En el mundo de la inteligencia artificial, la tendencia suele ser «cuanto más grande, mejor». Sin embargo, el laboratorio japonés Sakana AI está desafiando esta idea con un enfoque radicalmente distinto: en lugar de entrenar modelos masivos, ¿qué pasaría si usamos un modelo pequeño pero extremadamente inteligente para orquestar a los mejores modelos actuales?.

Esta es la premisa detrás de Fugu y Fugu Ultra, dos orquestadores que están demostrando que la unión (bien dirigida) hace la fuerza.

¿Por qué orquestar en lugar de entrenar?

La realidad es que no existe un modelo que sea perfecto en todo. Incluso los modelos más potentes fallan en tareas donde otros, quizás menos conocidos, aciertan. Un orquestador actúa como un director de orquesta que decide a qué modelo «SOTA» (State of the Art) enviarle cada tarea específica, logrando resultados que superan incluso a los modelos individuales que utiliza.

Fugu y el sistema Trinity: El poder de los roles

El modelo Fugu se basa en el paper Trinity. Su funcionamiento es fascinante:

• Cerebro pequeño: Utiliza un modelo base Qwen-3 de solo 600 millones de parámetros.
• Arquitectura «Frankenstein»: Los ingenieros modificaron el modelo conectando una red neuronal propia a su penúltima capa para decidir dos cosas: qué modelo usar y qué rol asignarle.
• Tres Roles Clave: El sistema asigna tareas de Planificador, Ejecutor o Verificador en un bucle continuo hasta que la tarea se completa correctamente o se alcanza un límite de tokens.

Fugu Ultra y Conductor: Flujos agénticos complejos

Por otro lado, Fugu Ultra (basado en el paper Conductor) lleva la orquestación al siguiente nivel:

• Mayor capacidad: Utiliza un modelo Qwen-2.5 de 7.000 millones de parámetros entrenado con aprendizaje por refuerzo.
• Flujos dinámicos: Puede dividir una tarea en subtareas, definir prompts específicos para cada una y decidir qué información pasar entre modelos, permitiendo incluso flujos en paralelo.
• Control de costes: Una ventaja clave es que se le puede pasar un listado de modelos disponibles en el prompt, permitiendo optimizar el gasto según la necesidad.

No todo es perfecto

A pesar de sus ventajas, este enfoque conlleva desventajas:

1. Latencia: Al añadir una capa extra de decisión y procesos en bucle, el tiempo de respuesta aumenta.
2. Coste: El uso de más tokens y múltiples modelos puede encarecer el proceso, aunque una buena selección de modelos podría compensarlo.
3. Mantenimiento: Sakana AI debe reentrenar sus orquestadores constantemente cada vez que sale un nuevo modelo al mercado para que este pueda ser integrado.

El futuro: Especialización sobre tamaño

El desarrollo de estos orquestadores abre la puerta a un nuevo paradigma: en lugar de buscar una IA que lo sepa todo, podríamos avanzar hacia IAs muy especializadas y pequeñas coordinadas por orquestadores expertos. Aunque los grandes modelos seguirán existiendo, este sistema ofrece una flexibilidad y una eficiencia que promete cambiar las reglas del juego.