Sakana AI가 자사 오케스트레이션 시스템 Fugu를 Nvidia의 Nemotron 모델까지 포함하도록 확장하고 있다. 도쿄에 본사를 둔 이 스타트업은 이번 조치가 조율된 오픈 모델 집합이 최고 수준의 단일 모델 시스템과 경쟁할 수 있다는 자사의 주장을 강화할 것이라고 말한다. 이번 업데이트가 중요한 이유는 경쟁의 초점을 단순한 리더보드 성과에서 벗어나, AI 제품이 실제 운영에서 어떻게 조립되고, 라우팅되고, 거버넌스되는지로 옮기기 때문이다.

The Decoder의 보도와 Tech Times의 동일한 헤드라인에 따르면, 새 통합을 통해 Fugu는 코딩, 도구 사용, 지시 따르기 작업의 전문가로 Nemotron 모델을 호출할 수 있게 된다. Sakana AI는 지원이 향후 릴리스에서 제공될 것이라고만 밝혔고, Nemotron이 추가된 구성의 성능을 보여주는 새로운 벤치마크 데이터는 공개하지 않았다.

이 공백은 중요하다. Sakana AI의 주장은 오픈 모델이 그 자체로 따라잡고 있다는 것만이 아니라, ‘집단 지성’ 시스템이 서로 다른 강점을 하나의 인터페이스 뒤에서 결합해 더 경쟁력 있게 만들 수 있다는 데 있다. 빌더와 기업 구매자에게 이는 순수한 모델 주장이 아니라 운영적 주장이다. 가치의 핵심은 라우팅, 폴백 동작, 모듈형 업그레이드, 그리고 단일 공급자에 대한 의존 감소에서 나올 것이다.

Sakana AI가 Fugu에서 바꾸는 것

The Decoder의 설명에 따르면, Fugu는 단순히 서드파티 모델을 감싸는 래퍼가 아니다. Sakana AI는 이를 여러 외부 시스템과 자기 자신 버전까지 포함할 수 있는 풀에서 다른 대형 언어 모델을 호출하도록 훈련된 언어 모델로 제시한다. 하나의 API 뒤에서 Fugu는 작업을 하위 작업으로 나누고, 어떤 모델이 이를 처리할지 선택하며, 출력을 최종 응답으로 결합하도록 설계되어 있다.

Nvidia Nemotron의 추가는 이 에이전트 풀에 더 많은 오픈 웨이트 옵션을 더한다. Sakana AI는 Nemotron 모델이 Fugu에 이미 있는 프런티어 모델을 대체하는 것이 아니라 전문가 역할을 하게 될 것이라고 말한다. 실제로는 시스템이 코드 생성, 도구 호출, 엄격한 지시 준수 필요성을 감지했는지에 따라 요청 경로가 달라질 수 있다는 뜻이다.

이 모듈성은 Sakana AI의 핵심 제안이다. 오케스트레이션이 약속대로 작동한다면 구매자는 모든 워크로드마다 하나의 모델 스택을 고를 필요가 없다. 대신 오케스트레이션 계층이 시간이 지나면서 더 나은 구성요소로 계속 교체할 수 있다. 이는 모델 가격, 사용량 제한, 지정학적 제약, 가동 위험이 여전히 변동성이 큰 상황에서 단일 API 공급자에 묶이기를 원치 않는 팀에게 매력적일 수 있다.

Nvidia Nemotron이 이 전략에 맞는 이유

Nvidia는 Nemotron 라인을 빠르게 확장해 왔고, 그 폭넓음이 Sakana AI가 이를 Fugu 안에 넣고 싶어 하는 이유 중 하나인 것으로 보인다. The Decoder는 Nemotron 패밀리가 이제 여러 모델 유형과 배포 프로필에 걸쳐 있으며, Fugu가 작업을 에이전트에 매칭할 때 선택할 수 있는 옵션이 더 많아졌다고 보도한다.

기사에서는 특히 Nemotron 3 Ultra를 언급하며, 이를 약 5,500억 개 파라미터와 550억 개 활성 파라미터를 가진 오픈 모델로 설명한다. Artificial Analysis를 인용해 The Decoder는 이 모델이 미국 오픈 모델 가운데 Gemma 4 31B, gpt-oss-120b, 그리고 Nvidia의 Nemotron 3 Super보다 앞서 있다고 전하지만, 여전히 Kimi K2.6보다는 뒤처진다고 말한다. Nvidia는 또한 문서 처리와 컴퓨터 사용 에이전트 같은 에이전틱 워크플로를 겨냥한 멀티모달 모델 Nemotron 3 Nano Omni도 출시했다.

이 세부사항이 중요한 이유는 Fugu의 전제가 풀 내부의 다양성에 달려 있기 때문이다. 멀티 에이전트 라우터는 호출할 수 있는 전문가가 얼마나 좋으냐에 따라 유용성이 결정된다. Nemotron이 실제로 강력한 코딩, 도구 사용, 멀티모달 기능을 더해준다면 Fugu는 유사한 텍스트 모델 위에 얹힌 단순한 정책 계층이 아니라, 더 차별화된 구성요소를 가진 시스템이 된다.

Nvidia 입장에서도 이번 협력은 분명한 전략적 가치를 가진다. The Decoder는 Nvidia가 Nemotron 레시피와 평가에 대한 기술적 지침을 제공하는 한편, 자사 모델이 멀티 에이전트 워크플로에서 어떻게 작동하는지에 대한 인사이트를 얻을 것이라고 보도한다. 이는 더 많은 기업 배포가 단일 프롬프트 채팅에서 계획, 도구 실행, 재시도, 감사 가능성이 필요한 장기 실행 AI 에이전트로 이동하는 가운데 유용한 피드백이다.

더 큰 주장: 모놀리스보다 오케스트레이션

Sakana AI의 더 큰 주장은 오픈 모델이 개별적으로 벤치마킹될 때보다 오케스트레이션될 때 훨씬 더 유용해진다는 것이다. 이것이 자사의 ‘집단 지성’ 메시지의 핵심이다. 모든 작업, 언어, 모달리티에서 이기는 하나의 모델을 찾기보다, Sakana AI는 많은 모델을 동적으로 평가하고 결합할 수 있는 시스템을 구축하는 것이 더 나은 길이라고 본다.

이 입장은 시장에서 유일한 것은 아니지만, Sakana AI는 이를 매우 명시적으로 내세우고 있다. 많은 AI 제품 팀은 이미 비용이나 성능 이유로 서로 다른 프롬프트를 서로 다른 모델로 라우팅하고 있다. Sakana AI가 Fugu로 제안하는 것은 이런 아키텍처를 보다 정형화한 버전이며, 오케스트레이션 자체가 제품이자 방어 가능한 계층이 되는 방식이다.

이는 엔터프라이즈 AI에 중요하다. 실제 운영 워크로드는 벤치마크 세트처럼 생긴 경우가 거의 없기 때문이다. 실제 배포는 종종 지연 시간, 가격, 거버넌스, 도구 사용, 도메인 특수성, 실패 복구의 균형을 요구한다. 하나의 최상위 모델이 일부 팀에게 가장 단순한 해법일 수는 있지만, 비용이 높거나 운영상 취약하거나 지역 및 규정 준수 경계를 넘어 적응하기 어렵기도 하다. Sakana AI의 제안은 Fugu가 이러한 트레이드오프를 시스템 수준에서 흡수할 수 있다는 것이다.

지정학적 프레이밍도 주목할 만하다. The Decoder는 Sakana AI가 자사의 접근 방식을 개별 공급자에 대한 의존도 감소와 규제나 외교 정책과 관련된 접근 제한에 대한 대비와 연결했다고 보도한다. 모델 접근과 수출 규정이 조달 결정에 점점 더 영향을 미치는 지금, 이는 1년 전보다 더 날카로운 주장이다.

증거, 벤치마크, 그리고 아직 입증되지 않은 것

이 이야기에서 가장 신중하게 볼 부분은 새로운 Fugu+Nemotron 조합에 대한 공개 벤치마크 결과가 아직 없다는 점이다. The Decoder는 Sakana AI의 발표에 이 통합에 대한 새로운 수치가 포함되어 있지 않다고 명시한다. 따라서 파트너십은 분명하지만, 성능에 대한 사례는 여전히 대체로 전망적인 수준이다.

회사는 Fugu 자체에 대해 더 강한 성능 주장을 해온 바 있다. The Decoder에 따르면 Sakana AI는 자체 벤치마크에서 Fugu Ultra가 Anthropic의 Fable 5 및 Mythos Preview와 같은 수준이라고 밝혔다. 이는 여기 제공된 근거를 바탕으로 독립적으로 입증된 결과가 아니라 벤더 측 주장이다. 같은 보도는 초기 독립 테스트가 더 부정적이었고, 비판은 속도와 비용에 집중됐다고 전한다.

이런 긴장은 오케스트레이션 제품에서 흔하다. 여러 모델을 결합하면 작업 완료 품질이 좋아질 수 있지만, 추론 홉이 늘어나고 실패 지점이 많아지며 비용도 더 들 수 있다. 작업 단위의 투명한 평가, 지연 시간 범위, 비용 데이터가 없다면 구매자는 아직 Fugu의 아키텍처가 실질적인 이점을 주는지, 아니면 주로 개념적인 것인지 판단하기 어렵다.

Nemotron의 단독 성능에 대한 증거도 일부는 간접적이다. The Decoder는 Nemotron 3 Ultra의 순위 맥락으로 Artificial Analysis를 인용하지만, 이런 순위가 Fugu 내에서의 더 나은 성능을 직접 증명하는 것은 아니다. 강력한 구성 요소 모델이 곧 강력한 오케스트레이션 시스템으로 이어지는 것은 아니다. 라우터, 분해 전략, 합성 품질이 그만큼 중요하기 때문이다.

빌더와 기업 팀에 주는 의미

빌더에게 Sakana AI와 Nvidia의 조합은 오케스트레이션이 더 이상 숨겨진 내부 기술이 아니라 제품 카테고리가 되고 있다는 신호다. 코딩 어시스턴트, 문서 워크플로, AI 에이전트를 만드는 팀은 라우팅, 모델 선택, 합성을 하나의 API 계층으로 묶는 공급자를 더 많이 보게 될 수 있다.

이는 실험을 단순화할 수 있다. 제품 팀은 Nemotron 3 Nano Omni가 멀티모달 추출을 개선하는지, 반면 다른 모델이 여전히 최고의 생성기인지, 혹은 Nemotron 3 Ultra가 더 비싼 프런티어 옵션보다 도구 사용이 많은 요청을 더 안정적으로 처리하는지 테스트할 수 있다. 원칙적으로 Fugu는 애플리케이션 계층을 매번 다시 만들지 않고도 이런 조합을 바꿀 수 있게 해줄 수 있다.

엔터프라이즈 AI 구매자에게 매력은 복원력과 조달 유연성이다. 오케스트레이션 계층은 공급자 노출을 분산시키고, 한 공급자가 조건을 바꾸거나 품질이 떨어지거나 특정 지역에서 사용할 수 없게 될 때 폴백 경로를 만들 수 있다. 하지만 운영상의 단점은 이런 시스템을 평가하기가 더 어렵다는 점이다. 구매자는 벤치마크 품질뿐 아니라, 지연 시간 범위, 비용 예측 가능성, 관찰 가능성, 그리고 혼합 모델 체인 전반의 정책 통제에 대한 증거도 필요하다.

시장 측면에서는, 오픈 모델이 더 이상 단순히 저렴한 대체재로만 포지셔닝되지 않는다는 또 하나의 신호다. Sakana AI는 오픈 구성 요소가 지능적으로 결합되면 더 전략적이 될 수 있다고 주장한다. 이것이 성립하는지는 집단 지성에 대한 철학적 주장보다 측정 가능한 생산 성능에 달려 있다.

다음에 주목할 점

가장 먼저 볼 것은 Nvidia Nemotron 통합이 출시된 뒤 Sakana AI가 구체적인 평가 데이터를 공개하는지 여부다. 유용한 신호는 작업별 승률, 지연 시간 비교, 단일 모델 기준 대비 비용 트레이드오프일 것이다.

둘째, Sakana AI가 Nemotron 3 Nano Omni를 사용해 더 많은 멀티모달 및 에이전틱 워크로드, 특히 문서 처리와 컴퓨터 사용 에이전트 지원을 확장하는지 지켜봐야 한다. 이런 사용 사례는 Fugu가 단순히 텍스트 프롬프트를 라우팅하는 것 이상을 할 수 있는지 시험하게 될 것이다.

셋째, 독립적인 테스트가 중요하다. 속도와 비용에 대한 이전 비판 때문에 외부 리뷰어들은 Fugu의 아키텍처가 실제 이득을 만드는지, 아니면 오케스트레이션 오버헤드가 과도한지에 집중할 가능성이 높다.

마지막으로 Nvidia가 이 관계를 더 깊게 가져가거나, 비슷한 협력을 다른 곳에서도 활용하는지 지켜볼 필요가 있다. Nemotron이 오케스트레이션 제품 안에서 흔한 전문가 계층이 된다면, Nvidia의 역할은 단순한 모델 제작자를 넘어 더 넓은 엔터프라이즈 AI 스택의 공급자로도 강화될 것이다.

Creati.ai 관점

Sakana AI는 진지한 전략적 베팅을 하고 있다. 시간이 지날수록 어떤 개별 모델보다 오케스트레이션 계층이 더 중요해질 것이라는 베팅이다. 이는 특히 엔터프라이즈 AI에서 설득력 있는 방향이다. 여기서는 절대적인 벤치마크 1위보다 신뢰성, 비용 통제, 벤더 다변화가 더 중요한 경우가 많다. Fugu가 혼합 모델의 복잡성을 관측 가능한 품질 향상이 있는 깔끔한 API로 바꿀 수 있다면, Sakana AI는 스택의 중요한 일부를 차지할 수 있다.

하지만 회사는 아직 그것이 개념적으로만이 아니라 경제적으로도 작동함을 증명해야 한다. Nvidia Nemotron이 실제 워크플로에서 Fugu를 어떻게 개선하는지에 대한 투명한 데이터를 Sakana AI가 공개하기 전까지, 이 이야기는 입증된 시장 성과보다 아키텍처와 포지셔닝에 더 가깝다. 다만 지금 시점에서 이 뉴스가 중요한 이유는 경쟁의 방향을 보여주기 때문이다. 단일 모델 비교에서 벗어나, 많은 모델을 하나의 신뢰할 수 있는 제품처럼 행동하게 만들려는 오케스트레이션된 시스템으로 이동하고 있다.