KI-Werkzeug

Fugu Review

Name: Fugu
Availability: OnlineOnly
Author: Stork.AI

Fugu ist ein Multi-Agenten-Orchestrierungssystem, das als Conductor LLM fungiert und darauf trainiert ist, eingehende Aufgaben dynamisch an den optimalen Agenten aus einem austauschbaren Pool anderer LLMs weiterzuleiten.

shipped 23. Juni 2026freemium

Domain rating73Monthly visits12K/moAI-readablepartial

Fugu - AI tool for fugu. Professional illustration showing core functionality and features.

Warum es wichtig ist

1Fugu und Fugu Ultra wurden am 22. Juni 2026 offiziell als allgemein verfügbare (GA) Produkte eingeführt.

2Etwa 500 Beta-Nutzer testeten das Fugu-System vor seiner allgemeinen Verfügbarkeit.

3Fugu Ultra erreichte 93,2 auf LiveCodeBench und übertraf damit Fable 5's 89,8 in der Codierungsleistung.

4Abonnementpläne für Fugu beginnen bei 20 $ pro Monat für die Standard-Stufe.

Stork’s verdict on Fugu

Fugu glänzt beim komplexen Codieren, indem es verschiedene LLMs orchestriert, aber die Black-Box-Auswahl der Ultra-Variante kann langsam und teuer sein.

Fugu reviewed by Stork AI · stork.ai/de/fugu

Spezifikationen

API-Dokumentation

Dokumentation ansehen →

API verfügbar

Ja, öffentliche API

overview

Was ist Fugu?

Fugu ist ein von Sakana AI entwickeltes Multi-Agenten-Orchestrierungssystem, das Unternehmen, Finanzinstituten und Think Tanks ermöglicht, diverse Modelle für spezifische Aufgaben zu orchestrieren. Es fungiert als Conductor LLM, das eingehende Aufgaben dynamisch an den optimalen Agenten aus einem austauschbaren Pool anderer LLMs weiterleitet. Fugu wurde am 22. Juni 2026 eingeführt und zielt darauf ab, KI-Fähigkeiten auf Frontier-Niveau bereitzustellen und gleichzeitig die Risiken zu mindern, die mit der Abhängigkeit von einem einzigen KI-Anbieter verbunden sind. Das System präsentiert einen koordinierten Pool spezialisierter KI-Modelle über eine einzige OpenAI-kompatible API. Fugu selbst ist ein Sprachmodell, das darauf trainiert ist, dynamisch Aufgaben an verschiedene zugrunde liegende LLMs auszuwählen, zu delegieren und Antworten von diesen zu synthetisieren, einschließlich kommerzieller Modelle wie Google Gemini 3.1 Pro, OpenAI GPT-5.5 und Anthropic Claude Opus 4.8, sowie Sakana AIs eigener Modelle. Es ist in zwei Varianten erhältlich: Fugu, optimiert für starke Leistung und geringe Latenz bei alltäglichen Aufgaben wie Codierung und dem Betrieb von Chatbots; und Fugu Ultra, entwickelt für maximale Antwortqualität bei komplexen, mehrstufigen Problemen, geeignet für KI-Forschung und Cybersicherheitsanalyse.

features

Hauptmerkmale von Fugu

Fugu ist als ausgeklügeltes Multi-Agenten-Orchestrierungssystem konzipiert, das ein Conductor LLM nutzt, um KI-Workflows zu verwalten und zu optimieren. Seine Kernfunktionalität dreht sich um intelligente Aufgabenweiterleitung und die flexible Integration verschiedener Sprachmodelle.

Multi-Agenten-Orchestrierungssystem für komplexe KI-Workflows.
Fungiert als Conductor LLM, das eingehende Aufgaben dynamisch weiterleitet.
Leitet Aufgaben an den optimalen Agenten aus einem austauschbaren Pool anderer LLMs weiter.
Nutzt einen vielfältigen Agentenpool, einschließlich Google Gemini 3.1 Pro, OpenAI GPT-5.5 und Anthropic Claude Opus 4.8.
Bietet eine einzige OpenAI-kompatible API für den Zugriff auf koordinierte KI-Modelle.
Bietet zwei Varianten: Fugu für Leistung/Latenz und Fugu Ultra für maximale Antwortqualität.
Mindert Vendor Lock-in und geopolitische Risiken durch Reduzierung der Abhängigkeit von einzelnen KI-Anbietern.
Verwendet ein 'Passthrough-Billing'-Modell, das einen einzigen Satz basierend auf dem verwendeten Top-Tier-Modell zuzüglich einer Sakana-Marge berechnet.

use cases

Wer sollte Fugu nutzen?

Fugu wurde für Organisationen entwickelt, die fortschrittliche KI-Fähigkeiten benötigen, insbesondere solche, die die Leistung optimieren, Datensouveränität gewährleisten und komplexe, mehrstufige Aufgaben in verschiedenen Bereichen verwalten möchten. Seine Architektur unterstützt eine Reihe anspruchsvoller Anwendungen.

Unternehmen und Finanzinstitute: Für die Erstellung tiefgehender, langfristiger Strategieberichte und Präsentationen für Führungskräfte.
Think Tanks und Forschungsorganisationen: Für die Automatisierung wissenschaftlicher Entdeckungen, die Reproduktion wissenschaftlicher Arbeiten und die Durchführung von Literatur- und Patentrecherchen.
Organisationen mit strenger Daten-Governance: Für die Bereitstellung von KI-Souveränität und die Minderung von Vendor Lock-in durch die Orchestrierung diverser Modelle.
Ingenieurteams und Data-Science-Einheiten: Für Codierung, Code-Reviews, die Automatisierung von Cybersicherheits-Bewertungszyklen und Penetrationstests.
Japanische Unternehmen: Für spezialisierte Aufgaben wie die Analyse japanischer Handschrift und andere regionalspezifische Anwendungen.

how to use

So verwendest du Fugu

Fugu ist über seine OpenAI-kompatible API und die Sakana-Konsole zugänglich, sodass Nutzer seine Multi-Agenten-Orchestrierungsfähigkeiten in ihre Anwendungen und Workflows integrieren können.

1Greife über die Sakana-Konsole unter console.sakana.ai zu, um Abonnements und API-Schlüssel zu verwalten.
2Nutze die OpenAI-kompatible API für Fugu und Fugu Ultra durch Integration in bestehende Systeme.
3Wähle zwischen Fugu (model ID: fugu-20260615) für geschwindigkeitsoptimierte Aufgaben oder Fugu Ultra (model ID: fugu-ultra-20260615) für qualitätsorientierte komplexe Probleme.
4Konfiguriere die Präferenzen des Agent-Pools, einschließlich des Ausschlusses bestimmter Agenten aus Datenschutz- oder Compliance-Gründen.
5Reiche komplexe, mehrstufige Prompts bei Fugu Ultra für Aufgaben wie Code-Review oder Forschungsanalyse ein.

pricing

Fugu Preise & Pläne

Sakana AI bietet zwei primäre Preisstrukturen für Fugu an: Abonnementpläne für einzelne Nutzer und den täglichen Gebrauch sowie ein Pay-As-You-Go-Modell für Firmenkunden und hohe Produktionslasten. Alle Abonnementstufen beinhalten den Zugang zu den Modellen Fugu und Fugu Ultra. Das 'Passthrough-Billing'-Modell stellt sicher, dass selbst bei mehreren Agenten die Gebühren nicht gestapelt werden, sondern ein einziger Satz basierend auf dem genutzten Top-Tier-Modell zuzüglich einer Sakana-Marge berechnet wird.

Standard-Abonnement: 20 $ pro Monat.
Pro-Abonnement: 100 $ pro Monat (10-faches Standard-Nutzungsvolumen).
Max-Abonnement: 200 $ pro Monat (20-faches Standard-Nutzungsvolumen).
Pay-As-You-Go Eingabe-Tokens: 5 $ pro 1 Million Tokens (für Kontexte bis zu 272K Tokens), steigt auf 10 $ pro 1 Million Tokens für Kontexte über 272K Tokens.
Pay-As-You-Go Ausgabe-Tokens: 30 $ pro 1 Million Tokens (für Kontexte bis zu 272K Tokens), steigt auf 45 $ pro 1 Million Tokens für Kontexte über 272K Tokens.
Pay-As-You-Go Cached Eingabe-Tokens: 0,50 $ pro 1 Million Tokens (für Kontexte bis zu 272K Tokens), steigt auf 1,00 $ pro 1 Million Tokens für Kontexte über 272K Tokens.

Pros

+Erzielt hohe Leistung bei komplexen, mehrstufigen Coding-Aufgaben, wobei Fugu Ultra in Beta-Tests deutlich mehr Probleme identifizierte als andere Tools.
+Verringert die Risiken einer Abhängigkeit von einem einzelnen KI-Anbieter durch die Orchestrierung eines Pools verschiedener LLMs.
+Zeigt starke Benchmark-Ergebnisse und übertrifft Wettbewerber wie Claude Opus 4.8 und GPT-5.5 bei SWE-Bench Pro (73,7%) und LiveCodeBench (93,2%).
+Bietet eine OpenAI-kompatible API und vereinfacht die Integration in bestehende Entwickler-Workflows.
+Bietet Flexibilität mit zwei Varianten (Fugu und Fugu Ultra), die für unterschiedliche Anwendungsfälle sowie Kosten-/Qualitätsprioritäten optimiert sind.
+Ermöglicht Nutzern, bestimmte Agenten aus dem Pool auszuschließen, um Datenschutz und Compliance zu stärken.

Cons

−Fugu Ultra kann teuer sein und Tokens schnell verbrauchen; der Max-Plan für 200 $/Monat könnte bei intensiver Nutzung in weniger als drei Stunden pro Woche aufgebraucht sein.
−Nutzer berichteten von langsamen Verarbeitungsgeschwindigkeiten bei Fugu Ultra, was Stress verursacht und die manuelle Steuerung anderer Frontier-Modelle bei komplexen Aufgaben möglicherweise effizienter macht.
−Der interne Prozess der Modellauswahl und Orchestrierung ist eine 'Blackbox', was Bedenken hinsichtlich Verantwortlichkeit und Transparenz aufwirft.
−Fugu Ultra lag bei Humanity's Last Exam (50,0% vs. 53,3%) und SWE-Bench Pro (73,7% vs. 86,0%) hinter Anthropics Fable 5.
−Kritiker vermuten, dass Fugu ein 'De-facto-Downgrade' sein könnte, wenn sein Agent-Pool hauptsächlich aus Open-Modellen niedrigerer Stufe besteht und die fortschrittlichsten, regulierten KI-Systeme ausschließt.

Ähnliche Tools

Fugu vs. Wettbewerber

Fugu ist strategisch positioniert, um die Abhängigkeit von einem einzigen KI-Anbieter zu reduzieren und bietet eine Absicherung gegen Vendor Lock-in und geopolitische Risiken. Sakana AI behauptet, dass Fugu Ultra vergleichbar mit führenden Modellen wie Anthropic's Fable 5 und Mythos Preview in wichtigen Ingenieur-, Wissenschafts- und Denk-Benchmarks abschneidet. In internen Benchmark-Tests übertrafen Fugu-Modelle Berichten zufolge Google Gemini 3.1 Pro, OpenAI GPT-5.5 und Anthropic Claude Opus 4.8 bei Aufgaben wie automatisierter Forschung und Finanzprognosen. Zum Beispiel erreichte Fugu Ultra 93,2 auf LiveCodeBench und übertraf damit Fable 5's 89,8, und 95,5 auf GPQA-D, womit es Mythos Preview's 94,6 übertraf. Allerdings blieb Fugu Ultra Berichten zufolge bei 'Humanity's Last Exam' hinter Fable 5 zurück (50,0 vs. 53,3) und lag bei der Langkontext-Erinnerung bzw. den Cybersicherheits-Benchmarks hinter GPT-5.5 und Opus 4.8.

Microsoft AutoGenOn Stork

Its chat-centric orchestration model enables asynchronous communication and sophisticated negotiation among various agents, including humans, LLM-agents, and code executors.

Like Fugu, AutoGen orchestrates multiple LLMs and tools into cooperative workflows, but it particularly emphasizes conversational multi-agent systems and a unified message-passing interface for scalability. Its SDK is free, aligning with Fugu's freemium model.

CrewAIOn Stork

It provides a role-based multi-agent framework where specialized AI agents collaborate on complex tasks, featuring sophisticated memory management and checkpointing.

CrewAI, similar to Fugu, focuses on orchestrating multiple AI agents from a pool, but it specifically structures agents with distinct roles and a defined process for task handoffs and communication. It is an open-source framework, aligning with Fugu's freemium approach.

LangGraphOn Stork Compare

It is a framework for building stateful, multi-actor applications with LLMs, offering granular control over an agent's thought process for reliable and complex AI agents.

While Fugu focuses on dynamic routing to optimal LLMs, LangGraph provides a more expressive framework for building complex, cyclical, and stateful multi-actor agentic workflows, often building on LangChain's foundational components. It is an MIT-licensed open-source library and free to use, similar to Fugu's freemium model.

RouteLLMOn Stork

It is an open-source framework specifically designed for dynamically selecting the most suitable LLM for each query based on complexity and performance requirements to optimize costs.

RouteLLM directly competes with Fugu's core functionality of dynamically routing incoming tasks to the optimal agent by focusing on cost-effective LLM routing. Unlike Fugu's broader multi-agent orchestration, RouteLLM is more specialized in the routing decision itself, and it is open-source.

Mehr auf Stork