如果你在做 agent 系统、或者在纠结到底该选哪个基座模型，这条值得停下来看。Sakana 的 Fugu 给出的是另一条路：与其押注某一个全能模型，不如承认现实——不同厂商的前沿模型已经在各自领域各有所长，于是问题变成「怎么把这些专长拼成一个集体智能系统」。Fugu 就是为回答这个问题而生的一族「编排者模型」（orchestrator models）。 先说清楚 Fugu 到底是什么，因为名字容易让人误会。它不是一个调度脚本，也不是一个固定的多智能体框架，而是一个被训练出来的语言模型。它的工作是读懂用户的查询，然后动态地设计出一套「智能体脚手架」（agentic scaffold）——也就是临场决定要调用哪些 LLM 智能体、让它们怎么分工协作、用什么样的结构去解这道题。换句话说，编排本身被当成一种可学习的能力交给了模型，而不是由人手写流程。论文的核心主张是：通过这种自适应的脚手架，Fugu 能够触达超过任何单个 LLM 智能体的性能。 团队放出了两个版本，定位区分得很清楚。Fugu 在性能和延迟之间做平衡，面向日常使用；Fugu-Ultra 则把答案质量放在第一位，专门啃最难的问题。这种「快版 + 重版」的分法，本质上是把「编排要花多少算力和时间」这件事交给用户按场景选择——日常问答没必要每次都开全功率，硬骨头才值得让一整队模型反复推敲。 覆盖的基准面相当广，横跨了几个通常很难同时拿下的能力维度：SWE-Bench Pro 和 Terminal Bench 偏真实软件工程与终端操作，LiveCodeBench 偏编程，GPQA-Diamond 是研究生级别的难题，Humanity's Last Exam 是公认极难的综合推理集，CharXiv Reasoning 则考图表理解与推理。论文称在这些任务上，相对其他「可公开获取的模型」达到了 SOTA。这个限定词「publicly accessible」要留意——它把对比范围圈在了能公开拿到的模型上，而不一定是绝对的全球最强。 训练范式上，论文提到组合了大规模微调、进化算法与强化学习。进化算法这条线其实是 Sakana 一以贯之的风格——他们此前在模型融合、自动化方法搜索上就偏爱进化思路，把它用来搜索/优化编排策略是顺理成章的延伸。不过摘要对每一块具体怎么协同、各自贡献多少，并没有展开。 这里必须诚实地把保留说在前面：这份技术报告的摘要没有给出任何一个具体分数。所有「SOTA」「超过单个模型」的说法目前都还停留在定性层面，缺少可比的数字、对照的基线模型清单，也看不到消融。对一个把卖点压在「编排能带来超越个体的增益」上的工作来说，这个增益到底有多大、相对最强的单模型脚手架还是相对朴素调用，是判断分量的关键，而这些恰恰是摘要里看不到的。 落到实处：对做 agent orchestration、router、多模型协作的团队，Fugu 把「编排作为一个被训练的模型能力」这个方向往前推了一步，思路本身有参考价值。但在看到完整论文的数字、明确的对比设置以及第三方未污染复现之前，建议把它当成一个有意思的新范式来跟进，而不是一个已经坐实的结论。此外，报告是否随附开源权重或代码，目前的材料也未明确给出。