कृत्रिम बुद्धिमत्ता के लिए नई कार्ययोजना
टोक्यो -- 22 जून, 2026 को Sakana AI ने Fugu पेश किया, जो कई एजेंटों के समन्वय वाली एक सेवा है और तकनीकी उद्योग के सामने एक उकसाने वाला सवाल रखती है। क्या कृत्रिम बुद्धिमत्ता में अगली बड़ी छलांग के लिए इससे भी बड़ा एकल मॉडल बनाना जरूरी है, या छोटा और अधिक समझदार सिस्टम यह जानकर समान परिणाम हासिल कर सकता है कि किससे पूछना है? जापानी शब्द ‘फुगु’ (पफरफिश) के नाम पर बनी यह सेवा, टोक्यो के इस स्टार्टअप के दूसरे रास्ते पर दांव को दर्शाती है। बाहर से यह प्लेटफॉर्म एक ही मॉडल की तरह काम करता है, जबकि भीतर जटिल कार्यों को हल करने के लिए विशेषज्ञता वाले अग्रणी कृत्रिम बुद्धिमत्ता सिस्टमों की एक टीम के बीच समन्वय करता है।
विषय-सूची
यह घोषणा उद्यमों में जनरेटिव AI को अपनाने के लिए एक अहम मोड़ पर आई है। वर्षों से प्रगति को मुख्यतः पैरामीटरों की संख्या, प्रशिक्षण के लिए कंप्यूट क्षमता और बड़े फाउंडेशन मॉडल बनाने की होड़ से मापा जाता रहा है। OpenAI, Anthropic, Google और अन्य कंपनियों ने इस विस्तारवादी सोच को अपनाकर उल्लेखनीय परिणाम हासिल किए हैं। उनके सिस्टम बार परीक्षा पास कर सकते हैं, जटिल कोड लिख सकते हैं और लंबे समय तक तर्क कर सकते हैं। लेकिन कुछ अमेरिकी प्रदाताओं के हाथों में इस क्षमता के सिमटने से नई कमजोरियां पैदा हुई हैं। निर्यात नियंत्रण, कंपनियों की नीतियों में बदलाव या भू-राजनीतिक विवादों के कारण सबसे शक्तिशाली मॉडलों तक पहुंच रातोंरात बदल सकती है, जिससे अंतरराष्ट्रीय कारोबार जोखिम में पड़ सकते हैं।
Sakana AI ने सामूहिक बुद्धिमत्ता पर आधारित एक वैकल्पिक ढांचा पेश किया है। खरबों पैरामीटर वाला विशाल मॉडल प्रशिक्षित करके अग्रणी AI प्रयोगशालाओं की बराबरी करने के बजाय, कंपनी ने लगभग 7 अरब पैरामीटर वाला एक छोटा समन्वयक बनाया है, जो मुख्य प्रतिनिधि की तरह काम करता है। जब कोई उपयोगकर्ता OpenAI मानकों के अनुकूल Fugu API के जरिए अनुरोध भेजता है, तो सिस्टम कार्य का विश्लेषण करता है और या तो सीधे जवाब देता है या खास उप-कार्यों के लिए विशेषज्ञ मॉडलों की टीम बनाता है। इसके बाद वह उनके परिणामों की जांच कर एक समेकित जवाब तैयार करता है। डेवलपर के लिए अनुभव किसी एक बड़े भाषा मॉडल को अनुरोध भेजने जैसा है। लेकिन पर्दे के पीछे, जवाब तैयार करने में एजेंटों की पूरी समिति योगदान दे सकती है।
इसका समय इससे बेहतर नहीं हो सकता था। जून की शुरुआत में Anthropic ने अमेरिकी सरकार के निर्यात नियंत्रण आदेश के बाद Claude Mythos 5 और Claude Fable 5 मॉडलों तक सार्वजनिक पहुंच अचानक रोक दी थी। इस कदम से डेवलपर समुदाय में हलचल मची, खासकर उन अंतरराष्ट्रीय ग्राहकों के बीच जिन्होंने इन सिस्टमों पर आधारित कार्यप्रवाह बनाए थे। Sakana AI ने ऐसी बाधाओं को Fugu की डिजाइन के पीछे की प्रेरणा बताया है। कंपनी इसे किसी एक विक्रेता पर निर्भरता से बचाव और उस दिशा में एक कदम के रूप में पेश कर रही है जिसे वह AI संप्रभुता कहती है।
Google Brain के पूर्व शोधकर्ता David Ha और 2017 के चर्चित शोधपत्र Attention Is All You Need के सह-लेखक Llion Jones ने 2023 में Sakana AI की स्थापना की थी। कंपनी को काफी ध्यान और निवेश मिला है। सार्वजनिक खुलासों के मुताबिक, जापान के बड़े बैंकों और चिप निर्माता Nvidia ने एक ऐसे वित्तपोषण दौर में निवेश किया जिसका मूल्य लगभग 30 अरब येन आंका गया। इससे स्टार्टअप को कहीं बड़े प्रतिद्वंद्वियों के मुकाबले के लिए संसाधन मिले। Fugu के जरिए कंपनी यह साबित करना चाहती है कि जापानी नवाचार मौजूदा क्षमताओं की नकल करके नहीं, बल्कि उन्हें जोड़ने के तरीके की नई कल्पना करके अग्रणी मॉडल की अवधारणा को चुनौती दे सकता है।
समन्वय इंजन के भीतर
Fugu को समझने के लिए उसके सरल API की सतह से आगे देखना होगा। प्रॉम्प्ट मिलने पर सिस्टम उसे एक केंद्रीय मॉडल तक भेजता है, जिसे Sakana AI रीइन्फोर्समेंट लर्निंग कंडक्टर कहती है। ज्यादातर मामलों में यह कंडक्टर खुद अंतिम जवाब तैयार नहीं करता। इसके बजाय, यह निर्माण स्थल के फोरमैन की तरह काम करता है: कार्य के प्रकार का गतिशील रूप से विश्लेषण करता है और उपलब्ध अदला-बदली योग्य एजेंटों के समूह में से सबसे उपयुक्त एजेंटों को काम सौंपता है। इस समूह में OpenAI, Anthropic और Google जैसे प्रदाताओं के तीसरे पक्ष के अग्रणी मॉडल शामिल हैं। इसमें गहराई से तर्क करने के लिए Fugu के अपने ही दोबारा इस्तेमाल किए गए उदाहरण भी शामिल हो सकते हैं।
इस कार्यप्रणाली का सैद्धांतिक आधार 2026 के International Conference on Learning Representations में प्रस्तुत दो शोधपत्रों से आता है: Trinity: An Evolved LLM Coordinator और Learning to Orchestrate Agents in Natural Language with the Conductor। Trinity विकासवादी कंप्यूटिंग का एक ढांचा पेश करता है, जिसमें केंद्रीय समन्वयक मौके पर ही एजेंटों की संरचना बनाता और बदलता है। कार्य की जरूरत के अनुसार वह उन्हें Thinker, Worker या Verifier जैसी भूमिकाएं देता है। Thinker आवश्यकताओं का विश्लेषण करते हैं, Worker विशेष गणनाएं करते हैं और Verifier परिणामों की संगति तथा सटीकता जांचते हैं।
Conductor इस ढांचे को आगे बढ़ाते हुए गहरे रीइन्फोर्समेंट लर्निंग से समन्वयक को प्राकृतिक भाषा में काम सौंपने की कला सिखाता है। व्यापक प्रशिक्षण से छोटा केंद्रीय मॉडल सीखता है कि कब काम दूसरों को सौंपना है और कब सीधे जवाब देना है, एजेंटों को आपस में कैसे संवाद करना चाहिए और अलग-अलग परिणामों को एक सुसंगत अंतिम जवाब में कैसे जोड़ना है। नतीजा पहले से तय कार्यप्रवाह नहीं, बल्कि ऐसा अनुकूलनशील सिस्टम है जो अनुभव से समन्वय की रणनीतियां खोजता है। यह अंतर इसलिए अहम है क्योंकि इससे Fugu उन नए तरह के कार्यों को भी संभाल सकता है जिनकी उसके डिजाइनरों ने स्पष्ट रूप से कल्पना नहीं की थी; वह सख्त, तयशुदा कार्ययोजनाओं तक सीमित नहीं रहता।
इंजीनियरिंग के नजरिए से Fugu की सबसे दिलचस्प विशेषताओं में से एक उसकी पुनरावर्ती क्षमता है। जिन समस्याओं के लिए लंबे विश्लेषण की जरूरत होती है, उनमें समन्वयक उप-कार्य वापस खुद को सौंप सकता है और तर्क की कई परतें बना सकता है। इसका मतलब है कि 7 अरब पैरामीटर वाला समन्वयक, अग्रणी फाउंडेशन मॉडलों में मौजूद सैकड़ों अरब पैरामीटरों की विश्वकोशीय जानकारी अपने पास रखे बिना, किसी भी जटिलता वाले कार्यप्रवाह संभाल सकता है। छोटा आकार होने के बावजूद उसकी बेहतर संगठनात्मक बुद्धिमत्ता इसकी भरपाई करती है। यह उस प्रचलित धारणा को चुनौती देता है कि बड़ा हमेशा बेहतर होता है।
बेंचमार्क और बीटा परीक्षण
Fugu की शुरुआत के साथ Sakana AI ने प्रदर्शन को लेकर बड़े दावे किए हैं। सॉफ्टवेयर रिपॉजिटरी में बग ढूंढने और ठीक करने की AI सिस्टम की क्षमता जांचने वाले प्रतिष्ठित SWE-Bench Pro बेंचमार्क पर, कंपनी के मुताबिक Fugu Ultra ने 73.7 अंक हासिल किए। कंपनी के प्रकाशित मूल्यांकनों के अनुसार, यह Claude 4.8 Opus के 69.2 और GPT-5.5 के 58.6 अंकों से अधिक है। कंपनी ने अन्य परीक्षणों में भी अंक बताए हैं: GPQA-Diamond पर 95.5, जो साधारण वेब खोज के जरिए जवाब पाना कठिन बनाने के लिए तैयार किया गया स्नातकोत्तर स्तर का प्रश्नोत्तर परीक्षण है; LiveCodeBench पर 93.2; सिस्टम प्रशासन क्षमताओं का आकलन करने वाले TerminalBench 2.1 पर 82.1; और बेहद कठिन तर्क-परीक्षण Humanity's Last Exam पर 50.0।
इन आंकड़ों की स्वतंत्र पुष्टि अभी सीमित है। AI उद्योग का इतिहास ऐसे बेंचमार्क नतीजों से भरा है जिन्हें वास्तविक इस्तेमाल की परिस्थितियों में दोहराना कठिन साबित हुआ। परीक्षण की शर्तें, प्रॉम्प्ट बनाने की तकनीकें और अनुमत प्रयासों की संख्या, सभी अंकों को प्रभावित कर सकते हैं। फिर भी, कंपनी की रिपोर्टों में शामिल विषयों का दायरा बताता है कि समन्वय पर आधारित यह तरीका कम से कम एकल अग्रणी मॉडलों को टक्कर देता है और कुछ क्षेत्रों में उनसे बेहतर भी हो सकता है।
बेंचमार्क से भी अधिक जानकारी उन करीब 500 बीटा परीक्षकों की प्रतिक्रिया से मिल सकती है जिन्होंने लंबे और जटिल कार्यप्रवाह पर केंद्रित विस्तारित पूर्वावलोकन अवधि में Fugu का इस्तेमाल किया। सॉफ्टवेयर विकास में प्रतिभागियों ने बताया कि कोड समीक्षा के दौरान Fugu Ultra असाधारण बारीकी दिखाता है। बीटा में शामिल एक इंजीनियर ने Sakana AI को बताया कि आम मॉडल किसी कोडबेस में करीब तीन समस्याएं बताते हैं, जबकि Fugu ने बीस से अधिक समस्याएं उजागर कीं और उनके विस्तृत स्पष्टीकरण तथा सुधार के कदम भी दिए।
कोड समीक्षा के लिए Fugu Ultra, GPT-5.5 से बेहतर है। इसके जवाब व्यापक होते हैं और यह उन बगों को ढूंढता है जो दूसरे मॉडल छोड़ देते हैं। अब मैं अपनी सभी समीक्षाएं इसी मॉडल से करवाता हूं।
कोडिंग के अलावा, साइबर सुरक्षा टीमों ने पूरे पेनिट्रेशन टेस्टिंग चक्र को स्वचालित करने के लिए Fugu Ultra का इस्तेमाल किया। मानव ऑपरेटर दायरा तय करता और समन्वय इंजन खोजबीन करता, XSS और SQL इंजेक्शन की कमजोरियों की जांच करता, प्रमाणीकरण प्रणालियों की समीक्षा करता और सबूतों तथा दोबारा जांच की सटीक प्रक्रियाओं के साथ अंतिम रिपोर्ट तैयार करता। बीटा प्रतिभागियों ने पुष्टि की कि सिस्टम ने पूरी प्रक्रिया में अपने परिचालन नियमों का सख्ती से पालन किया और गहन जांच के साथ-साथ नुकसान पहुंचाने वाली कार्रवाइयों से बचा रहा। उद्यम जगत के अधिकारियों ने इसकी व्यक्तित्व स्थिरता पर भी जोर दिया। उनके मुताबिक, लंबे सत्रों में Fugu ने पहचान और ध्यान बनाए रखा, जबकि दूसरे मॉडल अक्सर संदर्भ बनाए रखने में कमजोर पड़ गए।
दो स्तर, एक API
Sakana AI Fugu को दो अलग-अलग सेवा स्तरों के जरिए व्यावसायिक रूप दे रही है। दोनों OpenAI मानकों के अनुकूल एक ही API एंडपॉइंट के जरिए उपलब्ध हैं। मानक Fugu को कम विलंबता वाले उत्पादन कार्यों के लिए तैयार किया गया है, जैसे इंटरैक्टिव चैटबॉट, लाइव कोडिंग सहायता और Codex जैसे कोड समीक्षा उपकरण। यह प्रदर्शन और गति के बीच संतुलन रखता है, इसलिए उन अनुप्रयोगों के लिए उपयुक्त है जहां उपयोगकर्ता लगभग तुरंत जवाब चाहते हैं। सख्त डेटा नियंत्रण या गोपनीयता नियमों के तहत काम करने वाले संगठन मानक स्तर में कुछ खास एजेंटों को रूटिंग समूह से मैन्युअल रूप से बाहर कर सकते हैं। इससे अनुपालन टीमें संवेदनशील डेटा को चुनिंदा तीसरे पक्ष के प्रदाताओं तक पहुंचने से रोक सकती हैं, और साथ ही पूरे समन्वय ढांचे को छोड़ने की जरूरत नहीं पड़ती।
Fugu Ultra प्रीमियम स्तर पर आता है। इसे जटिल और चुनौतीपूर्ण कार्यों पर सबसे अच्छी गुणवत्ता वाले जवाब देने के लिए बनाया गया है, जिनमें कई चरणों तक गहन तर्क की जरूरत होती है। इनमें अकादमिक शोधपत्रों के नतीजों को दोहराना, पेटेंट की पड़ताल, उन्नत डेटा विज्ञान कार्यप्रवाह और व्यापक सुरक्षा ऑडिट शामिल हैं। Ultra विशेषज्ञ एजेंटों के अधिक गहरे और तय समूह के बीच समन्वय करता है, इसलिए इसमें एजेंटों को बाहर करने की सुविधा उपलब्ध नहीं है। इसके बदले अधिक विलंब और टोकन की अधिक खपत होती है, लेकिन Sakana AI का कहना है कि अत्यंत महत्वपूर्ण अनुप्रयोगों में सटीकता का लाभ इस लागत को उचित ठहराता है। इस स्तर का मौजूदा मॉडल पहचानकर्ता fugu-ultra-20260615 है।
कीमतों में भी दोनों उत्पादों का अंतर दिखता है। Fugu Ultra की लागत प्रति 10 लाख इनपुट टोकन 5 डॉलर और प्रति 10 लाख आउटपुट टोकन 30 डॉलर है। 272,000 टोकन से लंबे संदर्भों के लिए दरें दोगुनी हो जाती हैं। सदस्यता योजनाएं 20 से 200 डॉलर प्रति माह तक हैं। Sakana AI जुलाई 2026 के अंत से पहले सदस्यता लेने वालों को चुने गए स्तर पर दूसरा महीना मुफ्त दे रही है। हर अनुरोध के लिए टोकन उपयोग और उससे जुड़ी लागत बताई जाती है, जिससे वित्त और इंजीनियरिंग टीमें खर्च पर वास्तविक समय में नजर रख सकती हैं। फिलहाल यह सेवा यूरोपीय संघ और यूरोपीय आर्थिक क्षेत्र में उपलब्ध नहीं है, क्योंकि कंपनी सामान्य डेटा संरक्षण विनियमन के अनुरूप काम करने की दिशा में प्रयास कर रही है। शुरुआत में यह कमी प्लेटफॉर्म की वैश्विक पहुंच को सीमित करती है।
मॉडल रूटिंग की भू-राजनीति
Fugu के पीछे का व्यावसायिक प्रस्ताव तकनीकी ढांचे से आगे बढ़कर भू-राजनीतिक जोखिम प्रबंधन तक पहुंचता है। आधुनिक AI आपूर्ति शृंखला में कुछ ही कंपनियों का दबदबा है। कुछ अमेरिकी कंपनियां सबसे सक्षम फाउंडेशन मॉडलों तक पहुंच नियंत्रित करती हैं और उनके फैसले तेजी से सरकारी निगरानी के दायरे में आ रहे हैं। जून 2026 में अमेरिका ने Anthropic के Fable और Mythos मॉडलों पर निर्यात नियंत्रण लगाए। यह उन अमेरिकी कंपनियों से बाहर के उद्यमों के लिए चेतावनी थी, जिन्होंने एक ही प्रदाता पर निर्भर महत्वपूर्ण कार्यप्रवाह बनाए थे। रातोंरात पहुंच खत्म हो गई और खरीद टीमों के पास तुरंत कोई विकल्प नहीं था।
Sakana AI Fugu को ठीक ऐसे हालात से बचाव के उपाय के रूप में पेश कर रही है। कंपनी का तर्क है कि अनुपलब्ध या प्रतिबंधित प्रदाताओं को छोड़कर दूसरे विकल्पों की ओर रूट करने से ग्राहकों को क्षमता गंवाए बिना सेवा की निरंतरता मिलती है। यदि Anthropic के मॉडल अनुपलब्ध हो जाते हैं, तो Fugu काम को OpenAI, Google या खुले तौर पर उपलब्ध विकल्पों की ओर भेज देता है। कंपनी का कहना है कि यदि बाजार में कोई नया मॉडल आता है और किसी खास कार्य में अच्छा प्रदर्शन करता है, तो ग्राहकों को नए API के मुताबिक अपने अनुप्रयोग दोबारा लिखे बिना उसे समूह में जोड़ा जा सकता है। यह अदला-बदली योग्य ढांचा AI संप्रभुता का अधिक ठोस रूप है, उन अमूर्त नीतिगत चर्चाओं के मुकाबले जो इन दिनों तकनीकी जगत में चल रही हैं।
जापानी उद्यमों और सरकारी संस्थानों के लिए यह प्रस्ताव खास मायने रखता है। जापान ने घरेलू AI क्षमता को रणनीतिक प्राथमिकता बनाया है। पूरी तरह अमेरिकी अग्रणी मॉडलों पर भरोसा करना आर्थिक और राष्ट्रीय सुरक्षा, दोनों से जुड़ी चिंताएं पैदा करता है। टोक्यो स्थित विक्रेता, जो स्थानीय सहायता, क्षेत्रीय डेटा प्रबंधन के विकल्प और अलग तकनीकी सोच पेश करता हो, उन खरीदारों के लिए आकर्षक विकल्प है जो अपने तकनीकी पोर्टफोलियो में विविधता चाहते हैं। जापान के प्रमुख वित्तीय संस्थानों को शामिल करने वाला Sakana AI का निवेशक आधार इस स्थिति को और मजबूती देता है।
फिर भी, संदेह की गुंजाइश है। Fugu का एजेंट समूह अब भी उन्हीं अमेरिकी दिग्गजों पर काफी निर्भर है, जिनसे बचने का दावा किया जा रहा है। GPT, Claude और Gemini तक API पहुंच पूरी तरह कट जाए तो यह सिस्टम अग्रणी स्तर के परिणाम नहीं दे सकता। वास्तविक स्वतंत्रता के लिए घरेलू या खुले तौर पर उपलब्ध ऐसे मॉडलों का मजबूत तंत्र चाहिए जो इन सिस्टमों की बराबरी कर सके। ऐसा तंत्र अभी बड़े पैमाने पर मौजूद नहीं है। आलोचकों का यह भी कहना है कि Fugu एक मालिकाना व्यावसायिक सेवा है, न कि खुला ढांचा। यानी ग्राहक एक विक्रेता पर निर्भरता की जगह दूसरे पर निर्भरता अपना रहे हैं, भले ही उसका कारोबारी मॉडल अलग हो।
AI विकास के लिए इस शुरुआत का क्या मतलब है
यदि Fugu के प्रदर्शन संबंधी दावे लंबे समय तक बाहरी जांच में खरे उतरते हैं, तो कृत्रिम बुद्धिमत्ता अनुसंधान पर इसका बड़ा असर हो सकता है। करीब एक दशक से इस क्षेत्र में विस्तार की परिकल्पना पर काम हुआ है: अधिक पैरामीटर, अधिक डेटा और अधिक कंप्यूट क्षमता से बेहतर नतीजे मिलते हैं। इस सोच से सचमुच प्रभावशाली सिस्टम बने हैं, लेकिन प्रवेश की बाधाएं भी इतनी ऊंची हो गई हैं कि केवल सबसे धनी कंपनियां और सरकारें ही इस दौड़ में शामिल हो सकती हैं। अग्रणी फाउंडेशन मॉडल को प्रशिक्षित करने में सैकड़ों करोड़ डॉलर लगते हैं और ऐसे विशेष हार्डवेयर की जरूरत पड़ती है जिस पर खुद निर्यात प्रतिबंध लागू हो सकते हैं।
Fugu एक अलग रास्ता दिखाता है। इससे संकेत मिलता है कि विश्वकोशीय जानकारी के बजाय समन्वय के लिए खास तौर पर प्रशिक्षित अपेक्षाकृत छोटा मॉडल, मौजूदा संसाधनों का समझदारी से इस्तेमाल करके अपनी क्षमता से बेहतर प्रदर्शन कर सकता है। इससे प्रतिस्पर्धा का केंद्र केवल प्रशिक्षण क्षमता से हटकर बेहतर वास्तुकला और कुशल समन्वय की ओर जाता है। यह उच्च प्रदर्शन वाले AI तक पहुंच को अधिक व्यापक भी बना सकता है। सिद्धांततः, कुशलता से डिजाइन किया गया राउटर GPT-स्तर के मॉडल शुरू से प्रशिक्षित करने के मुकाबले कहीं कम बजट वाले संगठन भी बना सकते हैं।
अनुसंधान जगत लंबे समय से बहु-एजेंट सिस्टम और विशेषज्ञों के मिश्रित मॉडलों का अध्ययन करता रहा है। लेकिन Fugu उन शुरुआती प्रमुख व्यावसायिक समाधानों में से एक है जिसे एकल अग्रणी मॉडलों के सीधे विकल्प के रूप में पेश किया गया है। इसकी सफलता या विफलता से यह तय हो सकता है कि उद्यम पूंजी और कॉरपोरेट अनुसंधान का पैसा केवल फाउंडेशन मॉडल का आकार बढ़ाने के बजाय समन्वय और एजेंटों के बीच तालमेल वाली तकनीकों की ओर भी जाएगा या नहीं। बीटा परीक्षण की प्रतिक्रियाओं से पहले ही संकेत मिलता है कि कोड समीक्षा और सुरक्षा ऑडिट जैसे लंबे समय तक चलने वाले कार्यों में एक बार में बुलाए गए मॉडलों की तुलना में वितरित सिस्टम बेहतर साबित हो सकते हैं।
बेशक, इस तरीके के साथ कुछ समझौते भी जुड़े हैं। कई एजेंटों से होकर गुजरने वाले जटिल तर्क के चरण विलंब बढ़ा सकते हैं, जिससे Fugu मिलीसेकंड में जवाब देने वाले अनुप्रयोगों के लिए अनुपयुक्त हो सकता है। ज्यादा गहन कार्यों में कंप्यूट की बड़ी मात्रा खर्च होती है। साथ ही, रूटिंग प्रक्रिया पारदर्शी न होने से उपयोगकर्ता हमेशा यह नहीं जान सकते कि उनके डेटा को किस अंतर्निहित मॉडल ने संभाला। इससे विनियमित उद्योगों में अनुपालन जटिल हो सकता है। Sakana AI ने इन सीमाओं को स्वीकार करते हुए कहा है कि विश्लेषण और इंजीनियरिंग से जुड़े कई कार्यों में फायदे लागत से अधिक हैं।
मुख्य बातें
- Sakana AI ने Fugu शुरू किया है। यह एक API के जरिए अदला-बदली योग्य अग्रणी AI मॉडलों के समूह में कार्य भेजने वाली बहु-एजेंट समन्वय सेवा है और OpenAI मानकों के अनुकूल है।
- यह सिस्टम बड़े एकल फाउंडेशन मॉडल के बजाय करीब 7 अरब पैरामीटर वाले छोटे समन्वयक मॉडल पर निर्भर करता है और Sakana AI के Trinity तथा Conductor शोधपत्रों के काम का उपयोग करता है।
- Fugu Ultra ने SWE-Bench Pro, GPQA-Diamond, LiveCodeBench और अन्य परीक्षणों में GPT-5.5 तथा Claude Opus 4.8 जैसे प्रमुख सिस्टमों को टक्कर देने वाले बेंचमार्क अंक हासिल करने का दावा किया है।
- दो स्तर उपलब्ध हैं: कम विलंबता वाले उत्पादन कार्यों के लिए मानक Fugu, जिसमें एजेंटों को मैन्युअल रूप से बाहर करने के अनुपालन नियंत्रण हैं; और जटिल तर्क के लिए Fugu Ultra, जिसमें एजेंटों का अधिक गहरा और तय समूह है।
- यह सेवा उन उद्यमों को लक्ष्य करती है जो किसी एक विक्रेता पर निर्भरता और निर्यात नियंत्रण से पैदा होने वाली बाधाओं के खिलाफ मजबूती चाहते हैं, हालांकि यह अब भी अमेरिकी अग्रणी मॉडल के API पर निर्भर है।
- GDPR अनुपालन लंबित होने के कारण Fugu फिलहाल EU और EEA को छोड़कर दुनिया भर में उपलब्ध है। Ultra की कीमत प्रति 10 लाख इनपुट टोकन 5 डॉलर और प्रति 10 लाख आउटपुट टोकन 30 डॉलर से शुरू होती है।
