Sakana Fugu-anmeldelse: Slik fungerer Fugu Ultra-modellen egentlig (2026)

Sakana Fugu er en multi-agent-orkestrerings­modell — ett OpenAI-kompatibelt API som koordinerer en pool av frontier-LLM-er bak kulissene og oppfører seg, fra din side, som én enkelt grunnmodell. Sakana AI lanserte den 22. juni 2026, markedsført som frontier-klassens resultater uten eksportkontroll- eller leverandør-låsingsrisiko. Denne Sakana Fugu-anmeldelsen dekker hva den faktisk er, hvordan orkestreringen fungerer, hva benchmarkene egentlig sier, hva det koster — og ett viktig forbehold for norske brukere: Fugu er ikke tilgjengelig i Norge ved lansering på grunn av GDPR-restriksjoner.

Hurtigoppsummering (TL;DR) - Hva det er: en lært orkestrator — en LLM trent til å koordinere andre LLM-er gjennom ett API. Ikke én modell, ikke en dum if/else-ruter. - To varianter: fugu (balansert, raskere, opt-out-vennlig) og fugu-ultra-20260615 (maksimal kvalitet, dypere pool, tregere). - Hovednummer: 73,7 på SWE-Bench Pro — sterkt, men Claude Fable 5 scorer 80,0 og er ikke engang i Fugus pool, så "matcher Fable 5"-påstanden trenger en asterisk. - Priser: $20–$200/mnd abonnementer, eller betal-etter-bruk Fugu Ultra til $5 inn / $30 ut per 1M tokens (2026). - Norsk tilgjengelighet: Blokkert ved lansering — Fugu er utilgjengelig i EU/EØS, inkludert Norge, på grunn av GDPR-hensyn. Ingen publisert tidslinje for norsk tilgang. - Dom: genuint god på vanskelig, flerstegarbeid — men treg, dyr, en svart boks, og blokkert for norske og europeiske team ved lansering. Test den til forskning og dyp kodereview; vent hvis du trenger lav ventetid i brukergrensesnittet.

Hva er Sakana Fugu?

Sakana Fugu er en multi-agent-orkestrerings­modell fra Sakana AI: ett OpenAI-kompatibelt API som koordinerer en pool av frontier-LLM-er bak kulissene og oppfører seg som én enkelt grunnmodell. Det er ikke én modell og ikke en håndkodet ruter — det er en lært orkestrator, en LLM trent til å bestemme, delegere, verifisere og syntetisere per forespørsel.

Den kategorien er spørsmålet som brenner på Hacker News: er Fugu én gigantisk modell, en ruter eller en innpakning? Ingen av delene, egentlig. Fugu er selv en LLM, trent til å bestemme per forespørsel om den skal svare direkte eller delegere til spesialister, deretter verifisere og kombinere resultatene — i motsetning til en håndkodet if/else-ruter (som videresender prompten din etter faste regler) eller én enkelt grunnmodell (som gjør all tenkning innenfor ett sett vekter).

Tenk på det som en generalentreprenør: du beskriver jobben ved én skranke, og den finner ut hvilke spesialister som skal trekkes inn, i hvilken rekkefølge, og hvordan arbeidet skal kontrolleres. Du får bare resultatet.

Sakana AI, Tokyo-laboratoriet medgrunnlagt av David Ha, lener seg på naturinspirerte navn (fugu er kugefisken). Utgivelsen er bare to dager gammel per skrivetidspunktet, så mottakelsen er fortsatt under forming — tidlige reaksjoner er blandet.

Slik fungerer Sakana Fugus orkestrering i praksis

Sakana Fugu fungerer ved å ta en intelligent, per-forespørsel-beslutning: for hver prompt bestemmer den lærte orkestratormodellen om den skal svare direkte eller delegere til spesialistmodeller, ruter deretter arbeidet, verifiserer resultatene og syntetiserer ett svar — i stedet for å følge en statisk oppskrift. Tre deler gjør dette mulig.

Lært orkestrering, ikke håndkodet ruting

Orkestratormodellen er en trent modell, ikke en konfigurasjonsfil — og det er hele poenget. En lært orkestrator tilpasser seg den faktiske vanskelighetsgraden i prompten din: et enkelt spørsmål får et billig, direkte svar; et komplekst flerstegsproblem rutes gjennom flere spesialister og et verifiseringspass. Den fleksibiliteten driver kvaliteten opp — og gjør kostnad og ventetid uforutsigbar.

Dynamisk ruting, leverandørbytte og rekursive selvkall

Her er det multi-agent-orkestrerings­modell-etiketten virkelig fortjener sin plass. Fugu ruter dynamisk, bytter rundt begrensede eller utilgjengelige leverandører, og kan til og med kalle seg selv rekursivt for å bryte et vanskelig problem ned i delproblemer — den rekursjonen er det som kjøper ekte flerstegsbegrunnelse i stedet for ett enkelt skudd.

Det er én ærlig hake: poolen er byttbar for Sakana, ikke for deg. Du kan ikke se hvilken modell som svarte eller revidere rutingen — mer om hvorfor det er et styrings­problem nedenfor.

Forskningen bak det: Trinity og Conductor (ICLR 2026)

Alle nevner de to ICLR 2026-papirene; nesten ingen forklarer dem. Den utviklervennlige versjonen:

Trinity er en evolvert koordinator som tildeler Tenker-, Arbeider- og Verifiserer-roller på tvers av vendinger: en tenkemodell planlegger, en arbeidsmodell utfører, og en verifiserer sjekker resultatet — med koordinatoren som bestemmer hvem som gjør hva.

Conductor er et RL-trent system som oppdaget sine egne koordineringsstrategier på vanlig naturlig språk i stedet for å stole på håndutformede arbeidsflyter. Ingen programmerte spilleboken — modellen fant selv ut hvordan den skal lede andre modeller, noe som er grunnen til at Fugu føles mindre som et skript og mer som en prosjektleder.

Fugu vs Fugu Ultra: Hvilken trenger du?

Forskjellen mellom Fugu og Fugu Ultra er avveiingen mellom hastighet og kvalitet: fugu er det balanserte, lavere-ventetid-alternativet med en slankere pool som lar deg velge bort agenter, mens fugu-ultra-20260615 maksimerer kvalitet med en dypere, fast pool for vanskelig flerstegarbeid, men kjører tregere. Begge leveres med et kontekstvindu på 1M tokens.

Som tommelfingerregel: bruk fugu når du vil ha responsivitet og samsvars­kontroll, og eskalér til Fugu Ultra bare når problemet er genuint vanskelig og kvalitet slår hastighet. For å se hvordan en enkelt 1M-kontekst-modell presterer head-to-head, er slik en enkelt 1M-kontekst-modell som GLM 5.2 presterer en nyttig sidereference.

Sakana Fugu-benchmarks (og Fable 5-forbeholdet)

Sakana Fugu-benchmarkene ser imponerende ut på papiret. Men før du stoler på ett enkelt tall, les denne etiketten to ganger: hvert tall nedenfor er Sakana-rapportert, ikke uavhengig verifisert. Dette er orkestrerings­system-scores, ikke enkelt-LLM-scores — ikke les dem som en ren, eple-mot-eple-sammenligning.

Benchmark-tabellen

Sakanas overskrift er at Fugu Ultra leder 10 av 11 benchmarks mot Opus 4.8, Gemini 3.1 Pro og GPT-5.5 — det ene tapet er MRCRv2, der GPT-5.5 slår det. Kodingtallene (TerminalBench 2.1 på 82,1, LiveCodeBench på 93,2) er ekte, publiserte påstander som vekker en teknisk leders interesse. For motpunktet om enkelt-modell-ytelse er det verdt å se på der Claude Opus 4.8 fortsatt leder.

Hvorfor "matcher Fable 5" trenger en asterisk

Her er forbeholdet som nesten alle hype-overskrifter hopper over — og det er det viktigste enkeltpunktet i denne anmeldelsen. Sakana sier at Fugu Ultra "matcher Fable 5." Men Fable 5 var eksportkontrollert — Anthropic trakk tilbake offentlig tilgang 12. juni 2026 — og den er ikke i Fugus pool. Så "paritet" er paritet-via-påstand, ikke head-to-head.

Verre for markedsførings­linjen: der Sakana faktisk publiserte direkte tall, vinner Fable 5 3 av 4. På SWE-Bench Pro er det 80,0 mot Fugu Ultras 73,7 — ikke en avrundingsfeil. Den ærlige lesningen er at Fugu Ultra er utmerket, men det slår ikke modellen det sammenlignes med; det tilnærmer seg fraværet av en. For bakgrunnen om hvorfor Claude Fable 5 og Mythos 5 ble trukket tilbake, er den eksportkontroll-konteksten nettopp grunnen til at Sakana lener seg på "ingen lock-in"-pitchen. Så les ethvert "Sakana Fugu vs Fable 5"- eller "vs GPT-5.5"-seier som Sakana-rapportert, mot en modell som ikke er i poolen, og som fortsatt taper de publiserte head-to-headene.

Sakana Fugu-priser og planer

Sakana Fugu-prising kommer i to smaker. Abonnementer koster $20/mnd (Standard), $100/mnd (Pro) og $200/mnd (Max). Foretrekker du betal-etter-bruk? Fugu Ultra er $5 per 1M input-tokens og $30 per 1M output, med høyere satser over en 272K-token-kontekst. Du administrerer alt på console.sakana.ai.

Nå den delen som prisingssiden ikke forteller deg. Fordi Fugu orkestrerer — kaller, verifiserer og syntetiserer på tvers av modeller — brenner det tokens raskt. Tidlige brukere på Hacker News rapporterer at $200/mnd Max-planen dekker under ~3 timer per uke med tung bruk, og én person brukte opp en fem-timers kvote på én enkelt prompt. Sakana Fugu-kostnad skalerer med hvor mye orkestrering hver forespørsel utløser, så budsjetter for variabilitet, ikke en fast linjeposter.

Slik bruker du Sakana Fugu API

Her er den genuint hyggelige delen: Sakana Fugu API er OpenAI-kompatibelt, så det kreves ingen SDK-migrering. For å bruke Sakana Fugu API:

1. Få en API-nøkkel på console.sakana.ai og velg et abonnement eller betal-etter-bruk-plan.
2. Pek din eksisterende OpenAI-klient mot Fugu-endepunktet ved å bytte base_url.
3. Sett modell-id-en: fugu for hverdagsarbeid eller fugu-ultra-20260615 for maksimal kvalitet.
4. Legg til en romslig timeout — Ultra kan ta minutter på vanskelige flerstegoppgaver.
5. Kall chat.completions.create nøyaktig slik du allerede gjør, og les resultatet.

Her er kopier-lim-inn-versjonen, med den ene gotchaen som vil bite deg i kommentarene:

from openai import OpenAI

# Pek din eksisterende OpenAI-klient mot Fugu — dette er den eneste linjen som endres.
# MERK: base_url nedenfor er illustrerende — bekreft det eksakte endepunktet på console.sakana.ai
client = OpenAI(
    api_key="YOUR_SAKANA_API_KEY",
    base_url="https://api.sakana.ai/v1",  # illustrerende; verifiser på console.sakana.ai
)

# Hverdags / raskere: den balanserte orkestratormodellen
fast = client.chat.completions.create(
    model="fugu",
    messages=[{"role": "user", "content": "Refactor this function and explain the tradeoffs."}],
)
print(fast.choices[0].message.content)

# Maksimal kvalitet / tregere: den dype, fast-pool-orkestratormodellen
# GOTCHA: Ultra er treg. Sett romslige tidsavbrudd og IKKE putt den på en sub-sekund UX-sti.
deep = client.chat.completions.create(
    model="fugu-ultra-20260615",
    messages=[{"role": "user", "content": "Reproduce the results from this paper and flag any gaps."}],
    timeout=600,  # sekunder — Ultra kan ta minutter på vanskelig flerstegarbeid
)
print(deep.choices[0].message.content)

Det er det — samme SDK, samme chat.completions.create-kall, bare modell-id-en endres. Én regel å tattovere på hånden: Ultra er treg. Gi den ekte tidsavbrudd og hold den unna enhver sti der en bruker stirrer på en spinner.

De ærlige begrensningene: ventetid, kostnad og svart-boks-ruting

Dette er avsnittet som dag-én-nyhetsoppsummeringene glatter over, og det som avgjør om Fugu overlever møtet med produksjon. For å være direkte:

• Sakana Fugu-ventetid er hoved­problemet. Ethan Mollick kalte det "utrolig tregt," med kodingsoppgaver som strekker seg mot 30 minutter; Hamel Husain beskrev det som "litt ujamnt" (begge er tidlige testeres rapporter — behandle dem som under utvikling). Forvent 3–8 sekunder og oppover på komplekse svar, pluss haleventetid du ikke kan kontrollere. For langvarige arbeidsbelastninger er hvordan agenter håndterer langvarige oppgaver verdt å lese først.
• Kostnad er uforutsigbar. $200/mnd-planen kan fordampe på under tre timer per uke med tung bruk — orkestrering er dyrt av design.
• Ruting er en svart boks. Du kan ikke se hvilken modell som svarte, revidere stien eller bytte poolen — et reelt styrings­gap for ethvert team som trenger sporbarhet.
• Ingen åpen kildekode, ingen selvhosting. Fugu er lukket — ingen publiserte vekter, ingen mulighet til å kjøre det selv. Hvis transparens eller on-premises-distribusjon er et absolutt krav, er det en stopper.
• Utilgjengelig i EU/EØS ved lansering — inkludert Norge. På grunn av GDPR-hensyn er Fugu ikke tilgjengelig i EU/EØS ved lansering. Norge er et EØS-land og er eksplisitt nevnt som berørt. Dette betyr at norske team ikke kan bruke tjenesten i det hele tatt ved lansering. Sakana har ikke publisert en fast tidslinje for EØS-tilgang — sjekk console.sakana.ai for gjeldende regional tilgjengelighet før du planlegger noe rundt dette.
• Ultras faste pool. Fugu Ultra gir deg ingen opt-out, så bare standard fugu-nivået passer for samsvars­team som må ekskludere leverandører. I tidlig testing kom en ThreeJS-oppgave tilbake "merkbart dårligere enn GPT-5.5" — kapabiliteten er fortsatt ujevn.

Sakana Fugu vs enkeltmodeller vs agentframeworks vs OpenRouter

Her er beslutningen du faktisk står overfor, og det er ikke "Fugu vs Fable 5." Det er: bør jeg orkestrere i det hele tatt — og i så fall, kjøper jeg Fugu eller bygger jeg det selv?

En klargjøring om en vanlig Sakana Fugu vs OpenRouter-forveksling: OpenRouter Fusion syntetiserer svar i etterkant, spør modeller og blander svarene. Fugu bestemmer på forhånd hvilke modeller som skal kalles og i hvilken rekkefølge. Begge er "multi-modell," men kontrollflyten er motsatt.

Hvis "bygge det selv" er et alternativ, har du gode valgmuligheter. Agentframeworkene du kan orkestrere selv med dekker orkestrasjonslaget, og egenbygd kodingsagent-oversikten viser hvordan en DIY-stack ser ut. Avveiingen er enkel: å bygge gir deg transparens, kontroll og forutsigbar kostnad; å kjøpe Fugu gir deg en forskningsgradert orkestrator med null infrastrukturarbeid — og en svart boks.

Når bør du bruke Sakana Fugu (og når bør du ikke)?

Er Sakana Fugu verdt det? Det avhenger av arbeidsbelastningen din: problemer der kvalitet slår hastighet er der det skinner, og ventetids- eller kostnadsfølsomme situasjoner er der det snubler. Bruk denne raske egnethetsvurderingen.

God egnethet:

• Vanskelig, flerstegs forskning der du trenger det best mulige svaret, ikke det raskeste.
• Dyp kodereview — tidlige testere sier det fanger flere feil enn GPT-5.5, en ekte fordel.
• Sikkerhets- og cybersikkerhetsvurdering, der flere modeller kryssjekker hverandre.
• Papirreproduksjon, patentanalyse og litteraturundersøkelse der grundighet vinner.

Dårlig egnethet:

• Noe som helst på en lav-ventetid UX-sti — orkestrerings­overheaden alene utelukker det.
• Reviderbar, enkelt-leverandør-styring, spesielt med Ultras faste pool.
• Kostnadsfølsomme, høyvolums arbeidsbelastninger der kvoteforbrenning ville ødelegge enhetsøkonomien.
• Norske og europeiske team: utilgjengelig ved lansering — ikke bygg noe rundt det ennå.

Havner du i "dårlig egnethet"-kolonnen? Du er sannsynligvis bedre tjent med å orkestrere selv med et rutinglag du kontrollerer. For koding-tunge team gir kodingsagentene som faktisk fanger feil deg nærmere den dype-kodereview-brukssaken uten den svarte boksen.

Slik tilnærmer Techsy seg multi-modell-arkitektur

Orkestrering versus egenbygd ruting er rett og slett en arkitektur­beslutning, og det er noe vi hjelper team med å ta. Vår standard: start med én sterk modell pluss et tynt, observerbart rutinglag du kontrollerer — slik at du kan se hvilken leverandør som svarte og bytte den ved behov — og bruk en administrert orkestrator bare når arbeidsbelastningen er genuint vanskelig, flerstegs og kvalitet-over-ventetid. For å være rettferdig: Fugu kan være det rette valget for et lite team uten infra-appetitt som trenger forskningsgradert kvalitet og er komfortabel med å bytte transparens mot bekvemmelighet. Velg bevisst, ikke som standard.

Veier du en administrert orkestrator som Fugu mot et rutinglag du bygger og kontrollerer? Få en gratis arkitektur­konsultasjon →

Ofte stilte spørsmål

Hva er Sakana Fugu?

Sakana Fugu er en multi-agent-orkestrerings­modell fra Sakana AI: ett OpenAI-kompatibelt API som koordinerer en pool av frontier-LLM-er og oppfører seg som én enkelt modell. Det er ikke én modell og ikke en enkel ruter — det er en lært orkestrator trent til å bestemme, delegere, verifisere og syntetisere per forespørsel.

Er Sakana Fugu én enkelt modell eller en ruter?

Ingen av delene — og det er heller ikke en tynn innpakning. Sakana Fugu er en lært orkestrator: en LLM trent til å koordinere andre LLM-er, så den er smartere enn en håndkodet if/else-ruter, men er ikke én enkelt grunnmodell. Koordinerings­policyen er trent (via Trinity- og Conductor-forskningen), noe som er grunnen til at det er mer enn en videresend-prompten-innpakning — og den distinksjonen betyr noe for output-kvalitet, kostnad og hvor mye du kan revidere.

Hva er forskjellen mellom Fugu og Fugu Ultra?

Fugu er det balanserte, lavere-ventetid-alternativet for hverdagskoding og chat, og lar deg velge bort agenter for samsvar. Fugu Ultra sikter mot maksimal kvalitet på vanskelig flerstegarbeid, bruker en dypere, men fast pool (ingen opt-out), og kjører tregere. Modell-id-er: fugu og fugu-ultra-20260615.

Hvor mye koster Sakana Fugu?

Abonnementer koster $20 (Standard), $100 (Pro) og $200 (Max) per måned. Betal-etter-bruk Fugu Ultra er $5 per 1M input-tokens, $30 per 1M output og $0,50 cachet, med høyere satser over 272K-kontekst. Tunge brukere rapporterer at $200-planen dekker under ~3 timer per uke (2026-priser).

Er Sakana Fugu bedre enn Claude Fable 5?

Ikke bevist. Sakana sier at Fugu Ultra "matcher" Fable 5, men Fable 5 var eksportkontrollert og er ikke engang i Fugus pool — så det er paritet-via-påstand, ikke head-to-head. Der Sakana faktisk publiserte direkte tall, vinner Fable 5 3 av 4 (f.eks. SWE-Bench Pro 80,0 vs 73,7).

Er Fugus benchmarks uavhengig verifisert?

Nei — hvert hovednummer er Sakana-rapportert, ikke bekreftet av et eksternt laboratorium. Uavhengig tredjeparts­verifisering (goldiebench-stil-demoer) er fortsatt under utvikling per juni 2026, to dager etter lansering. Behandle scorene som leverandørpåstander, og husk at de er orkestrerings­system-resultater, ikke enkelt-LLM-scores — så de er ikke en ren, eple-mot-eple-sammenligning mot noen enkelt modell.

Hvordan får jeg tilgang til Sakana Fugu API?

Få en nøkkel på console.sakana.ai, pek deretter din eksisterende OpenAI-klient mot Fugu-endepunktet med ett enkelt base_url-bytte — API-et er OpenAI-kompatibelt, så det kreves ingen SDK-migrering. Bruk model="fugu" for hverdagsarbeid eller model="fugu-ultra-20260615" for maksimal kvalitet, og bekreft den eksakte endepunkt-URL-en i konsollen din før du sender til produksjon, siden den ikke var offisielt dokumentert ved lansering.

Er Sakana Fugu tilgjengelig i Norge?

Nei — og dette er kritisk for norske brukere. Fugu er utilgjengelig i EU/EØS ved lansering på grunn av GDPR-hensyn. Norge er et EØS-land og er eksplisitt nevnt som et berørt land. Det betyr at norske team ikke kan bruke tjenesten ved lansering. Sakana har ikke publisert en fast tidslinje for norsk eller europeisk tilgang. Sjekk console.sakana.ai for gjeldende regional tilgjengelighet, og ikke bygg en utrullingsplan rundt det før EU/EØS-tilgang er bekreftet.

Hvorfor er Sakana Fugu så treg?

Fordi den orkestrerer — å kalle, verifisere og syntetisere på tvers av flere modeller per forespørsel legger til reell ventetid. Tidlige testere rapporterte "utrolig trege" kjøringer og flerstegskodingsoppgaver som tok flere minutter. Forvent 3–8 sekunder og oppover på komplekse prompts pluss haleventetid du ikke kontrollerer, så hold den unna lav-ventetid UX-stier.

Er Sakana Fugu åpen kildekode?

Nei. Fugu er fullstendig lukket — det er ingen publiserte vekter, ingen selvhosting og ingen måte å inspisere rutingen på. Det er et bevisst produkt­valg knyttet til "ingen lock-in"-pitchen, ikke en forglemmelse. Hvis du trenger transparens eller on-premises-distribusjon, vil du heller bruke åpen kildekode-orkestrering eller et egenbygd rutinglag du kontrollerer.

Dom: Er Sakana Fugu verdt det?

Etter alle tallene og forbeholdene, det ærlige scorekortet:

• Orkestreringen er genuint sterk for vanskelig, flerstegarbeid — dyp kodereview og forskning er der det tjener seg inn.
• "Matcher Fable 5" er paritet-via-påstand. Fable 5 er ikke i poolen og vinner head-to-headene som Sakana publiserte. Les markedsføringen deretter.
• Treg, dyr og en svart boks. Reelle avveiinger, ikke pirking — haleventetid du ikke kan forutsi, kvote som brenner raskt, ruting du ikke kan se.
• Ingen åpne vekter, EU/EØS-utilgjengelig ved lansering — inkludert Norge. Hvis du trenger selvhosting, transparens eller europeisk tilgang, er det en hard stopp i dag.
• Lovende, men ikke ennå bevist. Det er to dager gammelt, benchmarkene er leverandørrapporterte og uavhengig verifisering er ventende. Spennende, men tidlig.

Så hvem bør hoppe inn? Hvis du kjører forskningsgraderte eller dype kodereview-arbeidsbelastninger og kan tåle kostnaden og ventetiden, er Sakana Fugu absolutt verdt en prøvekjøring — forutsatt at du ikke er i Norge eller EU/EØS. Hvis du trenger lav-ventetid UX, forutsigbar kostnad, reviderbar styring, eller rett og slett befinner deg i et EØS-land, vent — eller orkestrere selv med et lag du kontrollerer. Uansett: bestem deg ut fra arbeidsbelastningen din, ikke overskriften.

Usikker på om du bør ta i bruk Fugu, vente eller orkestrere selv for arbeidsbelastningen din? Snakk med teamet vårt →