Sakana AI 發布 Fugu-Cyber 更新整合多 Agent 系統

Sakana AI 發布 Fugu-Cyber 更新整合多 Agent 系統。 核心功能與效能 Sakana AI 推出的「Fugu-Cyber」是其「Fugu」編排模型的最新版本，專為處理現代網路安全防禦的複雜性而設計。該模型採用多 Agent 系統架構，使用者僅需呼叫單一 API 端點，系統即可動態排程並協調多個專業 Agent 來執行複雜的任務，無需受限於單一供應商。 效能表現：在業界指標性安全基準測試中達到頂尖水準，於「CyberGym」取得 86.9% 成功率，於「CTI-REALM」取得 72.1% 成功率，表現與「GPT-5.5-Cyber」及「Mythos-Preview」等同級模型相當。 應用場景：擅長分析複雜程式庫以驗證真實漏洞，並能將原始威脅情報轉化為具體的偵測規則。 Fugu-Cyber 在 CyberGym 與 CTI-REALM 安全基準測試中分別獲得 86.9 與 72.1 的高分，展現出媲美並超越 GPT-5.5-Cyber 及 Mythos Preview 等尖端安全模型的優異性能。 企業部署觀點 Sakana AI 強調，單純擁有強大的模型 API 並不足以解決企業安全問題。針對近期業界對 frontier 模型網路能力的過度炒作，Sakana AI 引用《日本經濟新聞》（Nikkei）的報導指出，大型組織若缺乏內部專業人才與對自有程式碼的深度整合，即便使用如「Mythos」等頂尖模型也難以有效運作。 實務挑戰：原始模型在孤立部署下容易產生誤報，且難以理解生產環境的細微差異。 解決方案：真正的企業防禦需要將模型與專門針對網路安全的 sub-agents 進行排程，並結合「human-in-the-loop」流程，由人類專家確認漏洞是否會在真實環境中觸發。 這是一個以紅色線條勾勒出河豚造型並標註「fugu-cyber」字樣的品牌標誌。 技術架構與使用限制 「Fugu-Cyber」的技術基礎源自 ICLR 2026 發表的「TRINITY」與「Conductor」研究，強調透過學習而非人工設計來組裝與協調 Agent。 存取方式：該模型現已於 sakana.ai/fugu 提供 API 端點。 安全審查：由於涉及敏感安全工作流，Sakana AI 採取嚴格的負責任部署政策。使用者需透過「Token Plan」申請存取權限，並提交具體的應用案例與驗證過的聯絡資訊，經由團隊人工審核通過後方可使用。 Sakana AI 的 Applied Enterprise 團隊目前正與多家大型日本機構合作，協助其建立專屬的 harness 與工作流，將「Fugu-Cyber」安全地導入生產環境，以實現自動化漏洞驗證等關鍵任務。 原文：https://easyvibecoding.app/curated/2603-sakana-ai-updates-fugu-cyber-multi-agent