La cursa de la IA s'ha centrat fins ara sobretot en entrenar un sol model cada cop més gran i car, però un grapat de start-ups japoneses, entre elles Sakana AI —fundada per antics investigadors de Google DeepMind—, aposten per un camí diferent: coordinar diversos models més petits i especialitzats en lloc de fer-ne créixer un de sol.
Sakana AI va presentar l'11 de setembre Fugu Max i Fugu Ultra v2, dos sistemes «orquestradors» que no són models d'IA en si mateixos, sinó capes que reparteixen cada tasca entre un ventall de models oberts i especialitzats —inclosa la família Nemotron de Nvidia— i n'ajunten les respostes en una de sola. Fugu Max, pensat per abaratir costos, té un preu de 2 dòlars per milió de tòquens d'entrada i 6 per milió de sortida, entre un 40% i un 60% per sota dels models de referència del sector, i ha obtingut les millors puntuacions en sis bancs de proves, entre ells Terminal Bench 2.1. Fugu Ultra v2, orientat a tasques de raonament complex i programació, prioritza la qualitat per sobre del cost i diu obtenir bons resultats sense dependre de cap model propietari concret. Totes dues eines fan servir la mateixa interfície de programació que ja utilitzaven les versions anteriors, de manera que qui ja les tenia integrades només ha de canviar un paràmetre per actualitzar-les.
És rellevant perquè planteja una alternativa als models tancats i cars dels grans laboratoris: si un sistema d'orquestració sobre models oberts pot igualar-ne el rendiment a una fracció del preu, això debilitaria l'avantatge competitiu de dependre d'un sol proveïdor propietari, un argument que Sakana ven explícitament com a resposta al risc de quedar «encadenat» a un venedor.
Les xifres de rendiment i estalvi provenen dels bancs de proves que la mateixa Sakana AI ha escollit per presentar el producte, sense una avaluació independent encara feta pública; tampoc se sap com es comportaran aquests sistemes d'orquestració en tasques que no estiguin ben representades en aquests bancs de proves.