (ou test-time compute) désigne l'idée d'investir davantage de calcul au moment où le modèle répond à une question, plutôt que d'augmenter la taille du modèle lors de son entraînement. Fugu en est un exemple concret : au lieu d'un seul grand modèle, plusieurs agents raisonnent, exécutent et vérifient en parallèle ou en séquence. Plus la tâche est complexe, plus le système peut mobiliser de ressources. C'est une voie alternative à la course aux paramètres qui domine l'industrie depuis plusieurs années.

Peut-on choisir quels modèles IA Fugu utilise en arrière-plan ?

Oui, avec des limites. Fugu coordonne des agents qui s'appuient sur différents modèles frontier, et l'utilisateur peut exclure certains fournisseurs pour des raisons de conformité ou de confidentialité. Cette flexibilité est un argument commercial important, notamment pour les entreprises qui ont des contraintes contractuelles avec certains providers d'IA ou qui souhaitent éviter une dépendance à un fournisseur unique.

Qui est Sakana AI et pourquoi leur approche est-elle crédible ?

Sakana AI est un laboratoire de recherche fondé en 2023 à Tokyo par David Ha (ancien directeur de Google Brain et de Stability AI), Llion Jones (co-auteur du papier « Attention is All You Need » qui a donné naissance aux LLM modernes) et Ren Ito (ex-Mercari, ex-Stability AI). Le laboratoire a levé 135 millions de dollars en Série B en novembre 2025, à une valorisation de 2,65 milliards de dollars. Les deux coordinateurs de Fugu, TRINITY et Conductor, ont été acceptés à ICLR 2026, l'une des conférences de référence en apprentissage automatique. L'équipe a donc des fondations scientifiques solides, au-delà du simple effet d'annonce.

9 juillet 20263 min de lecture

Sakana AI lance Fugu, le système multi-modèle qui apprend à coordonner ses IA

Fugu expose un groupe d'agents spécialisés comme un seul modèle via une API compatible OpenAI. Premier bilan de ce laboratoire tokyoïte qui parie sur la coordination apprise plutôt que codée.

Par Pierre Gouedar

Sakana AI lance Fugu, le système multi-modèle qui apprend à coordonner ses IA

Sommaire(5 sections)

1
Un labo tokyoïte qui parie sur la coordination apprise
2
TRINITY et Conductor : deux coordinateurs qui ont appris à déléguer
3
Des chiffres qui méritent qu'on s'y arrête
4
Ce que Fugu change (et ce qu'il ne change pas encore)
5
Sources

Un labo tokyoïte qui parie sur la coordination apprise

Sakana AI, le laboratoire de recherche fondé en 2023 à Tokyo par David Ha (ancien directeur de Google Brain), Llion Jones (co-auteur du papier fondateur « Attention is All You Need ») et Ren Ito, vient de passer à l'étape commerciale. Après une beta publique ouverte en avril 2026, le framework Fugu est disponible officiellement depuis le 22 juin 2026 via une API compatible OpenAI. La promesse : accéder à plusieurs modèles IA spécialisés en automatisation et intelligence artificielle comme s'il s'agissait d'un seul interlocuteur.

Ce positionnement n'est pas anodin. Là où la plupart des systèmes multi-agents vous demandent de coder vous-même la logique de coordination, Fugu l'apprend. Concrètement, c'est un système multi-modèle : il combine dynamiquement plusieurs LLMs frontier de fournisseurs différents (OpenAI, Anthropic, Google…) et décide à chaque requête lequel ou lesquels mobiliser, sans workflow figé. La couche d'orchestration est elle-même un modèle entraîné, pas une suite de règles codées en dur.

TRINITY et Conductor : deux coordinateurs qui ont appris à déléguer

Fugu repose sur deux briques scientifiques acceptées à la conférence de recherche en IA ICLR 2026. La première, TRINITY, est un coordinateur évolutionnaire de 0,6 milliard de paramètres. Il attribue à chaque agent l'un des trois rôles disponibles : Thinker (raisonnement), Worker (exécution) ou Verifier (vérification indépendante). Sa particularité tient à sa compacité : il gère la coordination sans consommer la majorité de la capacité de calcul.

La deuxième brique, Conductor, est un orchestrateur de 7 milliards de paramètres entraîné par renforcement. Il découvre des stratégies de coordination en langage naturel et peut se désigner lui-même comme agent Worker, créant ainsi des topologies récursives. Cette propriété permet de scaler la performance au moment de l'inférence, sans réentraînement.

Concrètement, pour une tâche complexe (analyse de sécurité, compétition Kaggle de plusieurs heures, recherche scientifique automatisée), Fugu Ultra peut mobiliser plusieurs agents frontier de différents fournisseurs et les faire travailler en parallèle ou en séquence, selon ce que Conductor juge optimal. Les utilisateurs peuvent aussi exclure certains fournisseurs pour des raisons de conformité ou de confidentialité, ce que peu de solutions d'orchestration offrent nativement.

Des chiffres qui méritent qu'on s'y arrête

Sakana AI publie ses benchmarks sur la page produit officielle, et ils sont frappants. Sur SWE-Bench Pro, qui mesure la capacité à résoudre des tickets GitHub réels en ingénierie logicielle, Fugu Ultra atteint 73,7 %, contre 69,2 % pour Claude Opus 4.8, dont nous avions détaillé les performances à son lancement, 58,6 % pour GPT 5.5 et 54,2 % pour Gemini 3.1 Pro. La version standard de Fugu, elle, plafonne à 59,0 %, juste devant GPT 5.5 : l'écart de 14,7 points avec Fugu Ultra mesure ce que rapporte le calcul supplémentaire à l'inférence. Sur LiveCodeBench, Fugu Ultra atteint 93,2 % ; sur GPQA-Diamond, 95,5 %.

Ces scores sont obtenus en combinant des modèles frontier existants, pas en entraînant un nouveau méga-modèle. C'est là le pari de Sakana AI : le prochain gain de performance ne viendra pas d'un modèle plus grand, mais d'une meilleure coordination entre modèles. David Ha, CEO du laboratoire, positionne les modèles d'orchestration comme la prochaine frontière, au-delà de la simple course à la taille des modèles.

Cette approche fait écho à ce qu'on observe avec d'autres modèles frontier lancés récemment. GPT-5, par exemple, pousse lui aussi la logique de raisonnement vers des architectures composites. La course ne se joue plus uniquement sur le nombre de paramètres, mais sur la façon dont les capacités sont organisées et déclenchées à la volée.

Ce que Fugu change (et ce qu'il ne change pas encore)

Fugu existe en deux variantes. La version standard convient aux tâches quotidiennes de code et de chat. Fugu Ultra, taillée pour des sessions longues, est facturée 5 USD par million de tokens en entrée et 30 USD en sortie, ou via des abonnements mensuels.

Une limite concrète à signaler pour les équipes françaises et européennes : Fugu n'est pas encore disponible dans l'Union européenne ni dans l'Espace économique européen. La conformité RGPD est en cours. Les équipes qui souhaitent travailler dès maintenant avec des agents IA auto-orchestrés devront donc patienter ou passer par une infrastructure tierce hébergée hors EEE.

Pour les développeurs qui travaillent déjà avec des outils d'agents, la compatibilité API OpenAI simplifie l'intégration. Là où Hermes Agent, qui s'installe en local en quelques minutes, offre une orchestration locale et pilotable, Fugu s'inscrit dans une logique cloud multi-provider avec coordination apprise. Les deux approches répondent à des besoins différents : souveraineté et contrôle fin d'un côté, scalabilité et performance brute de l'autre.

Sources

Pierre Gouedar

Développeur

Partager l'article