Sakana发布Fugu-Cyber：面向网络安全的编排模型

专为安全推理设计的编排端点

Sakana AI于2026年7月21日正式发布Fugu-Cyber（模型ID：fugu-cyber-v1.0），这是其Fugu智能体编排系列中首个面向网络安全垂直领域的专用端点。它并非独立的基础大模型，而是Fugu编排器的第三个任务导向型终点——前两个端点分别面向通用任务与超长上下文处理（Fugu-Ultra）。Fugu编排器本身于一个月前上线，而Fugu-Cyber是其首次在专业领域落地的延伸。

双基准测试表现：覆盖漏洞发现与威胁检测全流程

Sakana报告Fugu-Cyber在两项权威安全评测中取得86.9%（CyberGym）和72.1%（CTI-REALM）的成绩。这两项基准分别代表网络安全工作流的两端：

CyberGym由加州大学伯克利分校构建，涵盖188个OSS-Fuzz开源项目中的1507个真实漏洞。测试要求智能体根据漏洞描述与未修复代码库，生成可复现崩溃的PoC——且该PoC必须在补丁前版本触发崩溃、在补丁后版本不再触发，这一双重验证机制极大提升了作弊难度。

CTI-REALM由微软开源，聚焦检测工程能力。其数据集包含Datadog Security Labs、Palo Alto Networks及Splunk等机构发布的37份公开威胁报告。智能体需完成MITRE ATT&CK技术映射、遥测数据分析、KQL查询迭代，并输出经验证的Sigma规则，评分覆盖Linux终端、Azure Kubernetes Service及Azure云环境。

Sakana强调，二者共同构成“发现并验证漏洞”到“将情报转化为检测能力”的完整闭环，这也是本次发布最具说服力的技术定位。

相对性能：小幅领先，非颠覆性突破

在CyberGym上，86.9%的成绩略高于OpenAI报告的GPT-5.5-Cyber（85.6%）与Anthropic的Claude Mythos Preview（83.1%），但远高于该基准早期最佳结果（约20%），属渐进式提升。CTI-REALM则不同：微软自身评估显示，当前最优配置（均为Claude系列）得分区间为0.624–0.685；Fugu-Cyber的72.1%（即0.721）确处其上。需注意，CTI-REALM采用0–1连续轨迹奖励分制，而非二元通过率，但Sakana在宣传中统一表述为“成功率”。

编排机制：动态角色分工与安全验证闭环

Fugu本身是一个语言模型，核心能力是实时解析用户请求并动态构建智能体工作流（agentic scaffold），再将子任务分发至专用模型池。该架构已在Fugu技术报告及两篇ICLR 2026论文（TRINITY与The Conductor）中详细阐述：TRINITY定义Thinker（推理）、Worker（执行）、Verifier（验证）三类角色，由多个LLM协同承担；The Conductor则通过强化学习习得自然语言协调策略。在安全场景中，Sakana特别强调Verifier角色的关键性——任一代理发现的潜在漏洞，均须经安全专项子代理交叉验证后，才进入修复建议阶段。具体模型路由逻辑属商业机密，未对外公开。

访问与商业化策略：严格管控、定价透明

Fugu-Cyber实行四重准入限制：需提交用途说明与实名联系方式，由Sakana团队人工审核；适用更新后的《可接受使用政策》，明确禁止攻击性滥用；仅支持Token Plan订阅模式（$20/$100/$200档位仅覆盖Fugu与Fugu-Ultra，不含Fugu-Cyber）；暂不向欧盟及欧洲经济区（EEA）提供API服务，直至达成GDPR合规。定价为：每百万输入token $6、输出token $36、缓存输入$0.60；当上下文超272K token时，三项费率均翻倍。所有价格均为Fugu-Ultra对应费率的1.2倍，即固定20%安全端点溢价。由于长代码库分析极易突破272K token阈值，该高价档位并非边缘情况。

核心结论

Fugu-Cyber是编排框架的垂直化端点，非全新基础模型；其86.9%与72.1%成绩为Sakana自测结果，尚未被第三方复现；性能小幅领先同类模型；访问受人工审核、用途约束、区域限制与专属计费模式多重管控；Sakana明确主张：高能力API必须与人类安全专家协同，方能发挥最大价值。

编者观点：Fugu-Cyber凸显AI智能体在专业领域落地的新范式——不追求单一大模型参数规模，而以架构化编排+领域验证闭环提升实效。对中国安全厂商而言，与其追逐通用大模型军备竞赛，不如聚焦垂直场景的智能体工作流设计与人机协同机制建设。