Sakana AI étend son système d’orchestration Fugu pour y intégrer les modèles Nemotron de Nvidia, une initiative que la start-up tokyoïte dit renforcer son argument selon lequel des groupes coordonnés de modèles ouverts peuvent rivaliser avec les meilleurs systèmes reposant sur un seul modèle. Cette mise à jour compte car elle déplace la discussion concurrentielle de la simple performance des classements vers la manière dont les produits d’IA sont assemblés, routés et gouvernés en production.

Selon les informations de The Decoder et un titre concordant publié par Tech Times, la nouvelle intégration permettra à Fugu de faire appel aux modèles Nemotron comme spécialistes pour le codage, l’utilisation d’outils et les tâches de suivi d’instructions. Sakana AI n’a pas donné de date de lancement, indiquant seulement que la prise en charge arrivera dans une prochaine version, et n’a pas publié de nouvelles données de benchmark montrant les performances de la configuration enrichie par Nemotron.

Cette absence est importante. L’argument de Sakana AI n’est pas simplement que les modèles ouverts rattrapent leurs concurrents par eux-mêmes, mais que les systèmes d’« intelligence collective » peuvent les rendre plus compétitifs en combinant différentes forces derrière une interface unique. Pour les développeurs et les acheteurs en entreprise, il s’agit d’une affirmation plus opérationnelle que purement centrée sur le modèle : la valeur viendrait du routage, des mécanismes de repli, des mises à niveau modulaires et d’une dépendance réduite à un seul fournisseur.

Ce que Sakana AI change dans Fugu

Comme le décrit The Decoder, Fugu n’est pas seulement une enveloppe autour de modèles tiers. Sakana AI le présente comme un modèle de langage entraîné pour appeler d’autres grands modèles de langage à partir d’un pool pouvant inclure plusieurs systèmes externes ainsi que des versions de lui-même. Derrière une seule API, Fugu est conçu pour découper les tâches en sous-tâches, choisir quels modèles doivent les traiter et combiner les sorties en une réponse finale.

L’ajout de Nvidia Nemotron élargit ce pool d’agents avec davantage d’options en poids ouverts. Sakana AI affirme que les modèles Nemotron serviront de spécialistes plutôt que de remplaçants des modèles de pointe déjà disponibles dans Fugu. En pratique, cela signifie qu’une requête pourrait être routée différemment selon que le système détecte un besoin de génération de code, d’appel d’outils ou de stricte conformité aux instructions.

Cette modularité est au cœur du discours de Sakana AI. Si l’orchestration fonctionne comme annoncé, l’acheteur n’a pas besoin de choisir une seule pile de modèles pour chaque charge de travail. À la place, la couche d’orchestration peut remplacer au fil du temps des composants par de meilleurs. Cela pourrait séduire des équipes qui cherchent à éviter d’être enfermées chez un seul fournisseur d’API, d’autant que les prix des modèles, les limites de débit, les contraintes géopolitiques et les risques de disponibilité restent volatils.

Pourquoi Nvidia Nemotron s’inscrit dans cette stratégie

Nvidia a développé rapidement la gamme Nemotron, et cette ampleur semble être l’une des raisons pour lesquelles Sakana AI souhaite l’intégrer à Fugu. The Decoder indique que la famille Nemotron couvre désormais plusieurs types de modèles et profils de déploiement, offrant à Fugu davantage d’options pour associer les tâches aux agents.

L’article mentionne en particulier Nemotron 3 Ultra, qu’il décrit comme un modèle ouvert d’environ 550 milliards de paramètres et 55 milliards de paramètres actifs. En citant Artificial Analysis, The Decoder affirme que ce modèle se classe devant Gemma 4 31B, gpt-oss-120b et le propre Nemotron 3 Super de Nvidia parmi les modèles ouverts américains, bien qu’il reste derrière Kimi K2.6. Nvidia a également publié Nemotron 3 Nano Omni, un modèle multimodal destiné à des workflows agentiques comme le traitement de documents et les agents utilisant l’ordinateur.

Ces détails comptent, car la thèse de Fugu repose sur la diversité au sein du pool. Un routeur multi-agents n’est utile que dans la mesure où les spécialistes qu’il appelle le sont. Si Nemotron ajoute réellement de solides capacités de codage, d’utilisation d’outils et de multimodalité, Fugu devient plus qu’une simple couche de politique au-dessus de modèles textuels similaires. Il devient un système avec des composants plus différenciés.

Pour Nvidia, le partenariat a également une valeur stratégique évidente. The Decoder rapporte que Nvidia fournira des conseils techniques sur les recettes et l’évaluation de Nemotron, tout en obtenant des informations sur les performances de ses modèles dans des workflows multi-agents. C’est un retour utile alors que de plus en plus de déploiements en entreprise passent du chat à prompt unique à des agents IA de plus longue durée qui ont besoin de planification, d’exécution d’outils, de reprises et d’auditabilité.

L’affirmation plus large : l’orchestration plutôt que les monolithes

L’argument général de Sakana AI est que les modèles ouverts deviennent bien plus utiles lorsqu’ils sont orchestrés que lorsqu’ils sont benchmarkés isolément. C’est le cœur de son message sur l’« intelligence collective ». Plutôt que de courir après un modèle unique qui remporte tout sur toutes les tâches, langues et modalités, Sakana AI estime que la meilleure voie consiste à construire des systèmes capables d’évaluer et de combiner dynamiquement de nombreux modèles.

Cette position n’est pas unique sur le marché, mais Sakana AI la formule de façon inhabituellement explicite. De nombreuses équipes produit en IA routent déjà différents prompts vers différents modèles pour des raisons de coût ou de performance. Ce que Sakana AI propose avec Fugu est une version plus formalisée de cette architecture, où l’orchestration elle-même devient le produit, et peut-être la couche défendable.

Cela compte pour l’IA d’entreprise car peu de charges de travail en production ressemblent à des suites de benchmarks. Les déploiements réels exigent souvent un équilibre entre latence, prix, gouvernance, usage d’outils, spécificité métier et récupération après échec. Un seul modèle haut de gamme peut encore être la solution la plus simple pour certaines équipes, mais il peut aussi être coûteux, fragile en exploitation ou difficile à adapter selon les régions et les contraintes de conformité. Le discours de Sakana AI est que Fugu peut absorber ces arbitrages au niveau du système.

Le cadrage géopolitique est également notable. The Decoder rapporte que Sakana AI a relié son approche à la réduction de la dépendance à des fournisseurs individuels et à une protection contre les restrictions d’accès liées à la réglementation ou à la politique étrangère. C’est un argument plus saillant aujourd’hui qu’il y a un an, à mesure que l’accès aux modèles et les règles d’exportation influencent de plus en plus les décisions d’achat.

Preuves, benchmarks et ce qui reste à démontrer

La principale prudence dans cette histoire est qu’aucun résultat de benchmark n’a encore été divulgué pour la nouvelle combinaison Fugu plus Nemotron. The Decoder note explicitement que l’annonce de Sakana AI ne comprend pas de chiffres récents pour l’intégration. Ainsi, même si le partenariat est concret, l’argument de performance reste largement prospectif.

L’entreprise a déjà formulé des affirmations plus fortes sur Fugu lui-même. Selon The Decoder, Sakana AI a déclaré dans ses propres benchmarks que Fugu Ultra était au niveau de Anthropic Fable 5 et Mythos Preview. Il s’agit d’affirmations rapportées par le fournisseur, et non de résultats établis de manière indépendante à partir des éléments fournis ici. Le même rapport indique aussi que les premiers tests indépendants étaient moins favorables, avec des critiques centrées sur la vitesse et le coût.

Cette tension est courante dans les produits d’orchestration. Combiner plusieurs modèles peut améliorer la qualité de l’exécution d’une tâche, mais cela peut aussi introduire davantage de sauts d’inférence, de points de défaillance et de coûts. Sans évaluations transparentes au niveau des tâches, plages de latence et données de coût, les acheteurs ne peuvent pas encore juger si l’architecture de Fugu apporte des gains pratiques ou surtout conceptuels.

Les preuves de la force autonome de Nemotron sont elles aussi en partie médiatisées. The Decoder cite Artificial Analysis pour le contexte de classement autour de Nemotron 3 Ultra, mais ces classements ne prouvent pas directement de meilleures performances au sein de Fugu. Un bon modèle composant ne se traduit pas automatiquement par un bon système orchestré, car le routeur, la stratégie de décomposition et la qualité de synthèse comptent tout autant.

Ce que cela signifie pour les développeurs et les équipes d’entreprise

Pour les développeurs, le duo Sakana AI et Nvidia signale que l’orchestration devient une catégorie de produit plutôt qu’une technique interne cachée. Les équipes qui construisent des assistants de codage, des workflows documentaires ou des agents IA pourraient voir davantage de fournisseurs regrouper le routage, la sélection de modèles et la synthèse dans une seule couche API.

Cela peut simplifier l’expérimentation. Une équipe produit pourrait tester si Nemotron 3 Nano Omni améliore l’extraction multimodale tandis qu’un autre modèle reste le meilleur générateur, ou si Nemotron 3 Ultra gère plus fiablement les requêtes riches en outils qu’une option de pointe plus chère. En principe, Fugu pourrait permettre aux équipes de modifier ces mélanges sans reconstruire la couche applicative à chaque fois.

Pour les acheteurs d’IA en entreprise, l’intérêt réside dans la résilience et la flexibilité d’approvisionnement. Une couche d’orchestration peut diversifier l’exposition aux fournisseurs et créer des voies de repli lorsqu’un fournisseur change ses conditions, se dégrade en qualité ou devient indisponible dans une région. Mais l’inconvénient opérationnel est que ces systèmes peuvent être plus difficiles à évaluer. Les acheteurs auront besoin de preuves non seulement sur la qualité des benchmarks, mais aussi sur les plafonds de latence, la prévisibilité des coûts, l’observabilité et les contrôles de politique sur des chaînes de modèles mixtes.

Pour le marché, c’est un nouveau signe que les modèles ouverts ne sont plus positionnés uniquement comme des substituts bon marché. Sakana AI soutient que les composants ouverts peuvent devenir plus stratégiques lorsqu’ils sont combinés intelligemment. Que cela tienne dépend moins des affirmations philosophiques sur l’intelligence collective que des performances mesurables en production.

Ce qu’il faut surveiller ensuite

La première chose à surveiller est de savoir si Sakana AI publiera des données d’évaluation concrètes après la mise en service de l’intégration Nvidia Nemotron. Des signaux utiles seraient des taux de victoire par tâche, des comparaisons de latence et des arbitrages de coût par rapport à des références fondées sur un seul modèle.

Deuxièmement, il faudra voir si Sakana AI étend la prise en charge à davantage de charges de travail multimodales et agentiques avec Nemotron 3 Nano Omni, en particulier autour du traitement de documents et des agents utilisant l’ordinateur. Ces cas d’usage permettraient de tester si Fugu peut faire plus que router des prompts textuels.

Troisièmement, les tests indépendants seront importants. Les critiques antérieures sur la vitesse et le coût signifient que les évaluateurs externes se concentreront probablement sur la question de savoir si l’architecture de Fugu crée de vrais gains ou trop de surcharge d’orchestration.

Enfin, il faudra observer si Nvidia approfondit cette relation ou utilise des partenariats similaires ailleurs. Si Nemotron devient une couche spécialiste courante dans les produits d’orchestration, cela renforcerait le rôle de Nvidia non seulement comme créateur de modèles, mais aussi comme fournisseur de la pile d’IA d’entreprise au sens large.

Point de vue Creati.ai

Sakana AI fait un pari stratégique sérieux : que la couche d’orchestration comptera avec le temps plus qu’un modèle particulier. C’est une orientation crédible, surtout pour l’IA d’entreprise, où la fiabilité, le contrôle des coûts et la diversification des fournisseurs comptent souvent davantage que la suprématie absolue dans les benchmarks. Si Fugu peut transformer la complexité des modèles mixtes en une API propre offrant des gains de qualité observables, Sakana AI pourrait s’approprier une partie importante de la pile.

Mais l’entreprise doit encore prouver que le système fonctionne économiquement, et pas seulement conceptuellement. Tant que Sakana AI ne publie pas de données transparentes montrant comment Nvidia Nemotron améliore Fugu dans des workflows réels, l’histoire porte davantage sur l’architecture et le positionnement que sur une performance de marché démontrée. Pour l’instant, la nouvelle est importante parce qu’elle montre dans quelle direction va la concurrence : loin des simples comparaisons entre modèles uniques, et vers des systèmes orchestrés qui cherchent à faire fonctionner de nombreux modèles comme un seul produit fiable.