Sakana AI发布了Fugu-Cyber，这是其Fugu编排模型的网络安全专用版本，将多智能体系统呈现为单一API端点。7月21日的发布之所以引人注目，与其说是因为其基准测试分数（与大型实验室的专用网络安全模型相当），不如说是因为它对应用AI价值积累之处提出的结构性论点。
Fugu-Cyber并非独立模型。它位于Sakana现有Fugu编排器之上，后者将任务路由到动态的专业子智能体池中。编排器根据任务将角色（思考者、工作者、验证者）分配给不同的智能体，而Sakana认为正是验证层使该系统适用于安全工作。一个智能体发现的候选漏洞在交付任何建议之前会由安全专业子智能体进行验证。
该公司报告称，在UC Berkeley的CyberGym基准测试中成功率达86.9%，该基准测试评估模型分析来自开源项目的1,507个测试用例中真实世界漏洞的能力。在衡量模型将原始威胁情报转化为有效检测规则能力的CTI-REALM上，Fugu-Cyber得分72.1%。Sakana称这些结果与来自较大前沿实验室的专用网络安全变体GPT-5.5-Cyber和Claude Mythos Preview相当。
但Sakana自身的表态在设定预期方面十分谨慎。该公司明确警告不要将前沿模型（包括其自有模型）视为交钥匙安全解决方案。该公司引用的一份近期报告发现，日本主要金融机构即使在没有专业内部人才和深度整合到现有安全基础设施的情况下，也难以将最先进的AI模型投入运营。该论点认为，孤立部署的原始模型往往会产生误报，并且无法理解实时生产环境的上下文。
Fugu-Cyber采用门控访问：潜在用户必须提交描述其预期用例的申请，每份申请都经过人工审核。该模型在更新后的可接受使用政策下运行，禁止攻击性滥用。计费通过独立于Sakana标准订阅层级的Token Plan进行，在欧盟和欧洲经济区，API暂不可用，因为该公司正在努力实现GDPR合规。
对企业安全团队的实际意义在于，Fugu-Cyber被定位为更大工作流程中的一个组件，而非人类分析师的替代品。Sakana的应用企业团队构建集成框架和验证管道，将模型的推理能力连接到组织现有的安全运营中。
更广泛的模式与在多个AI领域可见的转变一致：随着前沿模型能力的趋同，竞争优势的单位正在从原始模型访问迁移到构建于其上的编排、验证和领域特定集成层。Fugu-Cyber是该论点应用于网络安全的一个具体实例。
婷 翻译
来源：Introducing Fugu-Cyber（Sakana AI，2026年7月21日）；Sakana AI Releases Fugu-Cyber（MarkTechPost，2026年7月25日）；Sakana AI’s Fugu-Cyber Positions Orchestration as Enterprise Security Moat（FourWeekMBA，2026年7月21日）