Orchestration de modèles apprise
Un modèle qui ne fait pas le travail lui-même, il pilote une équipe d'autres modèles experts derrière un seul point d'accès. La répartition des tâches (qui répond, dans quel ordre, comment combiner les réponses) n'est pas codée à la main avec des règles si/sinon, elle est apprise pendant l'entraînement. Sakana AI a popularisé l'idée le 22 juin 2026 avec Sakana Fugu, un modèle d'orchestration construit sur ses recherches Trinity et Conductor (ICLR 2026). Fugu Ultra dépasse les modèles frontière sur SWE-Bench Pro (73,7% contre 69,2% pour Claude Opus 4.8) en orchestrant d'autres modèles plutôt qu'en grossissant. L'image juste : on passe d'un expert unique très fort à une équipe d'experts dirigée par un chef d'orchestre, qui choisit les spécialistes, répartit le travail, vérifie les réponses et fait la synthèse, derrière une API qui se présente comme un seul modèle. Sakana compare aussi Fugu Ultra à Fable 5 et Mythos Preview, d'Anthropic, sur des tests de code, de raisonnement, de science et d'agents, en précisant qu'aucun des deux ne fait partie de l'équipe de Fugu, faute d'être accessibles au public.
Forces
- Déplace la performance de la taille du modèle vers la qualité de coordination
- L'orchestration est apprise, pas une cascade de règles si/sinon à maintenir à la main
- Un seul point d'accès compatible OpenAI, le pool de modèles reste interchangeable derrière
Limites
- Le routage caché crée une dépendance opaque : tu ne sais plus quel modèle a traité ta donnée
- Produit frontière tout neuf, le recul de production manque encore (latence, coût réel, fiabilité dans la durée)
Pour qui
- Un tech lead qui orchestre déjà des équipes d'agents et veut comprendre où va la coordination
- Un PM qui doit arbitrer un budget IA sans croire que seul le plus gros modèle compte