Sakana AI 的編排模型「Fugu」把多個 AI 整合在單一 API 之下，如今再新增一個專為網路防禦打造的端點，也就是 2026 年 7 月 21 日公開的「Fugu-Cyber」。在資安領域的主要基準測試中，它的分數超越 GPT-5.5-Cyber 與 Mythos-Preview 等前沿模型。使用前必須提出申請並通過審核，收費採用按量計價的 Token 方案。
把多個模型當成一個模型來使用
Fugu-Cyber 的基礎，是 Fugu 從一開始就採用的多代理編排思路。底層運作著分工不同的多個代理，但開發者面對的只有一個端點。請求送出後，系統會依照任務內容挑選合適的代理組合，推進橫跨多道工序的作業。
這樣的結構還有效能之外的用意。若把業務完全交給某一家廠商的單一模型，價格調整、服務終止或效能波動都會直接轉為經營風險。Fugu 在內部靈活調度多個模型，正是為了稀釋這種依賴。Fugu-Cyber 保留了這項特性，同時針對當代網路防禦的複雜度重新整理了內部設計。
兩項基準測試皆勝過前沿模型
數字相當清楚。在衡量實際漏洞驗證能力的 CyberGym 上，Fugu-Cyber 取得 86.9%。同一項指標中，GPT-5.5-Cyber 為 85.6%、Mythos-Preview 為 83.1%。在檢視能否把原始威脅情資報告轉換成可用偵測規則的 CTI-REALM 上，Fugu-Cyber 為 72.1%，高於 GPT-5.5-Cyber 的 67.3% 與 Mythos-Preview 的 68.5%。
這兩項測試看的是企業防禦的不同面向。CyberGym 問的是能否讀懂龐大又盤根錯節的程式碼庫，確認其中是否真有成立的缺陷；CTI-REALM 則衡量能否把外部湧入的零散威脅資訊，翻譯成自家監控基礎架構可用的形式。兩者的組合，正對應防守方工作中讀程式碼與把情資落實到營運的兩條主線。
基準分數只是起點
耐人尋味的是，Sakana AI 自己就點明了分數的侷限。該公司指出，圍繞前沿模型網路能力的討論過熱，並對「只要取得強大模型，企業資安問題就會自行解決」這種說法提出警告。
其依據是包含大型金融機構在內的大規模組織實況。即使手上握有具備最先進能力的模型，若內部沒有專業人才，也未與自家專有程式碼深度整合，就無法真正挖出並修補現實中的漏洞。該公司表示，在與日本大型企業合作的過程中，也多次撞上同一道牆。
單獨運作的原始模型會產生誤判，因為它並不了解正式環境的細節，就逕自舉手說「這裡可能有漏洞」。因此 Sakana AI 強調這樣的流程：發現可疑之處後，由資安方向的子代理進行驗證，再經人工確認，判定它在真實環境中確實會觸發之後，才進入修補方案的階段。模型是強大的零件，而不是解決方案本身。
採申請制，並更新了濫用防範政策
Fugu-Cyber 的 API 以 Token 方案提供。不過並非人人都能立即呼叫，使用者必須提交載明使用目的與可驗證聯絡方式的申請表，由該公司團隊逐件審核並核准。可接受使用政策也已更新，明確禁止用於攻擊性用途。
攻防技術本就一脈相承，為防禦磨得越利的模型，轉手用於攻擊也越順手。手續的繁複，正是這一點的另一面。若要在實務上考慮這套 API，得先把能夠通過審核的具體營運樣貌想清楚。
總結
Fugu-Cyber 是 Sakana AI 的新 API 端點，在保留多模型編排機制的同時專攻網路防禦。它在 CyberGym 取得 86.9%、在 CTI-REALM 取得 72.1%，成績超越競爭對手的前沿模型。不過該公司強調的並非分數本身，而是一條務實的界線：唯有搭配專業人才與驗證機制，這項技術才能在現場發揮作用。對考慮導入的一方而言，如何建立內部營運體制，與選擇哪個模型同樣重要。
