ارکستراسیون مدل‌های زبانی در مرز پارتو: تحلیل علمی انتشار Fugu Max و Fugu Ultra v2

منبع اصلی: اعلامیهٔ رسمی Sakana AI، ۱۱ سپتامبر ۲۰۲۶، به‌همراه گزارش فنی Sakana Fugu Technical Report (arXiv:2606.21228)

واژگان کلیدی: ارکستراسیون چندعاملی، مدل هماهنگ‌کننده، مرز کارایی پارتو، داربست عاملی تطبیقی، Fugu Max، Fugu Ultra v2، هوش جمعی مدل‌ها

چکیده

صنعت مدل‌های زبانی بزرگ در یک دههٔ گذشته عمدتاً روی یک محور مقیاس‌دهی حرکت کرده است: افزایش پارامتر، داده و هزینهٔ استنتاج. اعلامیهٔ سپتامبر ۲۰۲۶ شرکت Sakana AI دربارهٔ Fugu Max و Fugu Ultra v2 این فرض را جابه‌جا می‌کند. به‌جای یک مدل واحد با وزن‌های عظیم، خانوادهٔ Fugu یک مدل هماهنگ‌کننده (orchestrator) است که برای هر پرسش، داربست عاملی تطبیقی می‌سازد و کار را میان استخری از مدل‌های باز، تخصصی و مرزی تقسیم می‌کند. طبق گزارش شرکت، Fugu Max مرز هزینه-عملکرد پارتو را در هفت بنچمارک از ده بنچمارک گسترش می‌دهد و با قیمت اعلام‌شدهٔ ۲ دلار به‌ازای هر میلیون توکن ورودی و ۶ دلار به‌ازای هر میلیون توکن خروجی، عملکردی نزدیک به مدل‌های نخبه را با هزینهٔ حدود ۴۰ تا ۶۰ درصد کمتر از Sonnet 5، GPT 5.6 Terra و Kimi K3 ارائه می‌کند. Fugu Ultra v2 محور کیفیت را هدف می‌گیرد و در پنج بنچمارک از هشت بنچمارک سخت، رتبهٔ اول یا مشترک اول را گزارش می‌کند؛ از جمله امتیاز ۴۸٫۳ در Chartography در برابر ۲۷٫۳ برای Opus 5 و ۲۹٫۵ برای Fable 5. نکتهٔ روش‌شناختی مهم این است که Ultra v2 این نتایج را بدون حضور Fable 5، Fable 5.1 و GPT-6-Astra در استخر عامل‌ها و با تاریخ قطع آموزش ۲۸ اوت ۲۰۲۶ به‌دست آورده است. این مقاله اعلامیهٔ محصول را در چارچوب گزارش فنی ژوئن ۲۰۲۶، خط پژوهشی TRINITY و Conductor (ICLR 2026) و محدودیت‌های ارزیابی شرکتی بازخوانی می‌کند.

۱. مقدمه

پرسش کلاسیک مقیاس‌دهی مدل‌های زبانی این بوده است که «مدل بزرگ‌تر چه قابلیت تازه‌ای می‌خرد؟» پرسش عملی‌تر برای استقرار این است که «برای این تکلیف مشخص، کدام ماشین با کمترین هزینه کافی است؟» Sakana AI در اعلامیهٔ ۱۱ سپتامبر ۲۰۲۶ می‌نویسد که به‌کاربردن مدل چندتریلیون‌پارامتری برای یک بازیابی ساده، هوش نیست؛ اتلاف است. مرز مرتبط برای کار واقعی دوبعدی است: قابلیت و هزینه.

خانوادهٔ Fugu پاسخ این شرکت به همان مرز دوبعدی است. مدل‌های Fugu خودشان مدل زبانی هستند، اما نقش‌شان تولید پاسخ نهایی به‌تنهایی نیست؛ نقش‌شان فهم پرسش و طراحی داربست عاملی (agentic scaffold) است: کدام عامل‌ها وارد شوند، چه نقش یا دستورالعملی بگیرند، خروجی میانی چگونه ترکیب یا راستی‌آزمایی شود، و پاسخ نهایی چه زمانی ساخته شود. این ایده در گزارش فنی ژوئن ۲۰۲۶ صورت‌بندی شده و در سپتامبر ۲۰۲۶ با دو نقطهٔ عملیاتی متمایز منتشر شده است:

Fugu Max: بهترین خروجی ممکن با کمترین هزینه.
Fugu Ultra v2: بالاترین قابلیت مطلق روی تکالیف چندمرحله‌ای پیچیده.

مقالهٔ حاضر این دو سامانه را نه به‌عنوان محصول بازاریابی، بلکه به‌عنوان یک ادعای علمی دربارهٔ هوش جمعی مدل‌ها بررسی می‌کند: آیا هماهنگی چند مدل می‌تواند از هر مدل منفرد فراتر برود، و آیا این فرارفتن روی هر دو محور پارتو هم‌زمان ممکن است؟

۲. پیشینه: از مدل واحد به هماهنگ‌کنندهٔ یادگرفته‌شده

۲.۱ تخصصی‌شدن ارائه‌دهندگان مرزی

گزارش فنی Fugu از این مشاهده شروع می‌کند که مدل‌های مرزی روزبه‌روز در حوزه‌های متفاوت تخصص پیدا می‌کنند. اگر مهارت‌ها مکمل باشند، ترکیب آن‌ها یک هدف طبیعی است. ترکیب ساده‌ای مثل رأی اکثریت یا زنجیرهٔ ثابت prompt معمولاً توپولوژی ارتباط را قفل می‌کند و به تغییر استخر مدل‌ها حساس است. Fugu ادعا می‌کند که خودِ طراحی گردش‌کار باید یاد گرفته شود.

۲.۲ دو خط پژوهشی زیربنایی

طبق مستندات رسمی و مخزن GitHub، سامانهٔ تولیدی بر دو مقالهٔ ICLR 2026 بنا شده است:

TRINITY: An Evolved LLM Coordinator. هماهنگ‌کنندهٔ فشرده که با راهبرد تکاملی بهینه می‌شود و نقش‌هایی مانند متفکر / عامل / راستی‌آزما را میان مدل‌ها می‌چرخاند، بدون ادغام وزن یا معماری مشترک.
Learning to Orchestrate Agents in Natural Language with the Conductor. مدل حدود ۷ میلیارد پارامتری که با یادگیری تقویتی، توپولوژی ارتباط و دستورالعملِ هر عامل را به زبان طبیعی طراحی می‌کند و به استخرهای متغیر مقاوم است.

گزارش فنی تصریح می‌کند که محصول Fugu با این دو چارچوب یکسان نیست؛ پس از انتشار مقالات، چند تقویت تولیدی اعمال شده است. در نسخهٔ تأخیرآگاه Fugu، انتساب نقش TRINITY حذف شده تا فضای هماهنگی کوچک‌تر و تأخیر کمتر شود. در Ultra، Conductor به گردش‌کارهای چندگامی با فراخوانی تابع و حافظهٔ اشتراکی گسترش یافته است.

۲.۳ مسیر محصول تا سپتامبر ۲۰۲۶

اعلامیه، تکامل محصول را چنین خلاصه می‌کند: بتای آوریل (اثبات ارکستراسیون چندعاملی به‌مثابه یک مدل واحد)، دسترسی عمومی و Ultra v1 در ژوئن، تخصص‌های دامنه مانند امنیت سایبری و کدنویسی در ژوئیه، مقیاس مصرف‌کننده و همکاری NVIDIA در اوت، و Max به‌علاوهٔ Ultra v2 در سپتامبر. این زمان‌بندی برای خواندن نتایج اهمیت دارد: اعداد ژوئن (گزارش فنی) و اعداد سپتامبر (اعلامیهٔ محصول) روی مجموعه بنچمارک و استخر مدل یکسان نیستند و نباید در یک جدول واحد ادغام شوند.

۳. معماری سامانه

۳.۱ هستهٔ مشترک

هر دو مدل Max و Ultra v2 از یک معماری ارکستراسیون مشترک استفاده می‌کنند و از طریق API سازگار با OpenAI در دسترسند. ارتقا از نسخه‌های قبلی، طبق اعلام شرکت، با تغییر یک پارامتر و بدون مهاجرت انجام می‌شود. استخر عامل‌ها قابل تعویض است؛ این ویژگی هم به‌عنوان انعطاف مهندسی و هم به‌عنوان مقاومت در برابر قفل فروشنده، لغو API، و اختلال ژئوپلیتیکی مطرح شده است.

رفتار هسته را می‌توان به چهار تصمیم کاهش داد:

انتخاب زیرمجموعهٔ عامل‌ها از استخر.
تخصیص دستورالعمل یا نقش به هر عامل.
تعریف توپولوژی ارتباط (ترتیبی، موازی، درختی، بازبینی متقابل).
ترکیب، راستی‌آزمایی و صدور پاسخ نهایی.

عامل‌ها جعبهٔ سیاه‌اند. هماهنگ‌کننده به وزن آن‌ها دسترسی ندارد و نیازی به سازگاری معماری میان مدل‌ها نیست. همین فرض، ورود مدل‌های وزن‌باز مثل خانوادهٔ NVIDIA Nemotron را در Fugu Max ممکن کرده است.

۳.۲ دو مأموریت روی یک اسکلت

محور	Fugu Max	Fugu Ultra v2
پرسش طراحی	بهترین خروجی با کمترین هزینه چیست؟	بالاترین قابلیت روی تکلیف چندمرحله‌ای چیست؟
جهت حرکت روی پارتو	شمال‌غربی: قابلیت بالاتر و هزینهٔ کمتر	بالا: قابلیت بالاتر با اولویت کیفیت
استخر	بزرگ‌ترین استخر اعلام‌شده؛ شامل مدل‌های وزن‌باز و تخصصی، از جمله Nemotron	استخر عمیق‌تر برای کیفیت؛ بدون Fable 5، Fable 5.1 و GPT-6-Astra
کاربرد هدف	کار روزمره با حساسیت هزینه	پژوهش خودمختار، مهندسی نرم‌افزار تمام‌پشته، استدلال پایدار روی دادهٔ دیداری و ساخت‌یافته

۳.۳ تفکیک نسخه‌های گزارش فنی (ژوئن)

در گزارش فنی، دو رژیم متمایز توصیف شده است که فهم Max و Ultra v2 را روشن می‌کند، هرچند نام محصول سپتامبر با نام گزارش یکی نیست:

Fugu تأخیرآگاه: یک سر انتخاب سبک روی حالت‌های پنهان، مسیریابی زودهنگام با logits (نه متن تولیدشده)، و فراخوانی معمولاً یک عامل. برای کم‌کردن تأخیر، انتساب نقش حذف شده است.
Fugu-Ultra کیفیت‌محور: تولید گردش‌کار کامل به زبان طبیعی، چند عامل در هر ورودی، توپولوژی آزاد، فراخوانی تابع و حافظهٔ اشتراکی با جداسازی دسترسی.

اعلامیهٔ سپتامبر می‌گوید Max و Ultra v2 همان هسته را برای دو مأموریت تنظیم کرده‌اند. جزئیات این‌که Max دقیقاً همان رژیم تک‌عاملی ژوئن است یا رژیم چندعاملیِ هزینه‌آگاه، در پست وبلاگ به‌صورت الگوریتمی افشا نشده و باید از گزارش فنی و رفتار API استنباط شود.

۴. پارادایم آموزش (بر اساس گزارش فنی)

ادعای علمی Fugu فقط «چند مدل را صدا بزن» نیست؛ هماهنگ‌کننده آموزش دیده است. گزارش فنی سه لایه را شرح می‌دهد.

۴.۱ تنظیم نظارتی روی تکالیف تک‌گامی

برای Fugu تأخیرآگاه، ابتدا تنظیم نظارتی روی مجموعهٔ بزرگی از تکالیف قابل راستی‌آزمایی (کد، ریاضی، استدلال، سناریوهای عاملی) انجام می‌شود. به‌جای برچسب سخت یک مدل برنده، توزیع نرم روی عامل‌ها از عملکرد تجربی ساخته می‌شود: میانگین پاداش هر عامل روی چند تکرار، سپس سافتمکس با دما. تابع زیان، واگرایی KL میان این توزیع هدف و پیش‌بینی هماهنگ‌کننده است.

این انتخاب مهم است. هماهنگ‌کننده یاد نمی‌گیرد که «کدام مدل را دوست دارد»؛ یاد می‌گیرد که توزیع انتخابش با جدول عملکرد اندازه‌گیری‌شده هم‌تراز شود.

۴.۲ راهبرد تکاملی روی تکالیف سرتاسری

سیگنال موفقیت در مسیرهای چندنوبته تنک و نوفه‌ای است. برای همین، پس از SFT از sep-CMA-ES استفاده می‌شود تا پارامترهای مسیریابی روی پاداش انتهایی مسیر بهینه شوند. جمعیت از توزیع گاوسی تطبیقی نمونه‌برداری می‌شود و والدین بر اساس رتبه به‌روزرسانی می‌شوند. هدف، بیشینه‌کردن امید ریاضی پاداش مسیر است، نه فقط صحت یک گام.

۴.۳ یادگیری تقویتی برای Ultra

Fugu-Ultra با چارچوب Conductor و الگوریتم GRPO (Group Relative Policy Optimization) آموزش می‌بیند. پاداش غالباً گسسته است: درست، جزئی، یا خطای قالب. مزیت هر نمونه نسبت به میانگین و انحراف معیار گروه همان پرسش محاسبه می‌شود و سیاست با برش نسبی و (در بخشی از آموزش) جملهٔ KL نسبت به سیاست مرجع به‌روز می‌شود. گزارش می‌گوید در مرحلهٔ نهایی ممکن است جریمهٔ KL حذف شود.

جمع این سه لایه یک ادعای روش‌شناختی است: طراحی داربست عاملی می‌تواند مثل هر سیاست دیگری بهینه شود؛ ابتدا با تقلید از جدول عملکرد، بعد با جست‌وجوی تکاملی روی پاداش کمیاب، و در نهایت با RL روی گردش‌کارهای زبانی.

۵. انتشار سپتامبر ۲۰۲۶: دو نقطه روی مرز پارتو

۵.۱ Fugu Max؛ گسترش مرز به شمال‌غرب

ادعای مرکزی Max این است که با بزرگ‌کردن استخر به‌سمت مدل‌های وزن‌باز و تخصصی، و مسیریابی پویا به لاغرترین مدلِ کافی، می‌توان به نقطه‌ای رسید که ارائه‌دهندهٔ تک‌مدلی به آن نمی‌رسد: عملکرد نزدیک به نخبه‌ها با هزینهٔ دو تا شش برابر کمتر.

اعداد اعلام‌شده توسط Sakana AI:

عملکرد: بهترین امتیاز کلی روی شش بنچمارک Terminal Bench 2.1، GPQAD، AA-LCR، GDP.pdf، AutomationBench و SWEFish (بنچمارک داخلی چالش‌های کدنویسی خود شرکت).
هزینه: ۲ دلار در میلیون توکن ورودی و ۶ دلار در میلیون توکن خروجی؛ قیمت خروجی ۴۰ تا ۶۰ درصد کمتر از Sonnet 5، GPT 5.6 Terra و Kimi K3.
کارایی: گسترش مرز پارتو هزینه-عملکرد در هفت بنچمارک از ده بنچمارک.

همکاری با NVIDIA و ورود خانوادهٔ Nemotron در این روایت نقش زیرساختی دارد: اگر رشد سریع مدل‌های باز ادامه یابد، ارزش ارکستراسیون بیشتر می‌شود، چون هماهنگ‌کننده می‌تواند بهبود هر مدل باز را بدون بازآموزی کل سامانه جذب کند. این فرض به شرطی برقرار است که هماهنگ‌کننده نسبت به تعویض استخر پایدار بماند؛ همان خاصیتی که آموزش Conductor روی استخر تصادفی برای آن طراحی شده بود.

۵.۲ Fugu Ultra v2؛ فشار مرز به بالا

Ultra v2 برای استدلال پایدار، پژوهش خودمختار و توسعهٔ تمام‌پشته معرفی شده است. اعداد اعلام‌شده:

Chartography (استدلال دیداری و تفسیر داده): ۴۸٫۳ در برابر ۲۷٫۳ برای Opus 5 و ۲۹٫۵ برای Fable 5.
DeepSWE (مهندسی نرم‌افزار واقعی): ۷۴٫۳، بالاتر از مدل‌هایی که شرکت آن‌ها را سه تا پنج برابر گران‌تر به‌ازای توکن توصیف می‌کند.
بهترین یا مشترک‌بهترین در پنج بنچمارک از هشت بنچمارک: GDP.pdf، Chartography، SWEFish، DeepSWE، Toolathon.
حضور در دو رتبهٔ نخست در هفت بنچمارک از هشت بنچمارک عاملی.

دو قید ارزیابی صریحاً در اعلامیه آمده است و باید در هر بازنشر علمی حفظ شود:

تاریخ قطع آموزش Ultra v2 برابر با ۲۸ اوت ۲۰۲۶ است.
Fable 5، Fable 5.1 و GPT-6-Astra در استخر Ultra v2 نیستند.

این قید، ادعای «خروجی مرزی بدون وابستگی به یک مدل بستهٔ خاص» را قابل آزمون می‌کند. اگر استخر بعداً همان مدل‌ها را وارد کند، مقایسه با اعلامیهٔ سپتامبر دیگر هم‌ارز نیست.

۵.۳ یادآوری نتایج گزارش فنی ژوئن (نباید با سپتامبر مخلوط شود)

برای زمینه، گزارش فنی ژوئن روی استخر متفاوتی شامل مدل‌هایی مانند Gemini-3.1-Pro، Claude-Opus-4.8 و GPT-5.5، میان سایر نتایج، این اعداد را برای Fugu-Ultra در برابر همان مدل‌ها گزارش کرده بود: SWE-Bench Pro برابر ۷۳٫۷ در برابر ۶۹٫۲ برای Claude Opus 4.8؛ Terminal Bench 2.1 برابر ۸۲٫۱؛ LiveCodeBench برابر ۹۳٫۲؛ GPQA Diamond برابر ۹۵٫۵؛ Humanity’s Last Exam برابر ۵۰٫۰. این جدول متعلق به ارزیابی ژوئن است و جایگزین اعداد سپتامبر نیست.

۶. بحث

۶.۱ پارتو به‌عنوان چارچوب، نه شعار

مرز پارتو در اینجا مجموعهٔ نقاطی است که در آن‌ها نمی‌توان قابلیت را بالا برد مگر با افزایش هزینه، یا هزینه را پایین آورد مگر با کاهش قابلیت. ادعای Sakana دو حرکت جداست: Max پاکت کارایی موجود را در هفت بنچمارک از ده بنچمارک جا‌به‌جا می‌کند؛ Ultra v2 پاکت را روی محور کیفیت بالا می‌برد. اگر هر دو ادعا روی پروتکل ارزیابی مستقل تکرار شوند، نتیجه فقط «مدل بهتر» نیست؛ نتیجه این است که محور مقیاس‌دهی تازه وجود دارد: کیفیت هماهنگی، نه فقط اندازهٔ یک شبکه.

۶.۲ آنچه واقعاً یاد گرفته می‌شود

از دید یادگیری ماشین، شیء بهینه‌شونده سیاست مسیریابی و سیاست ساخت گردش‌کار است. SFT توزیع انتخاب را به جدول عملکرد تجربی قفل می‌کند؛ CMA-ES با پاداش انتهایی مسیر، انتخاب را برای تکالیف چندنوبته اصلاح می‌کند؛ GRPO گردش‌کار زبانی را روی صحت نهایی شکل می‌دهد. این تفکیک توضیح می‌دهد چرا یک هماهنگ‌کنندهٔ کوچک می‌تواند از مدل‌های بسیار بزرگ‌تر امتیاز بگیرد: امتیاز مالِ ترکیب است، نه مالِ وزن هماهنگ‌کننده.

۶.۳ حاکمیت مدل و قفل فروشنده

اعلامیه صریحاً از قفل فروشنده، لغو API، تلاطم ژئوپلیتیکی و قطع ناگهانی سرویس حرف می‌زند. استخر قابل‌تعویض یک پاسخ معماری به این ریسک است. با این حال، وابستگی عملی به کیفیت و دسترس‌پذیری همان استخر باقی می‌ماند. ارکستراسیون ریسک تک‌فروشنده را کم می‌کند، اما ریسک هم‌بستگی میان چند API و هزینهٔ پنهان توکن‌های هماهنگی را جایگزین آن می‌کند.

۶.۴ محدودیت‌ها و نقاط باز

چند محدودیت باید جدا از لحن اعلامیه ثبت شود.

منبع اعداد سپتامبر شرکتی است. برخلاف گزارش فنی ژوئن که روی arXiv با فهرست نویسندگان منتشر شده، جدول‌های Max و Ultra v2 در زمان نگارش این مقاله عمدتاً از پست وبلاگ شرکت می‌آیند. تکرار مستقل، کنترل طول پاسخ، بودجهٔ تفکر، و پروتکل ابزار برای بنچمارک‌هایی مثل SWEFish و Chartography هنوز به‌صورت عمومی کامل مشخص نیست.

هزینهٔ آشکارشده برابر هزینهٔ واقعی تکلیف نیست. قیمت ۲ و ۶ دلار بر میلیون توکن، نرخ API است. ارکستراسیون توکن اضافی برای دستور سیستم، تبادل میان عامل‌ها و راستی‌آزمایی تولید می‌کند. تحلیل‌های شخص ثالث روی نسخه‌های پیشین Ultra از سربار چندبرابری توکن و تأخیر ده‌ها تا بیش از صد ثانیه روی پرسش‌های پیچیده گزارش کرده‌اند. Sakana در اعلامیهٔ Max نرخ اصابت کش و هزینهٔ کل هر تکلیف را منتشر نکرده است. بنابراین «۴۰ تا ۶۰ درصد ارزان‌تر» را باید به‌عنوان مقایسهٔ نرخ خروجی خواند، نه الزاماً صورت‌حساب هر کار تمام‌شده.

بنچمارک داخلی. SWEFish بنچمارک داخلی چالش‌های کدنویسی خود شرکت است. حضور آن در فهرست «بهترین امتیاز کلی» ارزش روایی دارد، اما وزن علمی‌اش از بنچمارک‌های عمومی با پروتکل ثابت کمتر است.

تغییر استخر، تغییر سامانه. اگر قابلیت Ultra v2 به ترکیب خاصی از عامل‌ها وابسته باشد، تعویض مدل‌ها می‌تواند عملکرد را جابه‌جا کند. آموزش روی استخر تصادفی این ریسک را کم می‌کند، اما آن را صفر نمی‌کند.

اثر ارزیابی روی مدل‌های غایب. غیبت Fable 5 و GPT-6-Astra در استخر Ultra v2 ادعای استقلال را قوی می‌کند، اما مقایسه با مدل‌هایی که بعد از تاریخ قطع عرضه شده‌اند باید با احتیاط تاریخ‌گذاری شود.

۷. نتیجه‌گیری

Fugu Max و Fugu Ultra v2 یک فرض واحد را در دو نقطهٔ عملیاتی آزمایش می‌کنند: قابلیت مرز را می‌توان از هماهنگی یادگرفته‌شده میان مدل‌های متخصص گرفت، نه فقط از بزرگ‌کردن یک مدل. گزارش فنی ژوئن سازوکار را با تنظیم نظارتی، راهبرد تکاملی و یادگیری تقویتی شرح می‌دهد. اعلامیهٔ سپتامبر همان سازوکار را روی محور هزینه (Max) و محور کیفیت (Ultra v2) تنظیم می‌کند و ادعا می‌کند این دو حرکت با هم تناقض ندارند.

اگر ارزیابی مستقل اعداد هزینه-عملکرد Max و جهش Chartography در Ultra v2 را تأیید کند، پیام علمی روشن است: داربست عاملی تطبیقی یک محور مقیاس‌دهی جداست. تا آن تکرار مستقل، این سامانه‌ها را باید به‌عنوان یک خط پژوهشی بالغ با شواهد شرکتی قوی، نه به‌عنوان حقیقت تثبیت‌شدهٔ بنچمارک، خواند.

منابع

Sakana AI. Introducing Fugu Max and Fugu Ultra v2: Orchestrating the Pareto Frontier. 11 September 2026. https://sakana.ai/fugu-max-release/
Tang, Y., Cetin, E., Xu, J., Sun, Q., Nielsen, S., Richard, V., Goda, H., Tymchenko, I., Nguyen, N., Lee, H., Ashiga, M., Kotyan, S., Kuroki, S., Clanuwat, T. (Fugu Team, Sakana AI). Sakana Fugu Technical Report. arXiv:2606.21228 [cs.LG], June 2026. https://arxiv.org/abs/2606.21228
Sakana AI. Sakana Fugu product page. https://sakana.ai/fugu/
Sakana AI. GitHub repository: SakanaAI/fugu. https://github.com/SakanaAI/fugu/
TRINITY: An Evolved LLM Coordinator. ICLR 2026 (preprint December 2025).
Learning to Orchestrate Agents in Natural Language with the Conductor. ICLR 2026 (preprint December 2025).
NVIDIA. Nemotron foundation models. https://www.nvidia.com/en-us/ai-data-science/foundation-models/nemotron/

یادداشت روش: تمام اعداد عملکرد و قیمت سپتامبر ۲۰۲۶ از اعلامیهٔ رسمی Sakana AI نقل شده‌اند و تا زمان تأیید مستقل باید به همان منبع نسبت داده شوند. اعداد ژوئن از گزارش فنی arXiv:2606.21228 آمده‌اند و با ارزیابی سپتامبر یک مجموعهٔ واحد نیستند.