Sakana Fuguとは？Fugu Ultraの仕組み・料金・Codex連携・注意点を解説

この記事の結論

• Sakana Fuguは、単体の巨大LLMではなく、複数の強力なモデルを動的に組み合わせるマルチエージェント・オーケストレーションAPIです。
• 外からはOpenAI互換の1つのAPIとして使えますが、内部ではタスクに応じて複数の専門エージェントが協調します。
• Fuguは日常的なコーディングやコードレビュー向けの標準モデル、Fugu Ultraは難しい多段階推論や研究・調査向けの上位版です。
• 公式はFugu UltraがFable 5 / Mythos Preview級の性能に並ぶと説明していますが、比較スコアの一部は提供元公表値であり、Fable / MythosはFuguのエージェントプールには含まれていません。
• 料金、提供地域、データ利用、内部モデル非公開など、使う前に確認すべき条件があります。

2026年6月22日に何が発表されたのか

Sakana AIは2026年6月22日、Sakana Fuguの一般提供開始と、上位モデルであるFugu Ultraを発表しました。公式リリースでは、Sakana Fuguを「マルチエージェントシステムを1つのモデルAPIとして提供する」プロダクトとして説明しています。

重要なのは、これは単に新しいチャットAIが1つ増えたニュースではないことです。Fuguは、ユーザーが1つのAPIを呼ぶだけで、内部では複数のモデルやエージェントを選び、役割分担し、検証し、最終回答へ統合する仕組みです。個人開発者にとっては、モデル選び、単一ベンダー依存、料金、Codex連携をまとめて考えるきっかけになります。

Sakana Fuguをひとことで言うと

Sakana Fuguは、日本発企業が提供するOpenAI互換のマルチエージェント・オーケストレーションAPIです。単体の国産LLMというより、複数のモデルを束ねる集合知の入口として見ると理解しやすいです。

既存のGPT、Claude、GeminiのAPIは、多くの場合ユーザーが特定モデルを選びます。Fuguでは、外側の呼び出し口は1つでも、内側ではタスクに応じてモデル選択、委譲、検証、統合が行われます。ユーザーが毎回どのモデルに投げるかを決めるのではなく、Fugu/Fugu Ultraという入口を選び、その先の協調はシステムに任せる設計です。

FuguとFugu Ultraの違い

Fuguは、普段のコードレビュー、調査、チャット、開発支援に向く標準モデルとして説明されています。一方のFugu Ultraは、AI研究、論文再現、Kaggleのような競技的分析、サイバーセキュリティ分析、文献・特許調査など、時間がかかっても深い推論がほしい場面向けです。

なぜFable / Mythos停止リスクと関係するのか

Sakana AIのリリースは、AnthropicのFable / Mythosモデルをめぐる輸出規制や提供停止リスクを、単一ベンダー依存の例として扱っています。つまりFuguは、特定の1社や1モデルだけに依存せず、背後のエージェントプールを差し替えられる設計思想を前面に出しているわけです。

ただし、ここは慎重に読む必要があります。Fuguが単一ベンダー依存を下げる方向の仕組みであることと、Fugu自体の提供条件、価格、内部モデル、規制リスクがゼロになることは別です。Fable / Mythos停止リスクの詳しい整理は、既存のAI API依存リスク記事で扱っています。

仕組み：ユーザーは1モデルを呼ぶだけ、内部では複数エージェントが協調する

公式説明では、Fugu自体が言語モデルであり、エージェントプール内のさまざまなLLMを呼び出すように学習されています。必要に応じて自分自身を再帰的に呼び出すこともあり、単純なルーティング表ではなく、タスクに応じて協調の形を作る設計です。

技術的な背景には、ICLR 2026採択論文として示されているTRINITYとConductorがあります。AI開発横丁の読者向けに言い換えるなら、Fuguは「モデルを選ぶ人間の代わりに、どの専門家を呼び、どう会話させ、どう統合するかを学習したモデル」です。

ベンチマークの見方：どこが強く、どこを慎重に読むべきか

公式リリースでは、SWE Bench Pro、TerminalBench 2.1、LiveCodeBench、Humanity's Last Exam、CharXiv Reasoning、GPQA-D、SciCode、Long Context Reasoningなど、コーディング、科学、推論、長文文脈のベンチマークが並んでいます。Fugu Ultraが一部で高いスコアを示し、Fable 5 / Mythos Preview級に並ぶという表現も使われています。

Codexやコードレビューでどう使えるのか

公式リリースでは、FuguはCodexのようなツールでのcodingやcode reviewに自然に合うと説明されています。公式consoleのGet Startedでは、Sakana APIのエンドポイント、OpenAI互換SDKでの利用例、Codex CLI向けの設定方法も公開されています。

from openai import OpenAI
import os

client = OpenAI(
    base_url="https://api.sakana.ai/v1",
    api_key=os.environ["SAKANA_API_KEY"],
)

response = client.responses.create(
    model="fugu-ultra",
    input="このPRのリスクをレビューしてください。",
    timeout=120.0,
)

print(response.output_text)

OpenRouterや単体LLMと何が違うのか

OpenRouterは、複数のモデルを選びやすくするルーティングや統合の入口として便利です。Fuguはそれに近い問題意識を持ちながら、さらに内側で複数エージェントの協調まで行う点が違います。透明性やコスト制御を重視するならOpenRouter的な発想、難しい多段階タスクで集合知を使いたいならFugu的な発想が候補になります。

料金とプラン：Fugu / Fugu Ultraを使う前に見るポイント

個人開発者は、月額プランの見た目だけで判断しない方が安全です。長文レビュー、リポジトリ調査、論文要約、Codexでの長時間作業ではトークン消費が膨らみます。Fugu Ultraは品質重視のモデルなので、まずは小さなタスクで1リクエストあたりのトークン量と応答時間を見てから、継続利用を判断しましょう。

データ利用・内部モデル非公開・EU/EEA非対応の注意点

公式FAQでは、usage dataはFuguの性能改善に役立つ一方、学習利用はconsoleからオプトアウト可能と説明されています。また、Fuguが具体的にどの基盤モデルを選び、どう協調したかは独自技術として公開されません。Fuguでは特定モデルやプロバイダーを除外できますが、Fugu Ultraは性能のためフルエージェントプール固定です。

個人開発者は今すぐ使うべきか

結論として、AI APIを日常的に使い、コードレビュー、長文調査、実験、論文・仕様読み込みのような重いタスクがある人は、小さく試す価値があります。特に、単体モデルで回答が浅い、モデル選びに疲れている、Codexのレビュー品質をもう一段上げたい、という人には相性がよい可能性があります。

一方で、料金をまだ把握できていない、EU/EEAから使う、どのモデルが使われたか監査したい、データ利用のポリシーが厳しい、本番コードや秘密情報を扱う、という場合は様子見や限定利用が安全です。Fuguは便利な集合知の入口ですが、監査性とコストの読みやすさでは単体LLM APIの方が向く場面もあります。

導入前チェックリスト

• 何に使うかを決めた
• FuguとFugu Ultraのどちらを使うか決めた
• 料金ページで最新価格を確認した
• 長文・多段階タスクでどれくらいトークンを使うか見積もった
• APIキーを.envや秘密情報管理に保存し、記事本文やGitHubに出さないようにした
• Codexに渡す場合、触ってよいリポジトリ・ファイル・禁止操作を決めた
• データ利用の設定・オプトアウト可否を確認した
• EU/EEAなど提供地域制限を確認した
• 失敗した場合のfallbackモデルや代替APIを決めた
• 出力を鵜呑みにせず、コード・料金・セキュリティ判断は人間が確認する

AI開発横丁としての結論

Sakana Fuguは、日本発のすごい単体LLMではなく、複数の強力なAIを1つのAPIの裏側で協調させる、日本発のマルチエージェント・オーケストレーションAPIです。この整理を間違えなければ、過剰な期待も、過小評価も避けやすくなります。

個人開発では、まずFuguをコードレビューや調査の小さな補助に使い、Fugu Ultraは難しい多段階タスクだけに絞るのが現実的です。Fable / Mythos停止で見えた単一ベンダー依存の問題、OpenRouterのようなモデル切り替え、Codexの長時間エージェント化をつなぐ存在として、今後のAI API選びで重要な選択肢になるでしょう。