【お断り】本記事は、公開された技術レポートと第三者の実測報告をもとにした筆者の主観的なレビューです。 評価には筆者の主観が含まれます。最終的な判断は、ご自身のワークロードでの実測に基づいて行ってください。

「フロンティアモデルを1つも訓練せずに、Fable 5に並んだ」

このフレーズだけ見ると、出来すぎている。

2026年6月、東京のSakana AIが Fugu と Fugu Ultra を公開した。自前の巨大モデルを訓練せず、既存のフロンティアモデル（GPT-5.5、Claude Opus 4.8、Gemini 3.1 Pro）をオーケストレーションすることで、AnthropicのFable 5やMythos Previewと肩を並べるベンチマークを叩き出した、と。

魅力的な物語だ。だが、この記事ではその物語を一度わきに置く。ベンチマークの数字と、実際に使ったときの体感は一致するのか。 公開された技術レポートと、第三者の実測報告だけを根拠に検証する。

結論から言うと

ベンチマークは本物。SWE-Bench Pro 73.7、GPQA Diamond 95.5など、単体モデルを上回る数字が技術レポートに記載されている
だが実用は別物。複数の独立テスターが「Fableほどの実力は実使用では感じない」「GPT-5.5より明確に悪かった」と報告
隠れたコスト：1リクエストで3〜5モデルに展開するため、トークン消費が直接呼び出しの4〜6倍になる
構造的な皮肉：「Fable 5に並ぶ」と言いながら、Fable 5は輸出規制でエージェントプールに入れられない。性能は他社モデルの提供状況に丸ごと依存する
レポート自身が認める弱点：レイテンシ・コストの定量データなし、ベースラインはベンダー自己申告、日本語タスクは25ページのみ

これは「ダメな製品」という話ではない。オーケストレーションという方向性は研究として重要だ。ただし「今すぐ日常のメインモデルに据えられるか」と問われれば、現時点の証拠は「ノー」を指している。

Fugu Ultraとは何か（誇張なしの説明）

Fugu Ultraは、単体のLLMではない。**他のモデルを呼び出す小さな調整役（コーディネーター）**だ。技術レポートによると、構造は2系統ある。

Fugu（レイテンシ重視）

事前学習済みモデルの上に「軽量な選択ヘッド」を載せる
最終隠れ層の後段で、どのワーカーモデルに振るかをロジットで判定
自己回帰デコードを待たず、早い段階の隠れ状態で即ディスパッチ
1クエリにつきワーカーは1つ
学習は特異値ファインチューニング＋進化的最適化（sep-CMA-ES）

Fugu Ultra（性能重視）

「Conductor」フレームワーク上で強化学習（GRPO）
サブタスク・担当ワーカー・通信戦略を自然言語のワークフローとして出力
最大5ステップ、木構造のトポロジー
「orchestration collapse（調整破綻）」を防ぐためのエージェント分離
複数ターンをまたぐ永続共有メモリ

ワーカープールは3つ。

- Gemini 3.1 Pro
- Claude Opus 4.8
- GPT-5.5

ここが最初の重要点だ。Fugu Ultraの賢さは、これら3モデルの賢さの再配分である。 土台のモデルが手に入らなくなれば、性能も連動して落ちる。

ベンチマーク：数字は確かに強い

技術レポート記載の主要スコア（「Best Single」は各ベンチでの単体最強モデル）。

ベンチマーク	Fugu Ultra	Fugu	Best Single
SWE-Bench Pro	73.7	59.0	Opus 4.8: 69.2
Terminal Bench 2.1	82.1	80.2	Opus 4.8: 74.6
GPQA Diamond	95.5	95.5	Gemini 3.1: 94.3
LiveCodeBench Pro	90.8	87.8	Opus 4.8: 84.8
Humanity's Last Exam	50.0	47.2	Opus 4.8: 49.8

SWE-Bench ProやTerminal Benchでは単体最強を明確に上回る。これは事実だ。

ただし、冷静に見るべき点もある。

GPQA Diamond：95.5 対 94.3。差は1.2ポイント
Humanity's Last Exam：50.0 対 49.8。差は0.2ポイント。これは誤差の範囲と言っていい

つまり「全領域で圧勝」ではなく、コーディング系で効き、知識・推論系では単体とほぼ互角というのが数字の正直な読み方だ。

ここからが本題：実用での評価

ベンチマークは制御された環境の話だ。実際のワークフローで何が起きたか。第三者テスターの報告を見る。

レイテンシ：体感が重い

あるテスターの報告では、典型的なコーディングテスト（シェーダーやインタラクティブシーン）の実行に30分かかったという。オーケストレーションは「複数モデルに振って待つ」構造なので、レイテンシは原理的に積み上がる。

品質：ベンチと体感の乖離

ベンチマークではFable 5と並ぶとされるが、実使用の評価は厳しい。

Fableほどの実力は、実使用では感じない。

別のテスターは、Three.jsのゲーム生成タスクで結果がGPT-5.5より明確に悪く、修正のための追加プロンプトが7〜8回必要だったと報告している（GPT-5.5は0回）。

ベンチマークのスコアは「特定タスクでの正答率」であって、「日々の開発での使い勝手」ではありません。Fugu Ultraはこの2つの差が、現状かなり大きいモデルです。

隠れたコスト：トークン・ファンアウト

価格表だけ見ると、入力 $5 / 出力 $30（100万トークンあたり）。Fable 5の $10 / $50 より安く見える。

だが、これは表示価格にすぎない。

Fugu Ultraは1リクエストを3〜5モデルに展開する。報告によれば、実際のトークン消費は直接呼び出しの4〜6倍。あるテスターは1プロンプトで5時間ぶんのクォータを使い切ったという（概算で約$6/プロンプト）。

表示単価:    出力 $30 / 1M トークン
実効消費:    1リクエストで 4〜6倍のトークン
→ 実効コストは「単価 × ファンアウト倍率」で評価する必要がある

「安いオーケストレーター」ではなく、「複数の高級モデルをまとめて叩く課金」だと理解したほうがいい。

構造的な皮肉：Fable 5はプールにいない

最大の論点はここだ。

Fugu Ultraは「Fable 5・Mythosに並ぶ」と謳う。だがFable 5もMythosも、Fugu Ultraのエージェントプールに入っていない。理由は前回の記事で書いた通り、米国の輸出規制でFable 5が止められているからだ。

プールはGPT-5.5・Opus 4.8・Gemini 3.1 Proの3つ
つまり「Fableに並ぶ」性能を、Fableを使わずに達成している、という主張
裏を返せば、性能は完全に他社モデルの提供状況に依存する

OpenAI・Google・Anthropicのいずれかが、価格変更・規制・APIの仕様変更を出せば、Fugu Ultraの実力はその日に変わりうる。ベンダーロックインを避けるための設計が、3社へのロックインになっているとも読める。

技術レポート自身が認めている限界

誇張を避けるなら、Sakana AI自身が書いている注意書きも併記すべきだ。

レポートの記載	意味
レイテンシ・コストの定量比較なし	実運用コストは読者が自分で測るしかない
ベースラインの多くはベンダー自己申告値	比較条件が完全に揃っていない
日本語の古文書読解は25ページのみ	「日本語に強い」と一般化するには小さすぎる
AutoResearchの改善は「絶対値では控えめ」	派手な領域以外の上積みは限定的
チェス・取引の例は「勝率の推定ではない」	デモであって実力指標ではない
コーディネーターのパラメータ数は非開示	「小さい」の中身が検証できない

研究としては誠実な開示だ。だが、これらを読み飛ばして「Fable級」だけを受け取ると、期待値を誤る。

では、いつ使うべきか

証拠ベースで整理すると、向き・不向きははっきりしている。

向いている

時間とコストを許容できる、高難度・多段の問題（研究、論文再現、特許・文献調査）
1回の精度が金額より重要な「腰を据えた」タスク
単一モデルへの依存を避けたい実験的ワークロード

向いていない

対話的な日常開発（レイテンシと追加プロンプトが効率を削る）
コスト感度の高い大量処理
「速くて安い」を期待する用途

まとめ：これは「研究の勝利」であって「製品の完成」ではない

観点	評価
ベンチマーク	強い（特にコーディング系）
実使用の品質	報告は厳しめ（Fable・GPT-5.5に劣る場面）
レイテンシ	重い（30分級の報告あり）
実効コスト	高い（4〜6倍のファンアウト）
自立性	低い（他社3モデルに依存）
開示の誠実さ	高い（限界を自分で明記）

Fugu Ultraが示したのは、「巨大モデルを訓練しなくても、賢く束ねれば最前線に届く」という方向性の証明だ。それ自体は価値がある。

だが「明日から自分のメインモデルにできるか」は別の問いだ。現時点の証拠は、ベンチマークの数字を実用の期待値にそのまま変換するな、と言っている。

数字に踊らされず、自分のワークロードで、レイテンシとファンアウト後の実コストを実測する。それが、この手のオーケストレーションモデルとの正しい付き合い方だ。

この記事が役に立ったら、いいねと保存をお願いします！

あなたはオーケストレーション型モデルを試しましたか？実測値があればコメントで教えてください。

参考リンク

Sakana Fugu — Multi-agent System as A Model

Sakana Fugu Technical Report (arXiv)

Sakana Fugu: Benchmarks vs Real-World Testing (June 2026 Update)

No Claude Fable 5? No problem: Sakana achieves frontier performance with new Fugu multi-model system - VentureBeat

Sakana AI's Fugu orchestrates multiple LLMs to match Anthropic's Fable and Mythos benchmarks - The Decoder