Sakana AI lança Fugu Ultra v2 e Fugu Max, modelos que só orquestram outras IAs

TL;DR: A startup japonesa Sakana AI lançou em 11 de setembro dois modelos novos, Fugu Ultra v2.0 e Fugu Max, que não são modelos de fundação no sentido usual: são orquestradores treinados para dividir cada tarefa entre um conjunto de modelos especializados e costurar as respostas. A Sakana diz que o Fugu Ultra v2 bate ou empata com os melhores resultados em 5 dos 8 benchmarks agênticos internos da empresa, incluindo uma pontuação de 48,3 contra 27,3 do Opus 5 em Chartography. O ângulo estratégico importa tanto quanto o número: em vez de competir em escala bruta contra OpenAI, Google e Anthropic, a Sakana aposta em orquestrar modelos menores e mais baratos.

O que aconteceu

A Sakana AI, laboratório de Tóquio fundado em 2023, lançou dois modelos novos da família Fugu: o Fugu Ultra v2.0 e um irmão mais barato, o Fugu Max (anúncio oficial, Sakana AI, 11 de setembro de 2026). A empresa foi fundada por David Ha, ex-líder de pesquisa do Google Brain no Japão e ex-chefe de pesquisa da Stability AI, por Llion Jones, um dos oito autores do paper “Attention Is All You Need” que deu origem à arquitetura Transformer, e por Ren Ito, ex-diplomata japonês que hoje é o presidente do conselho da empresa.

A diferença central em relação a um lançamento de modelo comum é a arquitetura. Fugu é o nome da família de modelos da Sakana que não gera respostas diretamente, como um modelo de fundação comum. Em vez disso, ele funciona como um roteador: recebe uma tarefa, distribui pedaços dela entre um conjunto fixo de modelos abertos e especializados, e depois costura as respostas em um resultado único. O processo pode inclusive envolver o Fugu chamando instâncias de si mesmo de forma recursiva ao longo da execução (MarkTechPost, 10 de setembro de 2026).

Os dois modelos têm propósitos diferentes. O Fugu Ultra v2.0 mira a maior capacidade possível em tarefas difíceis e de múltiplas etapas, com preços que sobem acima de 272 mil tokens de contexto (o token de entrada em cache custa US$ 0,50 por milhão até esse limite, e US$ 1,00 por milhão depois dele). O Fugu Max otimiza a relação custo-qualidade para quem não precisa do topo de capacidade, custando uma fração do preço do Ultra v2. Ambos têm janela de contexto de 1 milhão de tokens.

Modelo Preço de entrada (por 1M tokens) Preço de saída (por 1M tokens) Contexto
Fugu Ultra v2.0 US$ 5 (US$ 10 acima de 272K) US$ 30 (US$ 45 acima de 272K) 1M tokens
Fugu Max US$ 2 US$ 6 1M tokens

Ambos rodam por uma API única, compatível com o formato da OpenAI, hospedada só pela Sakana (sem opção de self-host) e, por ora, indisponível para usuários na União Europeia e no Espaço Econômico Europeu (AlphaSignal, setembro de 2026).

Em benchmarks agênticos internos da própria Sakana, o Fugu Ultra v2 alcançou o melhor resultado ou empate no melhor resultado em 5 dos 8 testes usados pela empresa. A lista inclui DeepSWE (74,3 pontos), Toolathon, GDP.pdf, SWEFish e Chartography. Neste último, a empresa diz que o Fugu superou o Opus 5 da Anthropic: 48,3 contra 27,3 (Pondero, 12 de setembro de 2026).

Verificação em aberto: são benchmarks próprios da Sakana, sem auditoria independente publicada até o momento. Trate-os como resultado a confirmar, não como fato consolidado. É comum empresas divulgarem o recorte de benchmark mais favorável ao próprio lançamento.

Por que isso importa

A Sakana AI vem seguindo, desde a fundação, uma tese deliberadamente diferente da corrida dos grandes laboratórios. Em vez de treinar um modelo cada vez maior para competir diretamente com GPT, Gemini e Claude, a empresa aposta em inteligência coletiva. A ideia é simples: vários modelos menores e especializados, coordenados por um orquestrador, entregando resultado equivalente ou melhor por uma fração do custo computacional. O nome da empresa, aliás, vem da palavra japonesa para “peixe”: uma referência a um cardume que forma um comportamento coerente a partir de regras simples entre indivíduos.

Esse ângulo faz sentido num momento em que o custo de rodar modelos de fronteira segue sendo o principal obstáculo para empresas menores que querem construir produtos com IA agêntica. A Sakana posiciona o Fugu Max num ponto da curva de custo-benefício que nenhum provedor de modelo único consegue alcançar sozinho: desempenho perto de modelos de elite a um custo estimado pela empresa em duas a seis vezes menor (AlphaSignal, setembro de 2026). Isso acontece porque cada modelo de fundação carrega o custo fixo do próprio tamanho, seja a tarefa simples ou complexa; um orquestrador pode, em teoria, escolher o modelo mais barato o suficiente para cada etapa.

Leitura própria: o posicionamento de mercado do Fugu chama mais atenção do que o desempenho em si. Ao vender orquestração como produto acabado via API, a Sakana concorre menos com OpenAI, Google e Anthropic e mais com os próprios frameworks de agentes (LangChain, CrewAI) que hoje fazem esse roteamento manualmente, dentro do código de quem constrói o produto. Se essa camada virar de fato uma commodity de API, o campo de disputa muda: sai do “quem tem o melhor modelo” e entra no “quem orquestra melhor os modelos que já existem”.

Isso também reforça uma tendência que já apareceu neste blog: laboratórios fora do trio OpenAI-Google-Anthropic estão disputando espaço por eficiência e preço, não por escala. A DeepSeek fez isso recentemente com o V4.1 Flash, modelo aberto que superou o Opus 5 em benchmark de terminal. A Mistral levantou a maior rodada de tech da Europa apostando num caminho parecido de diferenciação fora dos EUA. A diferença da Sakana é que ela nem está competindo no terreno de “quem treina o modelo mais forte”. Está competindo em “quem coordena os modelos existentes com mais eficiência”, uma aposta que muda a própria arquitetura do produto, não só o preço cobrado por ele.

O que isso significa para quem constrói produtos de IA

Orquestração vira categoria própria, não só um recurso de framework

Até agora, rotear tarefas entre modelos diferentes era, na prática, trabalho de engenharia dentro de frameworks de agentes (LangChain, CrewAI e afins), decidido caso a caso pelo time de produto. O Fugu propõe empacotar essa decisão dentro do próprio modelo, vendida como produto via API, o que desloca parte dessa complexidade de arquitetura para fora do time que constrói o agente. É um movimento parecido, em espírito, com o que a OpenAI fez ao expor o motor de orquestração do Codex como produto próprio na Agents API: pegar algo que antes era trabalho de integração e vender como serviço direto.

O argumento de custo é o que precisa de mais escrutínio

A comparação de “dois a seis vezes mais barato” parte de benchmarks e metodologia definidos pela própria Sakana. Antes de trocar uma stack de produção pelo Fugu, vale reproduzir o teste com a carga de trabalho real do time, não confiar cegamente no número da tabela de lançamento.

Indisponibilidade na UE é um detalhe a monitorar

A ausência de suporte a clientes da União Europeia e do EEE no lançamento não foi explicada publicamente pela Sakana. Pode ser uma limitação regulatória (adequação ao AI Act europeu) ou apenas uma questão de capacidade de atendimento na largada, dois cenários com implicações bem diferentes para quem planeja depender do serviço a médio prazo.

O que esperar agora

  1. Benchmarks independentes. Até que terceiros repliquem os números do Chartography e do DeepSWE, trate os resultados divulgados como marketing de lançamento, não como avaliação neutra.
  2. Expansão para a UE. Se a Sakana abrir acesso na Europa nas próximas semanas, isso favorece a hipótese de limitação operacional; se o bloqueio persistir, é mais provável que seja decisão regulatória deliberada.
  3. Reação dos frameworks de agentes. Vale acompanhar se LangChain, CrewAI ou concorrentes diretos passam a oferecer integração nativa com o Fugu como mais uma opção de backend, o que validaria a tese de que orquestração vira commodity de API.

Evite: decidir uma migração de stack de produção só com base nos números de lançamento divulgados pela própria Sakana. Peça (ou rode) um benchmark com a carga de trabalho real antes de comprometer orçamento.

Referências e notas de apuração