Transformer 论文的共同作者下场做 Agent 产品，会长成什么样子？Sakana AI 给出的答案，是把多智能体系统塞进一个 API 调用里——你只管提问，剩下的拆解、调度、验证全部自动化。东京这家成立不到三年的公司，最近因为 Fugu Ultra 的基准成绩被推上风口浪尖：性能直追 Fable、Mythos 这类顶级闭源模型。更值得玩味的，是它选择用多模型动态编排的方式，天然绕开单一供应商的出口管制风险。这步棋，把技术架构变成了地缘策略。
三个老炮，一家公司
Sakana AI 的创始团队名单，放在任何一家硅谷 AI 公司都算得上豪华。但这家公司偏偏选在了东京落地，而且三个人各自代表着三种完全不同的资源池。
从 Google Brain 到东京实验室
CEO David Ha 的履历里，最显眼的标签是前 Google Brain 研究员。在硅谷，他以研究"涌现"闻名——不是大模型里的涌现行为，而是复杂系统里那种局部规则产生全局秩序的现象。这个学术兴趣直接决定了 Sakana 的产品哲学：单个智能体未必多强，但一群智能体协作起来，可能比单体模型更聪明。Ha 离开 Google 后先去了 Stability AI 短暂任职，之后便在东京拉起这支队伍。
Transformer 共同作者的第二次创业
CTO Llion Jones 的名字在 AI 圈近乎传说——2017 年那篇改变整个行业的《Attention Is All You Need》，他是八位共同作者之一。Transformer 架构被全球主流大模型沿用至今，Jones 却选择离开这条主线，去做一个基于多智能体协作的新范式。这不是背离，而是把注意力机制的思想推到了系统层面：让模型之间互相"注意"，而不是只让 token 之间互相注意。
外交官管钱和战略
主席 Ren Ito 的背景最特殊——前日本外交官。这个人事安排在一开始让很多人看不懂：一个 AI 公司为什么要找外交官？直到 Fugu Ultra 的"多供应商调度"策略浮出水面，外界才反应过来。Ito 负责的不是技术，而是这家公司在全球地缘政治夹缝中的生存空间。模型出口管制、算力分配、技术封锁——这些都是他要操心的变量，而多智能体架构恰好是一种技术层面的对冲手段。
一个 API，藏着一群 Agent
Fugu 这个名字来自日本的河豚——剧毒，但处理得当就是顶级美味。Sakana 把它作为产品名，暗示的是：多智能体系统像河豚一样有潜力，但工程复杂度也像河豚一样危险。Fugu 的产品形态，就是把这头河豚炖好端上桌。
任务拆解：自动化的第一步
用户发起一次 API 调用，提交的通常是一个复合问题——比如"分析这份财报的现金流趋势，并对比同行业三家公司的数据"。传统单模型方案下，要么模型能力不够，要么需要用户自己写复杂的 prompt 链。Fugu 的做法是接到请求后立刻做语义拆解，把大问题切成若干子问题，每个子问题匹配最合适的处理路径。拆解逻辑本身也是一个模型在跑，相当于元智能体调度其他智能体。
模型调度：全球找最合适的"工人"
拆完之后才是真正体现 Sakana 野心的环节——动态编排。系统会根据子问题的类型、难度、所需能力，实时从全球可选模型池里挑选手。比如代码生成派给某个擅长代码的开源模型，逻辑推理派给某个推理强项的专精模型，文本润色交给一个性价比高的轻量模型。所有调用都是自动发生的，用户感知不到背后跑了几家供应商、几个模型版本。
结果验证：自我博弈的质量控制
多智能体系统最大的隐患是错误传播——一个子智能体答错，后面所有引用它的结果都跟着错。Fugu 的应对方式是引入验证机制：让一个或多个"评审"智能体对输出做交叉检查，类似学术论文的同行评审。评审不通过的答案会触发重试或换模型重答。这种内部博弈的代价是计算成本上升，但换来的是输出可靠性的大幅提升，也是它敢于对标 Fable、Mythos 的底气所在。
基准对标：Fugu Ultra 的成绩单
任何技术叙事最终都要落到数字上。Fugu Ultra 是 Sakana 目前对外展示的旗舰配置，在多个公开基准上跑出了接近顶级闭源模型的成绩。
工程与科学任务的实测表现
在 SWE-Bench 这类工程类基准上，Fugu Ultra 解决的真实 GitHub issue 数量已经进入第一梯队。科学推理类任务上，它的表现同样亮眼——尤其在需要多步推理、跨领域知识整合的场景。值得注意的是，这些成绩不是靠单一超大模型硬扛出来的，而是多智能体协作的合成结果。某种意义上，这证明了"集体智能"在小模型组合得当的情况下，确实能逼近巨兽。
推理基准的方法论差异
传统推理基准比拼的是单模型的 chain-of-thought 长度和准确率。Fugu Ultra 的强项在于它可以让不同专长的模型分段处理推理链条——一个模型负责拆解，一个负责计算，一个负责验证。这套方法论对那些"必须分步走才能做对"的题目尤其有效，也让它在某些基准上反超了体量数倍于它的对手。
多模型编排，藏着一手地缘牌
Fugu Ultra 最容易被忽视的卖点，不是性能，而是它的供应商策略。当全行业都在讨论"如何不被单一供应商卡脖子"时，Sakana 用产品架构给出了一个工程化的解法。
算力封锁下的"反脆弱"设计
过去两年，高端 GPU 和顶级闭源模型的出口管制成了 AI 行业的灰犀牛。一家美国公司可能突然发现：自己用惯的模型在中国市场不能提供服务，或者某个地区算力被限制。Fugu 的多模型调度架构天然免疫这个问题——它不绑定任何单一供应商，今天用 Anthropic，明天用 Mistral，后天可能接 DeepSeek。架构本身具备反脆弱性。
日本 AI 产业的一张明牌
把 Sakana 放回日本 AI 产业的大背景看，这步棋的战略意图更清晰。日本本土缺乏能与硅谷巨头正面对抗的基础模型公司，但工程能力、数据积累、硬件产业链的优势还在。Sakana 选择做"调度层"而非"模型层"，本质上是承认了日本在基础模型上的劣势，转而抢占智能体编排这个新生态位。Ren Ito 的外交官背景，在这个战略选择里绝不是偶然。
开源与闭源之间的第三条路
Fugu 的商业模式也透露了信号：它不卖模型，卖调用。这意味着 Sakana 不用在"开源还是闭源"这个长期争论里站队——它既是开源模型的消费者，也是闭源模型的分销渠道。这条中间路线，让它在两边都不得罪，同时获得最灵活的成本结构和最大的市场覆盖。对于那些"想用 AI 但不想绑定单一供应商"的企业客户，这种定位几乎是量身定做。
多智能体从论文走向产品，Sakana 抢到了先手
多智能体系统的概念不新鲜，学术圈吵了至少五年。但工程化难度高、成本难控制、效果不稳定，三座大山让它始终停留在 demo 阶段。Sakana 的真正贡献，是把这些复杂工程封装成一个普通开发者也能调用的 API——多智能体从论文里的概念，变成了开箱即用的产品形态。
Transformer 作者下场做 Agent 编排，本身就是一个有象征意义的信号：当基础模型的边际收益开始递减，下一波 AI 价值创造的主战场，正在从"造更大的模型"转向"让模型更聪明地协作"。Sakana 押注的，正是这个转向。而那手藏在多模型调度里的地缘牌，不过是顺势而为的副产品罢了。
