KI-Schwarmintelligenz: Orchestrator Sakana Fugu soll Claude Mythos und Fable übertreffen

Ähnlich kritisch fällt das Urteil des X-Nutzers @LLMJunky aus: Er habe sein gesamtes Fünf-Stunden-Kontingent des 20-Dollar-Plans mit einem einzigen Prompt aufgebraucht. Bei einer ThreeJS-Coding-Aufgabe sei das Ergebnis "deutlich schlechter als GPT 5.5" gewesen und habe sieben bis acht Nachbesserungen erfordert, bevor das Spiel überhaupt spielbar wurde. "Selbst wenn das Modell so gut wäre wie Fable, wäre es diese Limits nicht wert", so sein Fazit.

Auf Hacker News bemängeln mehrere Entwickler, dass man für 200 Dollar pro Monat weniger als drei Stunden Nutzung pro Woche erhalte, die API extrem langsam sei und die Ausgabequalität "bei weitem nicht an Fable" heranreiche. Bei Code-Reviews sei die Qualität allerdings durchaus auf dem Niveau von Opus 4.8 oder GPT 5.5 gewesen.

Positiver äußert sich Hamel Husain bei X, der Fugu Ultra als "Oracle" in Codex und Claude Code eingebunden hat: Die Fähigkeiten seien "etwas ungleichmäßig", für Code-Reviews scheine es gut geeignet, für Frontend-Entwicklung weniger.

Auch ein direkter Vergleich des X-Nutzers Mark Santos bei einer Crossy-Road-Spielumsetzung zeigt ein differenziertes Bild: Fugu Ultra war mit 22 Minuten und 7,32 Dollar deutlich schneller und günstiger als Opus 4.8 (79 Minuten, 37,85 Dollar), lieferte aber aus seiner Sicht das schwächere Ergebnis.

Kritisch betrachtet wird auch Sakana AIs Behauptung, Fugu fördere die KI-Souveränität. Denn das System bleibt von den Modellen im Pool abhängig. Für die Benchmarks greift Sakana zudem auf proprietäre Modelle wie Claude Opus zurück. Letztlich ist klar, dass durch cleveres Software-Engineering die Leistung von KI-Modelle optimiert werden kann; dieser sogenannte "Harness" spielt bei agentischer KI eine große Rolle.

Ursprünglicher Artikel vom 22. Juni 2026:

Das japanische KI-Start-up Sakana AI stellt mit Fugu ein System vor, das mehrere KI-Modelle dynamisch koordiniert und so mit führenden Modellen wie Anthropics Fable 5 mithalten soll. Das Konzept zielt auch auf eine geringere Abhängigkeit von einzelnen KI-Anbietern.

Das in Tokio ansässige Start-up Sakana AI hat den Multi-LLM-Orchestrator Fugu vorgestellt. Nach außen soll sich das System wie ein einzelnes Modell verhalten. Schon zuvor hatte Sakana mit seinen Orchestrator-Setups etwa fürs Coding hervorragende Ergebnisse erzielt, etwa den ALE-Agent, der bei einem Coding-Wettbewerb Platz 21 unter 1000 menschlichen Expertinnen und Experten erreicht.

Fugu ist laut Sakana AI selbst ein Sprachmodell, das darauf trainiert wurde, andere LLMs aus einem Agenten-Pool gezielt aufzurufen, darunter auch Instanzen von sich selbst. Je nach Anfrage entscheidet das System, ob es eine Aufgabe direkt löst oder ein Team spezialisierter Modelle zusammenstellt. Modellauswahl, Delegation, Verifikation und Synthese laufen intern ab, der Nutzer greift lediglich über eine einzelne OpenAI-kompatible API zu.

Fugu Ultra soll mit führenden Modellen mithalten

Zum Start bietet Sakana AI zwei Varianten an: Das Basismodell Fugu ist auf niedrige Latenz und solide Alltagsleistung ausgelegt, etwa für Coding, Code-Review oder Chatbot-Anwendungen. Teams mit Datenschutz- oder Compliance-Anforderungen können laut Sakana AI einzelne Agenten aus dem Pool ausschließen.

Die leistungsstärkere Variante Fugu Ultra ist auf maximale Antwortqualität bei komplexen, mehrstufigen Problemen ausgelegt. Frühe Nutzer hätten das Modell für KI-Forschung, die Reproduktion wissenschaftlicher Arbeiten, Cybersicherheitsanalysen sowie Patent- und Literaturrecherchen eingesetzt, so das Unternehmen.

Laut den von Sakana AI veröffentlichten Benchmark-Ergebnissen soll Fugu Ultra über eine Reihe von Coding-, Reasoning-, Wissenschafts- und Agenten-Benchmarks hinweg auf dem Niveau von Anthropics Fable 5 und Mythos Preview liegen.

Beide Anthropic-Modelle befinden sich allerdings nicht im Agenten-Pool von Fugu, da sie nicht öffentlich zugänglich sind. Mit ihnen wäre Fugu wohl noch leistungsfähiger. Die Vergleichswerte der Basismodelle stammen laut Sakana AI von den jeweiligen Modellanbietern. Die folgende Tabelle zeigt die Fugu-Leistung im Vergleich mit den zugrundeliegenden Basismodellen.

LLM-Orchestrierung für mehr KI-Produktivität

Sakana AI positioniert Fugu ausdrücklich als Absicherung gegen die Abhängigkeit von einzelnen KI-Anbietern. Das Unternehmen verweist auf die kürzlich verhängten Exportkontrollen bei Anthropics Fable- und Mythos-Modellen als konkretes Beispiel. Der Zugang zu führenden KI-Systemen könne durch regulatorische Änderungen oder außenpolitische Entscheidungen über Nacht wegfallen.

"Für eine Organisation oder eine Nation ist die Abhängigkeit von den APIs eines einzelnen Unternehmens für kritische Infrastruktur, Finanzen oder Regierungsarbeit eine materielle Verwundbarkeit. Das ist keine hypothetische Möglichkeit mehr, sondern Realität", schreibt Sakana AI in der Ankündigung. Da der Agenten-Pool von Fugu vollständig austauschbar sei, könne das System bei einem Ausfall eines Anbieters dynamisch auf andere Modelle umrouten.

Die tatsächliche Leistungsfähigkeit des Systems hängt allerdings weiter davon ab, welche Modelle im Pool verfügbar sind. Sollten mehrere führende Anbieter gleichzeitig den Zugang einschränken, wäre auch Fugus Spielraum begrenzt. Ein Orchestrator wie Fugu erhöht womöglich die Robustheit, ist aber kein Ersatz für tatsächliche Souveränität. Dennoch könnte Fugu allein aus Leistungsgründen interessant werden, abhängig davon, wie stark der Tokenverbrauch und damit die Kosten durch die Orchestrierung zunehmen. Sakana AI adressiert diesen Punkt in der Ankündigung nicht.

Erste Nutzer sehen Stärken bei komplexen Arbeitsabläufen

Laut Sakana AI haben knapp 500 Beta-Nutzer das System bereits im Praxiseinsatz getestet. Dabei habe sich Fugu vor allem bei langen, mehrstufigen Arbeitsabläufen bewährt, etwa bei automatisierter Datenforschung, Sicherheitsanalysen und Code-Reviews.

Ein Softwareentwickler berichtet, Fugu Ultra finde bei Code-Reviews deutlich mehr Fehler als GPT-5.5. Wo andere Tools etwa drei Probleme meldeten, habe Fugu mehr als zwanzig gefunden. Sakana AI gibt an, dass Fugu in eigenen Experimenten bei Anwendungen wie automatisierter Forschung, mechanischem Design und Finanzprognosen die Frontier-Modelle Gemini 3.1 Pro, Opus 4.8 und GPT 5.5 übertroffen habe.

Video: Fugu soll einen Rubiks Würfel schneller lösen können als die Einzelmodelle.

"Die Beta-Phase hat gezeigt, dass Multi-Agenten-Orchestrierung vor allem dann ihre Stärke ausspielt, wenn Aufgaben unstrukturiert und langwierig sind und sich nicht mit einem einzelnen Modellaufruf lösen lassen", schreibt Sakana AI.

Beide Modellvarianten sind ab sofort über eine einzelne API auf der Produktseite und der Konsole verfügbar. Sakana AI bietet Abo-Modelle für den Alltagsgebrauch und nutzungsbasierte Abrechnung für größere Workloads an. Mehr technische Details stehen im Paper.

KI-Ökosystem statt Einzelmodell

Der technische Ansatz von Fugu baut laut Sakana AI auf der eigenen Forschung zur gelernten Modell-Orchestrierung auf. Als Grundlage dienen die beiden bei der ICLR 2026 vorgestellten Arbeiten Trinity und Conductor.

Das Konzept hinter Fugu folgt Sakana AIs Leitidee, natürliche Prinzipien wie Schwarmverhalten, Evolution und kollektive Intelligenz für KI-Systeme zu nutzen. Die Firma versteht leistungsfähige KI-Systeme als kollaborative Ökosysteme, die über die Fähigkeiten einzelner Modelle hinausgehen.

Sakana AI wurde von den ehemaligen Google-KI-Experten Llion Jones und David Ha gegründet. Jones ist Mitautor des einflussreichen "Attention Is All You Need"-Papers von 2017, das die Transformer-Architektur einführte.