ما هو ساكانا فوغو؟

ساكانا فوجو (Sakana Fugu) هو نظام تنسيق متعدد الوكلاء (multi-agent orchestration system) تقدمه Sakana AI كنموذج تأسيسي واحد خلف API واحدة متوافقة مع OpenAI. عمليًا، لا تتعامل معه كنموذج منفرد فقط، بل كقائد أوركسترا يقرر متى يجيب بنفسه ومتى يستدعي نماذج لغوية أخرى، بما في ذلك نسخًا متكررة منه، ثم يدمج النتائج في إجابة واحدة. أعلنت ساكانا عنه في 22 يونيو 2026 تحت عنوان "نموذج واحد لقيادتها كلها" عبر صفحة الإصدار الرسمية. وإذا كنت قد تابعت نماذج مثل Claude Fable 5، ففوجو مختلف: هو منسق، لا عازف منفرد.

جرّب Apidog اليوم

الاسم مناسب للتصميم. فوجو هو سمكة البخاخ اليابانية: قوية وخطرة إن لم تُحضّر بدقة. بنفس الفكرة، قيمة فوجو لا تأتي فقط من "قوة نموذج واحد"، بل من طريقة تنسيقه للنماذج الأخرى.

ملخص سريع (TL;DR)

• ما هو؟ نموذج لغوي كبير مدرب ليعمل كمنسق متعدد الوكلاء خلف API واحدة.
• الأنواع: fugu للعمل اليومي بزمن استجابة أقل، وfugu-ultra للمهام التي تتطلب أعلى جودة.
• الميزة العملية: API متوافقة مع OpenAI؛ يمكنك غالبًا استخدام عميل OpenAI الحالي مع تغيير base_url وmodel.
• النقطة المهمة: نتائج فوجو هي نتائج "نموذج ينسق نماذج"، وليست بالضرورة انتصارًا لنموذج واحد بأوزانه الخاصة.
• الوصول: عبر صفحة المنتج وconsole.sakana.ai خلف تسجيل دخول Google أو البريد الإلكتروني.

ما هو Sakana Fugu فعليًا؟

معظم النماذج التأسيسية تعمل بهذه البساطة:

1. ترسل prompt.
2. النموذج ينفذ forward pass.
3. تحصل على tokens كاستجابة.

فوجو يضيف طبقة تنسيق فوق ذلك. عند وصول الطلب، يقرر ما إذا كان:

• سيجيب مباشرة.
• سيقسم المهمة إلى مهام فرعية.
• سيستدعي نماذج أخرى.
• سيشغل نسخًا منه كعناصر في الفريق.
• سيجمع النتائج في رد واحد.

من منظور تطبيقك، تستدعي نموذجًا واحدًا عبر endpoint واحدة. من منظور البنية الداخلية، أنت تتعامل مع "نموذج للنماذج". هذه النقطة مهمة عند قراءة أي benchmark، لأن الأداء قد يكون ناتجًا عن فريق نماذج لا عن نموذج منفرد.

"ساكانا" تعني "سمكة" باليابانية، وهوية الشركة مبنية حول فكرة الذكاء الجماعي لسرب من الوكلاء. فوجو هو نسخة هذه الفكرة في شكل API قابلة للاستخدام.

النوعان: Fugu و Fugu Ultra

تشحن ساكانا نوعين عبر نفس واجهة البرمجة.

Fugu

استخدم fugu عندما تريد توازنًا بين الجودة وزمن الاستجابة. يناسب:

• مساعدات البرمجة.
• مراجعة الكود.
• روبوتات الدردشة.
• الخدمات التفاعلية.
• المهام اليومية التي لا تتحمل انتظارًا طويلًا.

كان هذا النوع يُشار إليه في بعض النسخ التجريبية باسم "فوجو ميني"، لكن الاسم العملي الحالي هو fugu.

Fugu Ultra

استخدم fugu-ultra عندما تكون الجودة أهم من زمن الاستجابة. يناسب:

• تحليل أوراق بحثية.
• إعادة إنتاج نتائج بحثية.
• تحليل أمن سيبراني.
• مراجعات عميقة للكود.
• البحث في الأدبيات وبراءات الاختراع.

كلا النوعين يعملان عبر نفس نمط API. الفرق العملي في الكود غالبًا هو قيمة model.

للمقارنة التفصيلية، راجع Fugu Ultra vs Fable 5 vs Mythos.

جدول المواصفات

السمة	التفاصيل
المورد	Sakana AI
تاريخ الإصدار	22 يونيو 2026
النوع	نظام تنسيق متعدد الوكلاء، يُشحن كنموذج تأسيسي واحد
الأنواع	Fugu للمهام المتوازنة، وFugu Ultra لأقصى جودة
الاسم التجريبي القديم	"فوجو ميني" للنوع الأصغر
API	نقطة نهاية واحدة متوافقة مع OpenAI
معرفات النموذج المبلغ عنها	fugu, fugu-ultra، ومعرف مؤرخ مذكور في بعض التقارير [تحقق]
عنوان URL الأساسي	غير منشور علنًا؛ انسخه من console.sakana.ai [تحقق 2026-06-22]
الوصول	صفحة المنتج + console.sakana.ai
هيكل التسعير	فئات اشتراك + دفع حسب الاستخدام للأعمال الثقيلة/المؤسسات
النسب البحثي	Trinity (arXiv:2512.04695), Conductor (arXiv:2512.04388)، وكلاهما من ICLR 2026

كيف يعمل التنسيق؟

فوجو ليس router تقليديًا. هو نموذج مدرب على التنسيق.

الفرق العملي:

• Router مثل OpenRouter أو Martian يختار نموذجًا واحدًا ثم يمرر له الطلب.
• Agent framework مثل Swarm أو AutoGen أو LangGraph يعطيك أدوات لبناء فريق، لكنك تكتب منطق التنسيق بنفسك.
• Fugu يجعل التنسيق نفسه مهمة يتعلمها النموذج.

وفقًا لساكانا، يتعامل فوجو مع ثلاث مراحل رئيسية:

1. التفويض: اختيار الوكلاء أو النماذج المناسبة لكل مهمة فرعية.
2. الاتصال: إدارة الرسائل بين الوكلاء وتشكيل بنية الفريق ديناميكيًا.
3. التوليف: دمج المخرجات الجزئية في إجابة واحدة.

هناك أيضًا ميزتان مهمتان من زاوية الحوكمة:

• وكلاء قابلون للتبديل: يمكنك استبعاد نماذج أو مزودين محددين لأسباب تتعلق بالبيانات أو الامتثال.
• التوجيه حول القيود: إذا كان مزود غير متاح أو غير مسموح به، يستطيع فوجو اختيار مسار آخر.

للسياق المفاهيمي، راجع شرح نموذج فئة Mythos.

صندوق الصدق: فوجو منسق، وليس نموذجًا واحدًا بالمعنى التقليدي

هذه هي أهم نقطة عند تقييم فوجو.

فوجو يستدعي نماذج رائدة من بائعين آخرين، وقد يستدعي نفسه بشكل متكرر. لذلك، عندما ترى نتيجة benchmark لفوجو، فقد تكون نتيجة فريق نماذج منسق، لا نتيجة نموذج واحد بأوزانه الخاصة.

هذا لا يقلل من قيمة فوجو. التنسيق نفسه قدرة مهمة. لكنه يغير طريقة قراءة الأرقام.

إذا قالت ساكانا إن Fugu Ultra يقف بجانب نماذج مثل Fable 5 وMythos Preview في معايير الهندسة والعلوم والاستدلال، فاقرأ ذلك كأداء لنظام منسق. ولاحظ أن المقارنة المذكورة تشير إلى Mythos Preview الأقدم، لا Mythos 5 الحالي.

وتقول ساكانا أيضًا إن فوجو يتفوق باستمرار على Gemini 3.1 Pro وOpus 4.8 وGPT 5.5 في مجموعة تطبيقات محددة مثل:

• AutoResearch.
• مكعب روبيك.
• التصميم الميكانيكي.
• تحليل الخط اليدوي الياباني.
• الشطرنج بضربة واحدة.
• التنبؤ بالسلاسل الزمنية المالية.

لكن القراءة الدقيقة هي: فريق منسق يمكن أن يتفوق على نموذج منفرد، حتى لو كان هذا الفريق يستدعي النموذج نفسه كأحد أعضائه.

للسياق حول Fable 5 وMythos، اقرأ شرح Claude Fable 5.

النسب البحثي: Trinity وConductor

لم يظهر فوجو من فراغ. تشير ساكانا إلى ورقتين بحثيتين من ICLR 2026:

Trinity

ورقة Trinity: منسق LLM متطور (arXiv:2512.04695) تصف منسقًا صغيرًا، أقل من 20,000 معلمة، تم تحسينه بالتطور الخالي من المشتقات.

الفكرة الأساسية: حتى متحكم صغير جدًا يمكنه قيادة حلقة متعددة الوكلاء إذا كان مصممًا جيدًا.

Conductor

ورقة Conductor: التعلم لتنسيق الوكلاء باللغة الطبيعية (arXiv:2512.04388) تصف نموذجًا بحجم 7B مدربًا بالتعلم المعزز ليتعلم بنية الاتصال بين الوكلاء.

الفكرة الأساسية: نموذج قائد يمكنه تعلم متى وكيف يجعل الوكلاء يتواصلون.

لا تخلط بين الورقتين وبين مواصفات المنتج المشحون. لم تنشر ساكانا عدد معلمات فوجو المنتج، لذلك لا ينبغي اعتبار تفاصيل 7B أو Qwen2.5 أو GRPO مواصفات رسمية لفوجو نفسه.

النقطة العملية: الجديد في فوجو ليس فقط فكرة "عدة نماذج تعمل معًا"، بل شحن منسق متعلم ومتكيف كنقطة نهاية واحدة.

ماذا يبلغ المستخدمون الأوائل؟

تشارك ساكانا شهادتين جديرتين بالذكر، مع التعامل معهما كقصص من البائع لا كمعايير مستقلة.

• مهندس برمجيات قال إن Fugu Ultra كشف "أكثر من عشرين" مشكلة في مراجعة كود، بينما أشارت أدوات أخرى إلى "حوالي ثلاث".
• مهندس أمن قال إن التعليمات الدقيقة قادت إلى تقييم شامل من البداية إلى النهاية، شمل الاستكشاف وفحص XSS وSQLi ومراجعة المصادقة مع البقاء داخل النطاق المحدد.

الاستنتاج العملي: فوجو يبدو مناسبًا للمهام التي يمكن تقسيمها إلى مسارات فرعية ثم التحقق منها في النهاية.

إذا كنت تقارن فوجو بنماذج أخرى من ساكانا، راجع شرح Mirofish.

استخدام Fugu API

فوجو يقدم API متوافقة مع OpenAI Chat Completions. إذا كان لديك كود يستخدم عميل OpenAI، فغالبًا تحتاج إلى تغيير:

• api_key
• base_url
• model

ينطبق شكل الطلب المعروف من وثائق OpenAI API.

تحذير: اعتبارًا من 22-06-2026، عنوان base_url غير منشور علنًا. لا تخمنه. انسخه من لوحة التحكم في console.sakana.ai.

مثال Python

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_FUGU_API_KEY",
    base_url="<YOUR_FUGU_BASE_URL_FROM_CONSOLE>",
)

response = client.chat.completions.create(
    model="fugu",
    messages=[
        {"role": "system", "content": "أنت مساعد ترميز دقيق."},
        {"role": "user", "content": "راجع هذه الدالة بحثًا عن أخطاء off-by-one."},
    ],
)

print(response.choices[0].message.content)

التبديل إلى Fugu Ultra

غيّر قيمة model فقط:

response = client.chat.completions.create(
    model="fugu-ultra",
    messages=[
        {
            "role": "user",
            "content": "حلل هذه الورقة البحثية واستخرج التجربة الرئيسية وخطوات إعادة الإنتاج.",
        },
    ],
)

print(response.choices[0].message.content)

مثال cURL

curl "$FUGU_BASE_URL/chat/completions" \
  -H "Authorization: Bearer $FUGU_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "fugu",
    "messages": [
      {
        "role": "system",
        "content": "أنت مساعد API تقني."
      },
      {
        "role": "user",
        "content": "اشرح كيف أختبر endpoint متوافقًا مع OpenAI."
      }
    ]
  }'

تحقق من أسماء النماذج داخل لوحة التحكم قبل الشحن للإنتاج. المعرفات fugu وfugu-ultra مذكورة في تقارير ثانوية، لكنها تحتاج تأكيدًا من حسابك.

لخطوات أكثر تفصيلًا، راجع كيفية استخدام Sakana Fugu API.

اختبار Fugu API داخل Apidog

لأن فوجو يستخدم شكل OpenAI Chat Completions، يمكنك اختباره مثل أي API أخرى للنماذج اللغوية داخل Apidog.

الخطوات العملية:

1. أنشئ مشروعًا جديدًا في Apidog.
2. أضف متغير بيئة باسم مثل FUGU_BASE_URL.
3. ضع عنوان base_url الذي نسخته من console.sakana.ai.
4. أضف متغيرًا آخر باسم FUGU_API_KEY.
5. أنشئ request جديدًا إلى مسار Chat Completions.
6. أضف ترويسة:

Authorization: Bearer {{FUGU_API_KEY}}
Content-Type: application/json

1. استخدم body مثل:

{
  "model": "fugu",
  "messages": [
    {
      "role": "system",
      "content": "أنت مساعد تقني دقيق."
    },
    {
      "role": "user",
      "content": "راجع هذا التصميم واقترح تحسينات API."
    }
  ]
}

هذا مهم خصوصًا مع فوجو، لأن زمن الاستجابة والتكلفة قد يتغيران حسب حجم الفريق الذي يختاره المنسق داخليًا. بدل الاعتماد على أرقام تسويقية، اختبر طلباتك الفعلية وسجل:

• latency.
• حجم الطلب.
• عدد tokens.
• جودة المخرجات.
• اختلافات الأداء بين fugu وfugu-ultra.
• المقارنة مع نماذج منفردة مثل Fable 5 أو Opus 4.8.

يمكنك تنزيل Apidog والبدء بتوجيه أول request إلى عنوان Fugu الأساسي من لوحة التحكم.

قائمة تحقق قبل استخدام فوجو في الإنتاج

قبل إدخال Fugu في مسار إنتاجي، تحقق من الآتي:

• هل base_url مأخوذ من لوحة التحكم الرسمية؟
• هل معرف النموذج صحيح في حسابك؟
• هل تحتاج fugu أم fugu-ultra؟
• هل لديك حدود تكلفة واضحة؟
• هل تسجل latency لكل طلب؟
• هل توجد قيود على مزودين معينين بسبب الامتثال أو البيانات؟
• هل تقارن النتائج بنموذج منفرد كخط أساس؟
• هل لديك اختبارات regression للردود المهمة؟
• هل تسجل الأخطاء والاستجابات الفارغة وحالات timeout؟

الأسئلة المتكررة

هل Sakana Fugu نموذج واحد أم عدة نماذج؟

كلاهما حسب الزاوية. بالنسبة لكودك، هو نموذج واحد خلف API واحدة. داخليًا، هو منسق مدرب يمكنه استدعاء عدة نماذج ودمج مخرجاتها. لذلك يجب قراءة نتائجه كأداء نظام منسق، لا كنموذج منفرد دائمًا. راجع شرح نموذج فئة Mythos لفهم الطبقة التي يقارن بها نفسه.

ما الفرق بين Fugu وFugu Ultra؟

fugu مخصص للمهام اليومية بزمن استجابة أقل. fugu-ultra مخصص للمهام التي تحتاج جودة أعمق حتى لو كان أبطأ. كلاهما يستخدمان نفس شكل API، وتختار بينهما عبر قيمة model.

هل يتفوق فوجو حقًا على Opus 4.8 وGPT 5.5؟

وفقًا لساكانا، يتفوق فوجو في تطبيقات محددة على Gemini 3.1 Pro وOpus 4.8 وGPT 5.5. لكن القراءة الدقيقة أن فوجو نظام منسق وقد يستدعي نماذج أخرى، لذلك لا ينبغي تقديم النتيجة كأن أوزان فوجو وحدها تغلبت على تلك النماذج.

كيف أستدعي Fugu API؟

استخدم عميلًا متوافقًا مع OpenAI، ضع مفتاح Fugu، وغيّر base_url إلى العنوان الموجود في console.sakana.ai. ثم أرسل طلب Chat Completions عاديًا. راجع دليل Sakana Fugu API لمثال كامل.

هل فوجو متاح للجميع الآن؟

الوصول يتم عبر صفحة المنتج وconsole.sakana.ai خلف تسجيل دخول Google أو البريد الإلكتروني. بدأت النسخة التجريبية بحوالي 500 مستخدم في أواخر أبريل 2026. تحقق مباشرة من لوحة التحكم لمعرفة حالة التسجيل الذاتي والقيود الجغرافية.

كيف يختلف فوجو عن router أو agent framework؟

الـ router يختار نموذجًا واحدًا ويمرر له الطلب. إطار عمل الوكلاء يعطيك البنية، لكنك تكتب منطق التنسيق. فوجو يجعل التنسيق نفسه وظيفة نموذج مدرب: يقرر التفويض، ويدير الاتصال، ثم يولف النتيجة.

الخلاصة

فوجو هو رهان على أن التحسن التالي في تطبيقات الذكاء الاصطناعي قد يأتي من تنسيق النماذج، لا فقط من تكبير نموذج واحد. إذا كانت مهامك قابلة للتقسيم والتحقق، فقد يكون مفيدًا. وإذا كانت مهامك بسيطة وحساسة جدًا للزمن أو التكلفة، فاختبره أولًا مقابل نموذج منفرد.

ابدأ بتجربة صغيرة: أرسل نفس الطلب إلى fugu وfugu-ultra ونموذجك الحالي، ثم قارن latency والتكلفة وجودة الإجابة داخل Apidog. دع بياناتك الفعلية، لا العناوين التسويقية، تحدد القرار.