Sakana AI

【採用情報】人事・組織づくりのポジションを2つ公開しました🎣 ・労務スペシャリスト / Labor & HR Operations Specialist： t.co/fVsuP5DLAj ・Head of Talent Management (Applied)： t.co/0T60lIsXwY 約150名まで拡大したSakana AIで、働く基盤と成長の仕組みそのものをつくるポジションです。 ・労務スペシャリスト（Corporate）：給与計算・社会保険・勤怠・就業規則の運用と、制度そのものの設計・改善 ・Head of Talent Management（Applied Team）：評価・報酬・育成・エンゲージメントの設計と運用 制度を「作って終わり」にせず磨き続けたい方、ぜひご応募ください🐟

【PyCon JP 出展 ＆ Sakana AI Dineer Meetup開催】 Sakana AIはPyCon JP 2026のスポンサーとして協賛し、ブースを出展します🐡 当日はSakana AIの最新の取り組みをご紹介するほか、特別企画として8/22（土） 19時からDineer Meetupも開催いたします！ ブースへの立ち寄り、Meetupへのご参加を心よりお待ちしております🚀 Meetupの詳細は下記リンクをご覧ください。 t.co/SOxktmgTdJ #pyconjp2026

Sakana Marlinは自律的に数時間考え続け、リサーチを行います。 それを可能にしたのは、NeurIPS 2025にspotlight採択されたAB-MCTS。 Natureに掲載されたAI Scientist。 Sakana AIの研究成果が、Sakana Marlinの自律推論を支えています。 sakana.ai/marlin/ 🐟

Vídeo

Virtual CSO「Sakana Marlin」を活用したリサーチプロジェクト「Marlin Insights」がスタート🐟 初回のテーマは「ホルムズ海峡危機の行方」です。 軍事力で圧倒しているはずの米国はなぜ出口を失ったのか。封鎖が長引く3つの構造的要因と今後のシナリオを分析しました⬇️ sakana.ai/marlin/insight…

大和証券との共同AIプロジェクトが本格開発フェーズへ移行します。 t.co/O9lCoa6Idc マーケット情報の収集・分析に関する技術検証を通じて有用性を確認できたため、ウェルスマネジメント業務支援AIの本番開発を開始します。 Sakana AIのAIエージェント技術を活用し、お客さまと向き合う時間 の創出とコンサルティング品質のさらなる向上を支援していきます。

@daiwa_jp Sakana AI、大和証券グループとの共同AIプロジェクトを本格展開フェーズへ移行　ウェルスマネジメント業務支援AIの開発を開始 sakana.ai/daiwa-shoken-f…

Sakana AIは、今月より一般社団法人AIロボット協会（AIRoA）の正会員になりました。 RSI Labの取り組みの一環として、@airoa_jpと協働しながら、世界モデルやPhysical AIの研究開発を進めていきます。 airoa.org/ja/members-ja/ 🐟

Sakana AIのRSI Labについてはこちらをご参照ください。 sakana.ai/rsi-lab-jp/ 🚀

Introducing Sakana Namazu: An LLM API with Japanese-vibes! Today we’re rolling out an upgraded version of our LLM, Namazu, now available as an API. Try Sakana Namazu API: sakana.ai/namazu 🐟 x.com/SakanaAILabs/s…

Sakana Namazu is Sakana AI's Japanese-focused LLM API. Blog post: sakana.ai/namazu-api#Eng… Built on Kimi, it's been fine-tuned on our own datasets for Japanese language, culture, and business contexts, with additional tuning to reduce unnecessary refusals and bias in outputs.

🐟 Sakana Namazu API 公開 🐟 本日、Sakana AIは大規模言語モデル「Namazu」をアップデートし、API「Sakana Namazu（サカナ・ナマズ）」として提供を開始しました。 Sakana Namazu API: sakana.ai/namazu 🐟

GIF

Sakana Namazuは、Sakana AIが提供する日本語特化のLLM APIです。 オープンモデルをベースに、社内独自のデータで日本語と日本の業務文脈への適合を進め、加えて、特定の話題での応答回避や出力の偏りを抑えるチューニングを施しました。 ブログはこちら：sakana.ai/namazu-api 🐟

We've published an interview with Sakana AI's Head of Product Development 🐟 t.co/O5d1f57sii Starting with Sakana Chat in March 2026, Sakana AI has released Sakana Marlin, Sakana Fugu, and Sakana Translate in rapid succession. Why ship products at this pace? And what vision lies beyond it? The interview covers how the product team came into being, and where our AI products and organization go from here. If you aspire to build world-class products from Japan, we invite you to read the full interview 🚀

From Japan, Products the World Will Use: An Interview with Sakana AI's Head of Product Development sakana.ai/product-develo… 🐟

Sakana AIのプロダクト開発責任者へのインタビュー記事を公開しました🐟 t.co/fSmkFC0P9r Sakana AIは2026年3月の「Sakana Chat」を皮切りに、「Sakana Marlin」「Sakana Fugu」「Sakana Translate」とプロダクトを立て続けにリリースしました。なぜこのスピードでプロダクトを世に出すのか 。その先にどんな構想を描いているのか。記事では、プロダクトチーム誕生の経緯から、今後のAIプロダクトと組織のあり方などを語っています。 日本を拠点に世界水準のプロダクトを作ることへ挑戦したい方、ぜひご一読ください🚀

人の文脈や多様性を大切にしながら、日本発で世界を狙う。この挑戦に共感し、一緒に新しいプロダクトをつくり上げたいという方は、ぜひ採用情報ページをご覧ください。 sakana.ai/careers/?categ… 🐟

Sakana AI の防衛・インテリジェンスチーム有志は、公開情報収集・分析のコンペティションである「Diver OSINT CTF 2026」に参加し、850以上の参加チームの中で5位となりました。 本大会では、ドメインエキスパートとエンジニアが協働し、Fugu-ultra 1.1を活用したOSINT分析エージェントを構築して 競技に臨みました。人間の専門知とAIエージェントを組み合わせるアプローチが防衛・安全保障の文脈でも有効であることを示唆する結果となりました。 競技を通じて得られた知見をもとに、エージェントを実務向けにさらに改善し、日本の防衛・インテリジェンスへの貢献につなげてまいります。

Sakana AIの最新情報を届けるニュースレター「Sakana AI Insider」がスタート🐟 ・プロダクトのリリース情報 ・研究開発のアップデート ・Swagプレゼントやイベントの優先案内 など、盛りだくさんの内容をお届けします（月1〜2回）。 購読はこちらのフォームから forms.gle/vzjVTFQzCVKBNg… 🎣

Sakana AI Insider登録フォーム🐟🐠🐡 forms.gle/vzjVTFQzCVKBNg…

We are excited to share our latest work, together with @nyuniversity: "Dream-Cubed: Controllable Generative Modeling in Minecraft by Training on Billions of Cubes." Blog: t.co/dASGUTAPIY Paper: t.co/EQbWkWgztP Code: t.co/QQBh2HmF6i Generative AI has made incredible progress in language modeling, far beyond other modalities, where words and tokens offer a natural compositional unit for scalable training. This is similar to Minecraft and many other popular video games, where developers rely on cubes, tiles, and other discrete primitives to build rich, interactive worlds. In this work, we show that using cubes as tokens allows large transformers to do the same. Our contribution is two-fold: 1/ We release Dream-Cubed to the research community, a large-scale dataset of Minecraft worlds designed for generative modeling. Our data comprises tens of billions of carefully-balanced cubes from procedurally generated Minecraft terrain and high-quality human-authored maps (obtained with the authors' consent). 2/ We use our data to train a family of powerful transformers for efficient generation of interactive 3D environments at cube resolution. We show how our models allow players to mold the world around them by generating structures, terrain, and maps that are immediately editable and playable. Using high-quality data, we demonstrate that these models can be successfully trained with different training objectives, including both continuous and discrete diffusion, unlocking targeted inpainting, large-scale outpainting, and user-conditioned generation of infinitely sized worlds with fine-grained block-level control.

GIF

Dream-Cubed: Controllable Generative Modeling in Minecraft by Training on Billions of Cubes arxiv.org/abs/2604.22847

【採用情報】サイバーセキュリティ事業を推進するProject Managerのポジションを公開🐟️ ・Business Role (Project Manager, Cybersecurity, Finance)： t.co/uHCRjMgdKa ・Business Role (Project Manager, Cybersecurity, Defense)： t.co/WndraPcyhM 生成AIを活用したサイバーセキュリティ事業を推進するProject Managerを、金融（Finance）と防衛（Defense）の2領域で同時募集します。下記のような挑戦がまっています。 ・金融機関または防衛・政府機関が抱えるサイバーセキュリティ上の難しい課題に対し、AIを活用したソリューションを提案・実行 ・セキュリティエンジニア・AIリサーチャーと議論しながら、提案からデリバリーまでをEnd-to-Endでリード サイバーセキュリティ×AIの最前線で挑戦したい方、ぜひご応募ください🚀

実業之日本フォーラムにて、Sakana AI防衛部門長・佐藤の取材記事が公開されました。 脱・海外依存を目指す独自技術や防衛・安全保障への想いをお話ししています。 ぜひご一読くださいませ。 forum.j-n.co.jp/narrative/9568/

Sakana AIで一緒に働く仲間を募集しています！ ご関心のある方は、ぜひ当社のApplied (Defense) Team特設採用ページをご覧ください。 sakana.ai/applied-career…

創業以来、オープンソースコミュニティから多くを学び、また研究成果の公開を通じてそこに貢献してきました。オープンなエコシステムが健全なAI産業と技術主権を支える重要な基盤の一つであると考えており、その発展を支持します。 このたび、Sakana AIは、オープンウェイトAIモデルに関する公開書簡 「Open Weights and American AI Leadership」に署名しました。 書簡は、オープンウェイトモデルがAIへのアクセス拡大、競争の促進、ユーザーによるコントロール、そして安全性の向上に寄与することを訴えるものです。 PDF：t.co/Etp6p12EFf 全文：t.co/QVU0RK5giu 🐟

Announcing the Claude Code-compatible interface for our new Fugu-Ultra v1.1! 🐡 Put a dynamically coordinated team of frontier models to work inside the coding workflow you already know. Instead of relying on a single model to write, debug, and execute your code, you can now orchestrate a diverse pool of state-of-the-art models directly from your terminal. Put the whole school to work on your next task: t.co/B3LTWK4IEc 🐟

Announcing Fugu-Ultra v1.1 and Claude Code interface for Fugu Release Notes: sakana.ai/fugu-1-1-claud… 🐡

【採用情報】Recruiting Coordinatorのポジションをオープンしました🐟️ t.co/wW9mSCfw8I Sakana AIの採用チームを支えるRecruiting Coordinatorを募集しています。主な役割は下記になります。 ・応募書類の受付、面接・選考日程調整 ・面接前後のフォローアップや内定者対応 ・採用イベントのサポート スタートアップ環境での勤務経験や、英語でのコミュニケーションができる方は特に歓迎いたします。採用活動を支える仕事にご興味のある方、ぜひご応募ください🚀

Career Opportunities sakana.ai/careers/

Announcing Fugu-Ultra v1.1 🐡 We’ve been thrilled by the reception to the Fugu model family. Thanks to everyone who tried it, shared feedback, and trusted Fugu with real work. Today, we’re releasing Fugu-Ultra v1.1 → t.co/hhO6qTawgb Upgraded to incorporate the latest frontier models, resulting in stronger performance across every benchmark shown, including gains of up to 7.9 points over v1.0, with particularly strong results on ProgramBench and Terminal Bench 2.1. Fugu-Ultra v1.1 is more capable across coding, agentic tasks, and advanced reasoning, and available at the same price as Fugu-Ultra v1.0 The frontier keeps moving, and Fugu keeps getting better.

Fugu-Ultra v1.1 Release Notes sakana.ai/fugu-1-1-claud… 🐡

Sakana AI Dinner Meetup in PyCon JP 2026 開催のお知らせ🐟 t.co/ddo0d78a8E PyCon JP 2026参加者向けに、広島でディナーミートアップを開催します。Pythonを使った開発とSakana AIに興味があるエンジニアの皆様のご参加をお待ちしています！ 📅日時: 8/22(土) 19:00 ~ 📍場所: 広島国際会議場 近く ※ 会場のキャパシティの関係上、応募多数の場合は抽選制 広島にて皆様とお会いできるのを楽しみにしています🚀

Sakana AI が @NVIDIA との共同で行った大規模言語モデル内部の計算を削減する研究が、日経デジタルガバナンスにて取り上げられました。 Llion Jonesのコメント（引用）「エヌビディアが持つ...専門知識を共有したことが成功に導く重要な要素になった。」 nikkei.com/prime/digital-… ⚡

拡散言語モデルの協調による推論時スケーリングの実現 #ICML2026 に採択された私たちの論文 ”UnMaskFork: Test-Time Scaling for Masked Diffusion via Deterministic Action Branching” は、複数の拡散言語モデルを協調させることで、コーディングや数学の能力を向上できることを示しました。 一つの問題をLLMに長考させたり、解答の生成や改善を何度も繰り返させたりと、推論時のリソースを活用してLLMの性能を引き上げる「推論時スケーリング」が重要な手法として盛んに研究されています。この技術により、追加学習に頼らず推論時の計算を増やすことでLLMの性能を高められるようになり、用途に応じて計算コストと性能のバランスを柔軟に選ぶことができます。 テキストを前から順に生成する通常のLLMと異なり、近年注目を集めるマスク型拡散言語モデル（MDLM）は、全体がマスクされた状態から徐々にマスクを外しテキストを埋めていくことで文章を完成させます。MDLMは複数の箇所を並列に生成できるため高速化が期待できるほか、文章全体を見渡しながら柔軟に生成できるという特長があり、新しいパラダイムの言語モデルとして盛んに研究されています。我々は、通常のLLMで標準的な「温度を上げてランダム性を高め、多様な解答を何度も生成させる」手法はDream-CoderのようなMDLMではうまく機能しないことを実験により明らかにしました。 私たちの提案するUnMaskFork（UMF）は、このランダム性の代わりに「モデルの切り替え」で多様性を生み出します。複数のMDLMが一つの解答のマスク解除を分担し、どのモデルがどの段階を担当するかの有望な順番をモンテカルロ木探索で探索します。。各モデルは他のモデルの途中経過を引き継ぎ、最も自信のある箇所を埋めていきます。この協調アプローチにより、生成品質を保ったまま多様な解答を探索でき、コーディングのベンチマークで既存の推論時スケーリング手法を一貫して上回り、数学でも計算量に応じた着実な性能向上を示しました。 MDLMの発展においても推論時スケーリングは重要な鍵であり、本研究はMDLM特有の困難をUMFで回避できることを示しました。UMFは追加学習やモデル内部の改変を一切必要とせず、学習済みのモデルを推論時に組み合わせるだけで機能します。そのため、異なるデータや方法で学習された拡散言語モデルの多様性を活用することで、そのまま性能向上へ繋げることができます。今後多様なMDLMが登場するほど、UMFの価値はさらに広がっていくと考えています。 本研究は、複数のLLMを協調させるAB-MCTSやSakana Fuguなど、「AIの集合知」を追求する我々の研究の一環です。今後もモデルの多様性を力に変える研究を進めていきます。UMFの詳細なアルゴリズムや、実際にどのように協調が行われるかなどの具体例はブログや論文をご覧ください。 ブログ: t.co/FZ25e6XCws 論文: t.co/4JC9SYdTyX 🐟

日経クロステックにて、「UnMaskFork」が取り上げられました。 昨今盛り上がる拡散言語モデルへの注目と、複数の拡散言語モデルの集合知を活かして推論時スケーリングを可能にする手法について、わかりやすく解説いただいています。 「論文の筆頭著者であるSakana AIの三崎航氏は今後の研究余地について、「中間表現を渡して、どのモデルに分岐させると良いスコアを生成できるか予測できるようにしたい」と話す。 ... 三崎氏は「推論時スケーリングの手法は古くならない。今後モデルが発展して性能が良くなった時も適用できるためだ」と強調する。拡散言語モデルはまだ研究の途上にある。モデルの発展を下支えする、理論研究の意義は引き続き大きなものになりそうだ。」 t.co/d4AFss9Jk1

Can test-time scaling work for diffusion language models? In our #ICML2026 paper "UnMaskFork," we show that having multiple masked diffusion language models collaborate on a single answer improves performance on coding and math tasks. Blog: t.co/FZ25e6XCws Test-time scaling is an actively researched technique that boosts LLM performance by using inference-time compute, for example, by having a model think longer or repeatedly refine its answers. This allows us to enhance performance simply by increasing computation during inference without relying on additional training, giving us the flexibility to balance compute costs and performance based on the specific use case. Unlike standard LLMs that generate text left-to-right, masked diffusion language models (MDLMs) generate text by gradually filling in a fully masked sequence. MDLMs can generate multiple parts of a sequence in parallel, offering potential speed-ups, and they can generate flexibly while seeing the entire sequence at once. This makes them an actively studied new paradigm in language modeling. We found that the standard LLM approach of "raising the temperature to increase randomness and generate diverse answers" does not work well for MDLMs like Dream-Coder. Instead of relying on this randomness, our proposed method, UnMaskFork (UMF), creates diversity through "model switching." Multiple MDLMs share the task of unmasking a single answer, and we use Monte Carlo Tree Search to search for a promising sequence in which different models handle different stages. Each model picks up where the others left off, filling in the parts it is most confident about. This collaborative approach allows us to explore diverse answers while maintaining generation quality, consistently outperforming existing test-time scaling methods on coding benchmarks and scaling effectively on math as well. Test-time scaling is also crucial for advancing MDLMs, and our work shows that UMF can sidestep the difficulties specific to them. UMF requires no additional training or changes to the models; it works simply by combining pre-trained models at inference time. This allows us to leverage the diversity of diffusion language models trained on different data and with different methods to improve performance. We believe the value of UMF will only grow as more diverse MDLMs emerge. This work is part of our broader research into "collective intelligence of AI," alongside methods like AB-MCTS and Sakana Fugu that have multiple LLMs collaborate. We'll continue pursuing research that turns model diversity into a source of strength. For details of the algorithm and illustrative examples showing how this collaboration works, please see our blog and paper. Paper: t.co/4JC9SYdTyX 🐟

GIF

Introducing Fugu-Cyber: an update to our Fugu orchestration model. It achieves state-of-the-art performance on real-world security benchmarks, matching cyber-focused frontier models like GPT-5.5-Cyber and Mythos Preview. sakana.ai/fugu-cyber-rel… 🐡

Fugu-Cyber is available as a new endpoint at t.co/FxG5zvZ5pb Achieving high scores on a cybersecurity evaluation is only the beginning of the story. What does it actually take to bring frontier AI into enterprise defense? Recently, there has been a lot of fearmongering about the cyber capabilities of frontier models. Much of the industry narrative suggests that simply granting an organization access to a frontier model with cyber capabilities will instantly solve its security challenges. We believe it is time to ground this conversation in reality. As highlighted in a recent Nikkei Digital Governance report, having access to a frontier model like Mythos does not automatically solve enterprise security. Large organizations often struggle to operationalize these tools without specialized internal talent and deep integration into proprietary source code. Successful deployments require human expertise in cybersecurity alongside frontier capabilities. A highly capable API with strong cyber reasoning is an incredibly important piece of the puzzle, but it is not the entire solution. When deployed in isolation, raw models will inevitably generate false positives. True enterprise defense requires orchestrating these models with sub-agents specialized for cybersecurity and human-in-the-loop processes to confirm whether a vulnerability would actually trigger in a real environment. This is the exact challenge Sakana AI’s Applied Enterprise team is solving. We are working closely with major Japanese institutions to build the specialized harnesses required to deploy these models, including Fugu-Cyber, into production safely. Reference: Nikkei Digital Governance report (Japanese) t.co/spEbQWBca0 🛡️

Introducing "Diffusing Blame": can a neural network learn competitively while strictly obeying Dale's principle, the rule that real neurons follow? We show it can, across both image classification and reinforcement learning. 🧠 Accepted at #ALIFE2026 t.co/oSsfRCpvc7 Real neurons generally follow Dale’s principle: each neuron is predominantly excitatory or inhibitory. Standard artificial networks usually ignore this constraint, allowing every unit to mix positive and negative outgoing weights. Backprop makes the gap even wider. Its backward pass needs exact transposed copies of the forward weights, the so-called "weight transport problem,” which biology doesn’t seem to have a mechanism for. So we asked: can a network that strictly enforces Dale's principle still learn well, without weight transport? Our approach builds on Error Diffusion (ED), a local rule that routes a single global error signal directly to every hidden unit, where each layer is split into separate excitatory and inhibitory streams with four non-negative weight matrices, so a synapse's sign comes from fixed population identity rather than a learnable weight. Our main contribution is to extend ED from binary to multi-class problems via modulo error routing. We then asked whether this routing mechanism could provide useful credit signals in the noisy setting of reinforcement learning. During PPO training on Ant, Humanoid, and HalfCheetah, we compared each local ED update with the corresponding true backpropagation gradient. Among the routing schemes we tested, modulo routing consistently produced the strongest alignment. Taken together, these results show that Dale-constrained networks can still learn without transporting weights backward, suggesting a potential path toward learning rules that are both effective and more biologically plausible.

GIF

Here is ED-PPO in action! 🕹️ To test our biologically constrained architecture, we integrated Error Diffusion into PPO. It achieves competitive returns against standard backpropagation across complex locomotion tasks (Ant, HalfCheetah, Humanoid) and open-ended exploration (Craftax). But the most fascinating discovery was an emergent biological property: • Self-Organization: During training, the network's excitatory and inhibitory weights naturally converge from an asymmetric initialization toward a balanced state. • Biological Mirroring: A depth-dependent inhibitory gradient emerges, closely mirroring how real biological cortical circuits mature. This happens all without any explicit balance-enforcing mechanisms!

GIF

東京・八芳園で開催された「NVIDIA Japan AI Ecosystem Reception」に、Sakana AI がブースを出展しました。 多くの方に足を運んでいただき、私たちの技術やプロダクトを直接お伝えする貴重な機会となりました。 お声がけくださった @NVIDIAJapan に、心より感謝申し上げます。

NVIDIAとSakana AI、オープンモデルによるイノベーションのため協業拡大 本日、Sakana AIはNVIDIAとのコラボレーションを強化し、日本発の「集合知」の取り組みを次なるフェーズへ進めることを発表します。 私たちのマルチエージェント・オーケストレーションシステム「Sakana Fugu」に、Nemotronファミリーを含むNVIDIAのオープンモデル群を統合します。 Sakana Fuguは、単一のAPIの裏側で司令塔のように働き、タスクごとに最適なモデルを自動で選び、連携させ、それぞれの強みを一つの答えにまとめ上げます。この仕組みにより、状況に応じて柔軟に対応でき、変化にも強いシステムを目指します。 今回、Sakana Fuguが使えるモデルの選択肢に「NVIDIA Nemotron」を加え、オープンモデルは単体で使うよりもエージェントシステムの中で連携させることで、その真価が大きく発揮されることを実証していきます。 この協業は、両社にとって好ましい循環を生み出します。Sakana Fuguは扱える専門モデルの幅が広がり、NVIDIAは複雑なマルチステップのワークフローの中で自社モデルがどう機能するかを検証できます。こうした実運用から得られる知見が、モデルとオーケストレーションの両面を継続的に磨いていきます。 Sakana AIの日本発の集合知アプローチと、NVIDIAのオープンモデルおよびアクセラレーテッドコンピューティングを掛け合わせ、必要に応じて柔軟に組み替えられ、複数のモデルが協調し合うAIの未来を目指します。 詳細はブログをご覧ください： t.co/bsxjRkux0a 🐟

Sakana AI Teams With NVIDIA to Advance Open Model Innovation from Japan We're announcing the next phase of our collaboration with NVIDIA. We're bringing NVIDIA's open model stack, including the Nemotron family, into Sakana Fugu, our multi-agent orchestration system. t.co/bsxjRkux0a Rather than relying solely on scaling individual monolithic models, our approach focuses on collective intelligence. Sakana Fugu operates as an intelligent orchestrator behind a single API, dynamically selecting, coordinating, and combining the strengths of multiple models for each task. This architecture keeps our system modular, adaptable, and resilient. As a natural next step to expand Fugu's capabilities, we're integrating NVIDIA Nemotron as a specialized agent, complementing the frontier and open models Fugu already orchestrates. Nemotron helps demonstrate how open models become far more useful when orchestrated within agentic systems rather than used in isolation. This collaboration creates a reinforcing cycle. Fugu gains a deeper pool of specialized capabilities, while NVIDIA can evaluate how its models perform when coordinated within complex, multi-step workflows. These real-world signals can continuously improve both the models and the orchestration layer. By combining Sakana AI's Japan-born collective-intelligence approach with NVIDIA's open models and accelerated computing, we aim to shape a future of AI that is modular, collaborative, and open by design.

sakana.ai/nvidia-open-mo…

何百個の立方体が、中央の制御装置を持たないまま、自分たちが形づくる全体の姿を認識し、傷ついた部分を自ら直していく。この研究成果「Smart Cellular Bricks」が、科学誌『Nature Communications』に掲載されました。 日本語ブログ：t.co/gdiB2DFjpH Sakana AIは、一貫して「集合知（collective intelligence）」を主な研究テーマとしてきました。生物の群れや生体組織、あるいは脳のように、中央の制御装置なしに局所的なルールに従う多数の単純な要素から、複雑かつ高度な振る舞いがどのようにして生まれるのか。これまではその原理を主にAIシステムに適用してきましたが、今回は物理的なハードウェアへと発展させました。 「Smart Cellular Bricks」は、単純な立方体状のブリックの集合です。各ブリックは同一の小さなニューラルネットワークを動かし、物理的に接続された隣のブリックとだけ通信します。それぞれのブリックは、自分の位置も、全体がどんな形なのかも知りません。それでも、隣り合うブリック同士のやり取りだけから、集団は自分たちが何の形であるかを言い当て、どこが欠けたり壊れたりしているかを見つけ出し、少しずつ修復していきます。生体組織が損傷後に自己組織化し、再生していく過程から着想を得ています。 私たちにとってこれは、集合知の研究をソフトウェアの外、すなわち物理的な世界へと踏み出す最初の一歩です。通信にノイズが乗り、モジュールが故障することもある環境で、同じ分散的な原理が通用するのかを確かめる試みでもあります。本研究は、コペンハーゲンIT大学、Sakana AI、Autodesk の研究者との共同で行われました。 論文：t.co/4WaZdi5j4c 🐟

集合知を物理世界へ：自らの形状を認識し修復する「Smart Cellular Bricks」 sakana.ai/smart-cellular…

何百個の立方体が、中央の制御装置を持たないまま、自分たちが形づくる全体の姿を認識し、傷ついた部分を自ら直していく。この研究成果「Smart Cellular Bricks」が、科学誌『Nature Communications』に掲載されました。 t.co/gdiB2DFRff Sakana AIは、一貫して「集合知（collective intelligence）」を主な研究テーマとしてきました。生物の群れや生体組織、あるいは脳のように、中央の制御装置なしに局所的なルールに従う多数の単純な要素から、複雑かつ高度な振る舞いがどのようにして生まれるのか。これまではその原理を主にAIシステムに適用してきましたが、今回は物理的なハードウェアへと発展させました。 「Smart Cellular Bricks」は、単純な立方体状のブリックの集合です。各ブリックは同一の小さなニューラルネットワークを動かし、物理的に接続された隣のブリックとだけ通信します。それぞれのブリックは、自分の位置も、全体がどんな形なのかも知りません。それでも、隣り合うブリック同士のやり取りだけから、集団は自分たちが何の形であるかを言い当て、どこが欠けたり壊れたりしているかを見つけ出し、少しずつ修復していきます。生体組織が損傷後に自己組織化し、再生していく過程から着想を得ています。 私たちにとってこれは、集合知の研究をソフトウェアの外、すなわち物理的な世界へと踏み出す最初の一歩です。通信にノイズが乗り、モジュールが故障することもある環境で、同じ分散的な原理が通用するのかを確かめる試みでもあります。本研究は、コペンハーゲンIT大学、Sakana AI、Autodesk の研究者との共同で行われました。 論文：t.co/4WaZdi5QTK 🐟

数週間分の戦略リサーチを、数時間で。 あなたのVirtual CSOとして働く、Sakana Marlin。 最初のテーマを渡してみる： sakana.ai/marlin 🐟

Vídeo

Thank you for trying Sakana Marlin, @audreyt 💪 x.com/audreyt/status…

Ultra Deep Researchを担う、 あなたのVirtual Chief Strategy Officer。 sakana.ai/marlin/

We are pleased to share our latest research, now published in Nature Communications: “Smart Cellular Bricks: Physical Modules That Recognize Their Own Shape and Repair Themselves.” Blog: t.co/FMkbCv8mpP Paper: t.co/rxzbpU3zTu A long-running theme in our work is collective intelligence: the idea that sophisticated, robust behavior can emerge from many simple parts following local rules, with no central controller, as it does in a colony, a tissue, or a brain. We had mostly studied this in software and simulation. So this time we asked a simple question. Do the same decentralized principles hold up in the physical world, where communication is noisy and modules fail? To find out, we built a collection of simple cubic bricks. Each brick runs the same small neural network and talks only to the bricks it is physically connected to. No brick is told its position, or which shape it is part of. Yet from these purely local exchanges, the collective converges on the correct global shape, locates where modules are missing or damaged, and can even guide its own repair, inspired by how living tissue self-organizes and regenerates after injury. For us, this is a first step in a broader direction: taking the principles of collective intelligence we have studied in software and letting them emerge, decentralized and robust, in the physical world. In the future, we imagine smart materials that let structures sense and report damage on their own, and LEGO-like systems that recognize their own configuration and adapt in real time, pointing toward environments that are more robust, adaptive, and regenerative. This work is a collaboration between Sakana AI, IT University of Copenhagen and Autodesk.

GIF

An interesting part of this work is autonomous damage recovery. We trained the cells to not only recognize their shape, but also detect missing neighbors across six spatial directions with 95% accuracy. As shown in the animation, starting from just a small seed cluster, the blocks can repeatedly add new modules in the indicated directions to fully regrow a chair, table, and plane. In simulation, we found this approach scales well to complex, hollow geometries with over 18,000 cubes. It is a practical step toward physical systems that can regenerate themselves after injury.

GIF

VLMは人間のような創造性を持てるか？ ケネス・スタンレー教授らの『目標という幻想（Why Greatness Cannot Be Planned）』は、明確な目標を設定することが、かえって真に偉大な発見を遠ざけてしまうという逆説を論じた書籍です。その議論の中核にあったのが「PicBreeder」の実験でした。 PicBreeder では、ユーザーが「面白い」と感じた画像を選び、それを少しずつ進化させていきます。事前に決められたゴールはなく、人々が「なんとなく良い」と思ったものを選び続けるだけで、顔や動物、乗り物、頭蓋骨といった予期しない形が、何世代もかけて、多くの人の手を経て自然と現れます。スタンレー教授らは、こうした「オープンエンド」、つまり目標をあらかじめ定めない探索こそが人間の創造性の根幹にあると考えたのです。 では、このオープンエンドな探索を、AIは再現できるのでしょうか。 MIT・NYUとの共同研究として発表する「In Search of the Ingredients of Open-Endedness: Replicating Picbreeder with Large Vision-Language Models」では、視覚言語モデル（VLM）エージェントによる再現を試みました。エージェントたちは共有アーカイブを探索し、画像を選んで進化させ、気に入ったものを公開し、他のエージェントの作品を評価します。目標となる画像も「進歩」の定義も与えられていません。 その結果、AIによるオープンエンドな発見の可能性と限界の両方が浮かび上がりました。VLMエージェントは特定の見た目や意味に引き寄せられやすく、既存のアイデアを捨てて予期せぬ何かを探すよりも、手元にあるものを洗練させることに留まりがちでした。一方で、多様な人格を持つエージェント集団を導入すると探索は大きく改善され、生成されたアーカイブの意味的な幅広さは、人間が作ったアーカイブに迫る水準にまで達しました。 しかし、VLMでは届かなかった点もありました。人間は、偶然の産物を持続的な創造へとつなげることに長けています。あるものを見つけたとき、その価値を感じ取り、それを追いかけることで、より大きな概念的飛躍を達成できます。AIエージェントも興味深いパターンに気づくことはできても、そのパターンに囚われてしまう傾向がみられました。 なぜ人間は、本研究のVLMにはできなかったオープンエンドな探索を進められるのか。現在のAIシステムに何が欠けているのか。私たちはまだ十分に理解できていません。ここには、当社が探求するAI駆動型科学研究にも通じる大きな問いが残っています。Sakana AIは今後も、オープンエンドな知性の探求を深めていきます。 ブログ：t.co/qsMwcB3N5D 論文：t.co/QnxVWLzjez 🐟

GIF

The AI Picbreeder Experiment: Can AI agents be creative when nobody tells them what to create? Blog: t.co/qsMwcB3N5D In our new #GECCO2026 paper, "In Search of the Ingredients of Open-Endedness: Replicating Picbreeder with Large Vision-Language Models", in collaboration with MIT and NYU, we revisit Picbreeder, a lost website where people collaboratively evolved images without any predefined objective. Users simply selected images they found interesting, allowing unexpected forms such as faces, animals, vehicles, and skulls to emerge gradually across many generations and many different people. We recreated this process using vision-language model agents. The agents explore a shared archive, choose images to branch from, evolve new candidates, publish their favorites, and evaluate the creations of other agents. There is no target image and no explicit definition of what counts as progress. The results reveal both the promise and current limitations of AI-driven open-ended discovery. Compared with humans, VLM agents tend to keep circling back to the same kinds of images and concepts. They repeatedly select similar parents, make smaller conceptual leaps, and often refine an existing idea rather than abandoning it in search of something genuinely unexpected. However, introducing a diverse population of agent personalities substantially improves exploration. In some runs, diverse agent populations approached or matched the human archive on measures of semantic diversity and produced more balanced evolutionary trees. We also find intriguing evidence that open-ended evolution can produce more robust representations. A skull evolved by the agents changes smoothly when its underlying neural representation is perturbed, less fractured than a skull directly optimized with gradient descent, although still less cleanly disentangled than one evolved collectively by humans. But perhaps the most interesting result is the gap that remains. Humans appear better at turning fortunate accidents into sustained creative discoveries: recognizing when something unexpected is worth pursuing, refining it, and then making a larger conceptual leap. The AI agents often notice interesting patterns too, but are more likely to become trapped in them. We still do not fully understand what enables humans to navigate open-ended search in this way, or what ingredient(s) current AI systems are missing. For now, the results suggest that there remains something important about human creativity that AI agents have not yet learned to reproduce. This paper will be presented at #GECCO2026 and is nominated for a best paper award! Please check out the interactive blog and technical paper for more details! Read our full paper: t.co/QnxVWLzjez 🐟

GIF

This is our attempt to recreate the Picbreeder Experiment (2008) with AI agents: pub.sakana.ai/picbreeder-vlm… Here, we populate an homage to the original site with CPPN-images bred by VLMs over the course of our experiments. All images can be branched, rated, and inspected.

We’re Hiring: Software Engineer (R&D, Infrastructure and Platform Reliability) 🐟 t.co/WqsayV24hg Sakana Fugu, our Multi-Agent System as a Model, launched publicly last month and is growing fast. We’re hiring an engineer to keep Fugu fast, dependable, and cost-efficient at scale. ・GKE, Vertex AI & Terraform on GCP ・AWS services equivalent to GCP services are also appreciated ・Monitoring, incident response & on-call ・High autonomy, working closely with R&D and Product Based in Tokyo. If this sounds like you, we’d love to hear from you 🚀

【採用情報】Data Engineer (Product) のポジションをオープンしました🐟 t.co/AhkYf5DtL1 プロダクトチーム初のデータエンジニアとして、AIが自律的にデータ分析を行うためのデータ基盤をゼロから構築していただくポジションです。 ・データパイプラインの構築・運用 ・プロダクトおよび ビジネス指標のデータモデル設計 ・LLM推論ログなどAI固有データの転送・蓄積 データ基盤の構築に一気通貫でオーナーシップを持ちたい方、ぜひご応募ください🚀

Following the launch of the UN-led “AI for Good Global Commission,” Ren Ito, Co-Founder and Chairman of Sakana AI, attended its inaugural meeting as a Founding Member, highlighting the critical importance of ensuring sustainable and low-cost access to increasingly advanced AI. Sakana AI is committed to leading global problem-solving through AI technologies that leverage the collective intelligence of diverse models, including the orchestration technology featured in Sakana Fugu. 国連主催の「AI for Good グローバル委員会」の立ち上げに伴い、当社の共同創業者・社長の伊藤錬が創設委員として初会合に出席し、高度化するAIへの持続可能かつ低コストなアクセスを確保することの重要性を強調しました。 Sakana AIは、Sakana Fuguで採用したオーケストレーション技術をはじめとする、多様なモデルの集合知を活用したAI技術で世界の課題解決をリードしていきます。

“Model orchestration is in many ways the natural outgrowth of agentic engineering” Huge thanks to @AndrewYNg and @DeepLearningAI for the deep dive into Sakana AI’s Fugu and Fugu-Ultra. The article highlights how dynamic orchestration allows us to achieve near SOTA performance on benchmarks like GPQA-Diamond, LiveCodeBench Pro, and SWE-Bench Pro without being dependent on a single provider. Full article: t.co/wk7Aukwzv1

The full newsletter: deeplearning.ai/the-batch/issu…

Harness EngineeringからRSIへ AI自身がAIをつくり、改善していく──再帰的自己改善（RSI）はどのように実現するのでしょうか。この問いに対して、Thinking Machines Lab 共同創業者の Lilian Weng 氏（@lilianweng）が、モデルを取り巻く実行系＝「ハーネス」の設計こそが現実的な出発点だと論じる ブログ記事を公開しました。RSI周辺の研究が非常によく整理されており、この領域の見取り図として大変おすすめです。 t.co/oWE1yn8dWq Sakana AIからも、以下の研究が事例として取り上げられています。 ・The AI Scientist (Nature 2026): 研究アイデアの提案から実験、論文執筆、査読までを自律的に行うパイプライン ・ShinkaEvolve: サンプル効率を大きく高める仕組みを導入した、LLMによるプログラム進化フレームワーク ・Darwin Gödel Machine: エージェント自身がハーネスコードを書き換え、自己改善していくコーディングエージェント Weng氏は、モデルの重みを直接書き換える形のRSIではなく、まずはハーネスの設計と最適化を突き詰めていくことが実現への近道だと見立てています。同時に、評価の困難さ、多様性の崩壊、報酬ハッキングなど、自己改善ループが構造的に抱える課題も指摘されています。 RSIへの道のりが果たしてこのように進んでいるのかは、まだ誰にもわかりません。Sakana AI のRSI Labも、このエキサイティングな領域の探究を、引き続き進めていきます。 References ・The AI Scientist (Nature 2026)： t.co/nNfpSV4Gga ・ShinkaEvolve： t.co/zoZlH8jl7E ・Darwin Gödel Machine： t.co/EyVpNbfuqg

We released our in-house Japanese, English, and Chinese translation tool, Sakana Translate! Try it→ t.co/qmd2MfVwpR 🐟 • Translate: Handles long text in real time • Proofread: Tone and phrasing refined, with tracked changes • Ask: Nuanced word choices clarified

Why we built Sakana Translate Blog: t.co/cybamqET7F Widely used translation tools often miss the mark exactly where Japanese is hardest. They struggle with the nuance of business honorifics, culturally specific concepts, and internet slang. The grammar comes out right, but the tone gets lost. Sakana AI has been researching post-training techniques built around a deep understanding of Japanese language and culture. Our Namazu model series adapts leading global models specifically for Japanese. We realized this strength shines perfectly in translation. Our concept is to translate Japanese deeply. We are not just swapping words and sentence structures. We are carrying across the exact context, tone, and interpersonal distance behind the text.

🐟️ Sakana Translate公開 🐟️ 本日、Sakana AIはチャットサービス「Sakana Chat」に新機能「Sakana Translate」を追加しました。 日本語・英語・中国語の双方向翻訳に対応します。 Sakana Translateを試す：translate.sakana.ai

GIF

ブログ：sakana.ai/translate-rele… 🐟️Sakana Translateの機能①「翻訳」 長文をそのまま貼り付けるだけ。最大約5,000字に対応し、ストリーミング表示で訳文がリアルタイムに出てきます。 メール、資料、記事、ウェブページなど、日々の業務で発生する「ちょっと長い文章」をそのまま処理できます。

GIF

Bridging Spherical Black-Box Optimizers arxiv.org/abs/2606.25761

Sakana AI is heading to #ICML2026 in Seoul (July 6–11)! 🐟🇰🇷 Our team will present 11 papers spanning multi-agent coordination, sparse and efficient LLMs, test-time scaling, long-term memory, and agent benchmarks. A thread of everything we're presenting:

"Sparser, Faster, Lighter Transformer Language Models" will be presented at #ICML2026 Paper: t.co/3Avj8N8iYO Blog: t.co/SqFkkKvkbd In collaboration with @NVIDIAAI, we introduce TwELL, a new sparse packing format designed to integrate with optimized tiled GPU workloads and develop custom CUDA kernels to accelerate LLM training and inference. We use our kernels to train and benchmark sparse models at billion-parameter scales, demonstrating over 20% speedups and even higher savings in peak memory and energy. x.com/SakanaAILabs/s…

"The next AI race will not be won by whoever builds the best model, but by whoever builds the best systems around it." Read the latest op-ed by our Co-Founder Ren Ito in The Japan News on why Japan is well positioned to lead this next wave. japannews.yomiuri.co.jp/editorial/outs…

Excited to share our paper, “Learning Multi-Agent Coordination via Sheaf-ADMM” to be presented at #ICML2026 Blog: t.co/F5CVepgivO Most AI models process information as one giant, monolithic block. But in nature, intelligence often comes from a group of individuals working together, where each individual only has a limited view of the world. We built a framework called Sheaf-ADMM to study how this kind of collective problem-solving works. We divide a complex task into smaller overlapping pieces, and assign one agent to each piece. To solve the global puzzle, the agents negotiate in three simple steps: 1. Local Guesses: Every agent looks at its limited view and proposes a solution. 2. Finding Common Ground: Agents communicate with their direct neighbors to smooth out conflicts. They do not need to agree on everything, but they must agree on the boundaries where their tasks overlap. 3. Remembering Disagreements: If neighbors cannot agree, they keep a memory of that conflict. This memory forces them to try harder to compromise in the next round. We tested this on problems where no single agent has enough information to succeed alone: • Multi-Agent Sudoku: Each agent sees only a single row, column, or 3x3 box. The framework achieved a 93% solve rate, while a parameter-matched message-passing baseline scored 11%. • Image Classification: When we tested canvas-size domain shifts, a standard CNN dropped to 11% accuracy on MNIST, while our method retained 86%. • Maze Pathfinding: Sheaf-ADMM matches a message-passing baseline’s accuracy while agents communicate over a 5-dimensional channel, 8x smaller than that required of the baseline (42). Traditional message-passing networks hide their reasoning inside opaque hidden states. Our framework makes coordination completely transparent. You can watch exactly how local agents debate, compromise, and eventually reach a global consensus. Sheaf-ADMM draws inspiration from two fields with long histories in distributed consensus: ADMM from distributed optimization, and sheaves from applied topology. We think these perspectives may offer insights for the distributed, multi-agent AI systems increasingly being built today. Read our full paper: t.co/RoOHfekjQE Code: t.co/KDKZRcbuQH

GIF