「1つのモデルAPIを叩くだけで、裏では複数のAIが勝手に協調して最適解を出す」——これがSakana Fuguの一行サマリです。ですが、速報ツイートやまとめ記事の多くは「すごい」で止まっています。本記事は、公式発表・海外メディアの実測値・各社の最新料金を突き合わせ、Fuguが本当に得なのか／誰に向くのかまで踏み込みます。^[1]

• 0点
  LiveCodeBench（Fugu Ultra・同社測定）
• 0種
  モデル展開（Fugu / Fugu Ultra）
• 0ドル〜
  サブスク月額の開始価格

user@sinyblog:~/article ❯ 01_digest.md90秒ダイジェスト：結論先出し

時間がない人向けに、本記事の結論を先に置きます。

1. 正体：Fuguは「複数のLLMを束ねるマルチエージェント基盤」を、1本のOpenAI互換APIとして提供するサービス。指揮役のFugu自身がLLMで、どのモデルに任せるか・自分で解くかを内部で判断する。
2. 性能：最上位のFugu Ultraは、LiveCodeBenchやSWE Bench Proなどの難関ベンチで、Claude Opus 4.8・Gemini 3.1 Pro・GPT-5.5を上回る数値を出している（すべて同社測定）。
3. 料金：サブスク $20 / $100 / $200 の3段＋従量課金。Fugu Ultraの従量は入力$5・出力$30/100万トークンで、これはGPT-5.5とほぼ同額・Claude Opus 4.8よりやや高い。
4. 本当のコストメリット：「1トークン単価が安い」わけではない。得になるのはオーケストレーションを自前で作る工数とベンダー分散を丸ごと外注できる点。単一モデルで足りる用途ならClaude Opus 4.8の方が安い。
5. 注意点：ベンチは第三者検証なし／Fable 5・Mythosはプール非搭載／EU圏は提供外／オーケストレーションによるトークン増は非開示。

user@sinyblog:~/article ❯ 02_what.mdSakana Fuguとは何か

Sakana AIは東京を拠点とするAI研究所です。2026年4月25日からのベータを経て、6月22日にFuguを一般提供（GA）開始しました。^[1]

Fuguの肝は一言で言えば「マルチエージェント・システムを、1個の基盤モデルのように見せる」こと。普通、複数のAIを連携させようとすると、どのモデルをいつ呼ぶか、結果をどう統合するか、エラーをどう処理するか——という配管（オーケストレーション）を全部自分のコードで書く必要があります。Fuguはその複雑さをAPIの向こう側に隠し、利用者は「1つのモデルに話しかける」だけで済みます。

公式の表現を借りれば、Fuguは「複雑で多段なタスクに取り組むために、世界最良のモデル群を動的にオーケストレーションする」存在で、それが「単一のモデルAPIからアクセスできる」のがウリです。^[1] しかもこのAPIはOpenAI互換なので、既存のOpenAI SDKのコードからエンドポイントを差し替えるだけで動く、という設計になっています。

user@sinyblog:~/article ❯ 03_howitworks.md仕組み：Fugu自体が"指揮者LLM"

ここが他のルーティングサービスと決定的に違う点です。Fuguは単なる「振り分けスイッチ」ではありません。Fugu自身が、オーケストレーション専用に訓練されたLLMです。^[1]

Fuguはタスクを受け取ると、まず「これは自分で解けるか／専門家チームを組むべきか」を判断します。チームを組む場合は、エージェントプール内の各種LLM（クローズド/オープン双方）を呼び分け、必要なら自分自身を再帰的に呼び出すこともできます。モデルの選定・委任・検証・統合まで、すべて内部で完結させる——だからマルチエージェントの複雑さがコード側に一切出てこない、というわけです。

この振る舞いの土台になっているのが、ICLR 2026に採択された2本の論文です。^[2]

つまりFuguの「指揮能力」は、ヒューリスティックなルールではなく査読付き研究に裏打ちされた学習済みの委任パターンだ、というのがSakanaの主張です。後述するOpenRouterのような"アグリゲーター型ルーティング"とは、ここで一線を画します。

OpenAI互換なので、利用イメージとしては既存コードのbase_urlとモデル名を差し替えるだけ。下記はあくまでイメージ（公式SDK仕様は[3]のドキュメントを参照）ですが、感覚は掴めるはずです。

from openai import OpenAI

# OpenAI互換: base_url を Sakana に向けるだけ
client = OpenAI(
    base_url="https://console.sakana.ai/v1",
    api_key="YOUR_SAKANA_KEY",
)

# 難問は "fugu-ultra"、高速・低遅延は "fugu"
resp = client.chat.completions.create(
    model="fugu-ultra",
    messages=[{"role": "user",
               "content": "このリポジトリのバグを特定して修正案を出して"}],
)
print(resp.choices[0].message.content)
# 裏で複数モデルが協調するが、呼ぶ側は1エンドポイントのみ

user@sinyblog:~/article ❯ 04_variants.mdFugu と Fugu Ultra の違い

Fuguには2つのモデルがあります。どちらも同じAPIの裏側にあり、モデル名を変えるだけで切り替え可能です。^[1]

ベータ段階では、Fugu Ultraが論文の再現実験・セキュリティ分析・コードレビュー・文献/特許調査・データサイエンス研究の自動化といった重い用途で実際に使われた、と公式は説明しています。^[1] 「速さが欲しいならFugu、答えの質を最優先するならUltra」という棲み分けです。

user@sinyblog:~/article ❯ 05_benchmarks.mdベンチマークを実数値で読む

「フロンティア級」という言葉だけでは判断できません。海外メディアが報じた実数値を見ましょう。数値はすべて同社測定です。^[3]

読みどころは2つあります。第一に、低遅延寄りのFuguですらLiveCodeBenchで92.9とOpus/Gemini/GPTを上回っている点。第二に、SWE Bench Pro（実際のソフト開発タスク）ではFugu 59.0 → Fugu Ultra 73.7と差が大きい点です。実プロジェクトに近い難問ほど、Ultraの「深いプール動員」が効いていることがうかがえます。Humanity's Last Exam・GPQA-D・SciCode・MRCRv2などでも、Fugu UltraはFable 5やMythos Previewと互角〜上回る水準だと報じられています。^[3]

user@sinyblog:~/article ❯ 06_caveats.mdベンチの"カラクリ"を見抜く

ここがX投稿では語られない部分です。Fuguの面白さは「Fable 5やMythos Previewと肩を並べる」点にありますが、その両モデルはFuguのエージェントプールに入っていません（非公開のため利用できない）。^[3]

これは二重の意味を持ちます。ポジティブに読めば「非搭載の最上位モデルと互角＝オーケストレーションだけで頂点に迫った」という驚き。慎重に読めば「実環境でFable 5/Mythosと直接戦ったわけではない」という留保です。海外メディアもこの点を指摘しています。^[3]

user@sinyblog:~/article ❯ 07_pricing.md料金体系を完全分解

料金は「サブスク」と「従量課金（PAYG）」の2系統です。^[3]

サブスクリプション（月額）は3段階。いずれも日常利用向けです。

2026年7月31日までに加入すると2か月目が無料になる期間限定特典も用意されています。^[3]

従量課金（Fugu Ultra）は100万トークンあたりの単価です。

user@sinyblog:~/article ❯ 08_cost_vs_others.md【本題】OpenAI・Claudeとコスト比較

ここが読者の最大の関心事——「結局、得なのか？」です。主要モデルの従量単価（100万トークンあたり、入力/出力）を並べます。^[3]

この表から導ける、速報ツイートには無い結論はこうです。

1. Fugu Ultraの単価は"激安"ではない。入力$5・出力$30は、GPT-5.5とほぼ同額、Claude Opus 4.8（出力$25）よりむしろ高い。最上位Fable 5（$10/$50）よりは安いが、「フロンティア級なのに格安」という単純な話ではない。
2. "コストメリット"の正体は単価ではない。本当の節約は、(a) 複数モデルを使い分けるオーケストレーションを自前で設計・運用する工数、(b) 複数のAPI契約・課金管理、(c) ベンダー分散の手間——これらをまとめて外注できる点にある。エンジニアの人件費まで含めれば、ここは大きい。
3. 単一モデルで足りるなら、素直にOpus 4.8の方が安い。1モデルで完結する定型タスクに、わざわざオーケストレーション層のプレミアムを払う理由は薄い。Fuguが効くのは「タスクごとに最適モデルが変わる」混在ワークロード。
4. ヘビーユーザーはサブスクが効く。Max（$200/月・20倍）は、PAYGで月数百ドル使う使い方なら割安になりうる。ちょうどChatGPT/Claudeのサブスク階層と同じ価格帯（$20/$100/$200）に揃えてきたのは戦略的。

user@sinyblog:~/article ❯ 09_lockin.mdベンダーロックイン回避という価値と限界

Fuguのもう一つの売りが「特定ベンダー依存リスクの回避」です。最近のAI業界では、単一ベンダーへの依存が露わなリスクになった出来事がありました（最上位モデルが輸出管理指令で一時遮断された件などが念頭にあります）。組織や国家にとって、重要インフラを一社のAPIに賭けるのは構造的な脆弱性だ——というのがSakanaの主張です。^[5]

Fuguの裏側は差し替え可能なエージェント群なので、ある提供者が落ちても別のモデルに動的に切り替えられる、という発想です。これは確かに筋が通っています。

user@sinyblog:~/article ❯ 10_vs_diy.md自前構築・OpenRouterとの違い

「複数モデルを使い分ける」だけなら、選択肢はFuguだけではありません。3つのアプローチを整理します。^[5]

よく比較されるOpenRouterとの違いも明確です。OpenRouterが「アグリゲーター型ルーティング」——つまりカタログから選んで中継するのに対し、Fuguは学習で獲得した動的な協調パターンでモデルを使い分けます。^[5] ただしその代償が"ブラックボックス性"です。どのモデルがいつ呼ばれたかの透明性は、自前構築に劣ります。

user@sinyblog:~/article ❯ 11_whoshould.md誰が使うべきか／避けるべきか

独立分析の整理が実用的なので、判断軸として引用します。^[5]

user@sinyblog:~/article ❯ 12_perspective.md独自視点：転換点としてのFugu

最後に、ニュースの"その先"を考えます。筆者がFuguで最も重要だと思うのは、性能の数字そのものより、「オーケストレーションが、自分で作るパターンから、買える製品になった」という構造変化です。^[5]

これまでマルチエージェントは「フレームワークで自作するもの」でした。Fuguはそこに、生のモデルと、フルスタックのエージェントフレームワークの"中間"に位置する新しい製品カテゴリを切り拓いた可能性があります。AIアプリの作り手にとって、これは「どのモデルを選ぶか」から「モデル選定そのものを誰に委ねるか」へと問いが一段上がることを意味します。

そして日本発でこの抽象化レイヤーに先に手を付けたこと自体に、戦略的な意味があります。輸出規制で最上位モデルが止まりうる時代に、「特定の頂点モデルに賭けず、頂点級の"結果"を多様なプールから合成する」というアプローチは、技術的にも地政学的にも一貫しています。提灯抜きで言って、ここは素直に評価できるポイントです。

ただし繰り返すと、"主権"の本体は多様性であって独立ではない。Fuguは依然として大手の知能を借りています。本物の独立は、Sakana自身が頂点級の自社モデルをプールに持てるか——にかかっている、というのが筆者の見立てです。

user@sinyblog:~/article ❯ 99_summary.mdまとめ

Sakana Fuguは「複数AIを束ねて1つのAPIにする」発想を、研究の裏付けと実用的な料金で製品化した、日本発の意欲作です。要点を3つに集約します。

1. 性能は本物（ただし同社測定）。Fugu UltraはLiveCodeBench 93.2・SWE Bench Pro 73.7など難関で上位。ただしFable 5/Mythosはプール非搭載で第三者検証もなく、留保つきで読むべき。
2. コストメリットは"単価"ではなく"工数とリスクの外注"。Fugu Ultraの$5/$30はGPT-5.5並み・Opus 4.8よりやや高い。単一モデルで足りるならOpus 4.8が安い。Fuguが効くのは混在ワークロードと自前構築回避。
3. "主権"には但し書き。ベンダー分散は強みだが独立ではなく、EU圏は提供外。それでも「頂点モデルに賭けず頂点級の結果を合成する」設計思想は、規制リスク時代に一貫していて評価できる。