Sakana Fugu : fonctionnement, API, performances et avis sur l’orchestrateur multi-agents

‍Sakana Fugu est un système d’intelligence artificielle multi-agents développé par le laboratoire japonais Sakana AI. Plutôt que de s’appuyer sur un seul grand modèle de langage, il sélectionne et coordonne plusieurs modèles spécialisés pour résoudre une tâche derrière une interface unique.

Présenté publiquement le 22 juin 2026, Fugu vise notamment la programmation, le raisonnement complexe, la recherche scientifique et les questions exigeant plusieurs étapes de vérification. Il se distingue de Claude, GPT ou Gemini par sa fonction principale : il ne constitue pas seulement un modèle supplémentaire, mais une couche d’orchestration capable d’utiliser différents agents.¹

Qu’est-ce que Sakana Fugu ?

Sakana Fugu est une famille de modèles orchestrateurs proposée par Sakana AI, un laboratoire de recherche en intelligence artificielle installé à Tokyo.

Le mot fugu désigne également le célèbre poisson-globe japonais. Dans le contexte de cet article, il ne s’agit toutefois pas du poisson, mais d’un multi-agent AI system commercialisé sous forme d’API.

Fugu reçoit une requête comme un modèle classique. En arrière-plan, il peut cependant :

• analyser le type de problème posé ;
• sélectionner un ou plusieurs modèles adaptés ;
• leur attribuer des rôles ou sous-tâches ;
• organiser leurs échanges ;
• vérifier et synthétiser les résultats.

Pour l’utilisateur, cette orchestration reste largement invisible. Il envoie une seule requête et reçoit une réponse finale, sans avoir à gérer lui-même plusieurs fournisseurs, clés API ou chaînes d’agents.

Cette approche est parfois présentée comme un mixture-of-agents framework, par analogie avec les architectures dites mixture of experts. La différence est que Fugu coordonne des modèles complets accessibles comme agents, au lieu de seulement activer des sous-réseaux internes à un modèle unique.

Comment fonctionne Sakana Fugu ?

Fugu est lui-même un modèle de langage entraîné pour comprendre une demande et construire une organisation d’agents adaptée à cette demande.

Il ne repose donc pas uniquement sur une liste de règles écrites manuellement. Le système apprend à décider quel modèle solliciter, dans quel ordre et avec quelles instructions.

Un processus d’orchestration adaptatif

Dans une utilisation simplifiée, le fonctionnement peut être résumé en cinq étapes :

1. Fugu interprète la demande et son niveau de difficulté.
2. Il choisit les agents susceptibles d’être les plus compétents.
3. Il construit un processus de collaboration adapté.
4. Les agents exécutent, critiquent ou complètent le travail.
5. Fugu agrège les contributions dans une réponse finale.

Pour une question simple, cette organisation peut rester légère. Pour un problème complexe, Fugu Ultra peut coordonner jusqu’à trois agents et produire un processus plus long.

Cette adaptive task delegation évite d’utiliser systématiquement le dispositif le plus coûteux. Le nombre d’agents et le niveau de raisonnement peuvent varier selon la difficulté détectée.

Trinity et Conductor : les technologies derrière Fugu

Sakana Fugu s’appuie sur deux travaux de recherche présentés à l’ICLR 2026 : TRINITY et Conductor. Le produit commercial va plus loin que ces prototypes, mais ils permettent d’en comprendre les principes fondamentaux.²

TRINITY : choisir un modèle et lui attribuer un rôle

TRINITY utilise un petit modèle coordinateur associé à une tête de sélection très légère.

À chaque étape, le coordinateur choisit un modèle et lui attribue l’un des trois rôles suivants :

Le processus peut s’étendre sur plusieurs tours. Un premier agent élabore un plan, un deuxième réalise les calculs ou écrit le code, puis un troisième vérifie la solution.

Le coordinateur de TRINITY a notamment été optimisé avec une stratégie évolutionnaire appelée sep-CMA-ES. Cette méthode teste différentes politiques de coordination, évalue leurs résultats, puis conserve et combine les stratégies les plus efficaces.

Il s’agit donc d’une forme d’evolutionary optimization appliquée non pas directement au contenu des réponses, mais à la manière d’organiser les modèles.

Conductor : construire un workflow en langage naturel

Conductor adopte une approche plus ouverte.

Au lieu de sélectionner uniquement un modèle et un rôle à chaque tour, il génère un véritable workflow multi-agents en langage naturel. Il peut définir :

• les sous-tâches à réaliser ;
• les agents responsables ;
• les instructions transmises à chacun ;
• la structure de leurs échanges ;
• la méthode de synthèse des résultats.

Conductor est entraîné par apprentissage par renforcement afin de découvrir des stratégies de collaboration performantes.

Cette architecture constitue une partie importante de Fugu Ultra, qui doit pouvoir traiter des workflows plus longs, utiliser des outils et maintenir une mémoire partagée entre plusieurs agents.

Fugu et Fugu Ultra : quelles différences ?

Au moment de son lancement public, Sakana AI propose deux modèles : Fugu et Fugu Ultra.

Pendant la phase bêta, la première version était appelée Fugu Mini. Elle a été renommée simplement Fugu lors de la commercialisation.

Fugu est conçu comme le modèle par défaut pour les usages interactifs.

Il est adapté à la programmation, à la revue de code, aux assistants conversationnels et aux analyses pour lesquelles le délai de réponse reste important.

Fugu Ultra privilégie la profondeur et la qualité, au prix d’une latence et d’un coût potentiellement supérieurs.

Sakana AI cite notamment :

• la reproduction d’articles scientifiques ;
• les compétitions de science des données ;
• les analyses de cybersécurité ;
• les recherches documentaires ou brevetaires ;
• les problèmes complexes comportant plusieurs étapes.

Fugu Ultra n’est donc pas nécessaire pour chaque requête. Son intérêt apparaît surtout lorsque le coût d’une réponse médiocre dépasse celui d’un raisonnement plus long.

Sakana Fugu est-il un modèle comme Claude, GPT ou Gemini ?

Fugu peut être interrogé comme un modèle classique, mais sa nature est différente.

Claude, les modèles GPT et Gemini sont principalement des modèles de fondation développés par un fournisseur. Fugu agit comme un modèle orchestrateur au-dessus d’un ensemble de modèles et d’agents.

Fugu ne remplace donc pas nécessairement Claude, GPT ou Gemini. Il peut les utiliser comme composants de son propre système.

La comparaison la plus juste n’est pas « Fugu contre Claude », mais plutôt :

Faut-il sélectionner soi-même un modèle ou confier cette sélection et cette coordination à Fugu ?

Sakana Fugu est-il seulement un routeur de modèles ?

Un routeur classique analyse une requête, sélectionne un modèle, puis lui transmet la tâche.

Fugu cherche à aller plus loin. Il peut organiser plusieurs interventions, attribuer différents rôles et adapter le workflow en fonction des réponses intermédiaires.

Dans certaines situations, le système peut solliciter un agent pour élaborer une stratégie, un autre pour la mettre en œuvre et un dernier pour rechercher les erreurs.

Ce multi-step reasoning synthesis représente le principal facteur différenciant de Fugu.

Notre avis sur Sakana Fugu

Sakana Fugu présente une approche particulièrement intéressante de l’orchestration multi-agents.

Au lieu de demander aux développeurs de sélectionner manuellement Claude, GPT ou Gemini, puis de construire leurs propres workflows, Fugu encapsule cette complexité derrière une API familière.

Sa combinaison du routage dynamique, de l’apprentissage par renforcement et de l’optimisation évolutionnaire constitue son principal avantage. Ses résultats publiés sur le code, le raisonnement scientifique et les tâches agentiques indiquent que la coordination peut parfois dépasser les performances de chaque modèle utilisé séparément.

Plusieurs limites empêchent néanmoins de conclure trop rapidement à une révolution.

Le routage reste propriétaire, les coûts et la latence sont moins prévisibles, les évaluations indépendantes sont encore rares et le service n’est pas disponible dans l’Union européenne au moment de son lancement.

Fugu paraît donc surtout pertinent pour les équipes qui utilisent déjà plusieurs modèles et veulent externaliser leur sélection et leur coordination. Une organisation ayant besoin d’une traçabilité complète ou d’un contrôle strict de chaque fournisseur pourrait préférer conserver sa propre couche d’orchestration.

Sakana Fugu illustre malgré tout une évolution importante : l’amélioration des performances de l’IA ne dépend plus uniquement de modèles toujours plus grands. Elle peut également provenir d’une meilleure organisation des intelligences existantes.