Sakana AI lança Fugu-Cyber: modelo de orquestração para cibersegurança atinge 86,9% no CyberGym

O que é o Fugu-Cyber

A Sakana AI, laboratório japonês conhecido por sua pesquisa em sistemas evolutivos e modelos de orquestração, acaba de lançar o Fugu-Cyber (ID fugu-cyber-v1.0), um modelo especializado em cibersegurança que expande a família Fugu de orquestração. Não se trata de um novo modelo de fronteira independente, mas de um terceiro endpoint no orquestrador Fugu — lançado há cerca de um mês — agora ajustado para raciocínio de segurança.

A Sakana reporta 86,9% de taxa de acerto no benchmark CyberGym e 72,1% no CTI-REALM. A empresa posiciona esses resultados como comparáveis a modelos de fronteira focados em cibersegurança, como o GPT-5.5-Cyber da OpenAI e o Claude Mythos Preview da Anthropic.

O que os dois benchmarks realmente medem

Os dois testes representam extremos opostos de um fluxo de trabalho de segurança:

• CyberGym (UC Berkeley): 1.507 vulnerabilidades reais distribuídas em 188 projetos do OSS-Fuzz. O agente recebe a descrição de uma vulnerabilidade e um código-fonte sem patch. Precisa escrever uma prova de conceito (PoC) que execute com sucesso na versão pré-correção, mas falhe na versão pós-correção. Essa etapa de verificação é o que torna o benchmark difícil de manipular artificialmente.
• CTI-REALM (Microsoft): benchmark open-source de engenharia de detecção com 37 relatórios públicos de ameaças de fontes como Datadog Security Labs, Palo Alto Networks e Splunk. O agente precisa mapear técnicas MITRE ATT&CK, explorar telemetria, iterar em consultas KQL e gerar regras Sigma validadas. A pontuação cobre endpoints Linux, Azure Kubernetes Service e nuvem Azure.

Juntos, os dois benchmarks cobrem todo o espectro: “encontre e comprove o bug” e “transforme inteligência de ameaças em detecção automatizada”. Esse enquadramento é o aspecto mais sólido do anúncio.

Onde 86,9% se posiciona no mercado

O contexto é mais importante que o número isolado. Quando os pesquisadores do CyberGym publicaram os primeiros resultados, o melhor pareamento agente-modelo atingia cerca de 20%. A Anthropic reportou 83,1% para o Claude Mythos Preview sob o Project Glasswing em abril de 2026. A OpenAI reportou 85,6% para o GPT-5.5-Cyber atualizado. Os 86,9% da Sakana representam, portanto, um pequeno passo além da fronteira reportada — não um salto.

No CTI-REALM, a história é diferente. A própria avaliação da Microsoft colocou as três melhores configurações (todas usando Claude) em uma faixa de 0,624 a 0,685. Os 72,1% do Fugu-Cyber ficariam acima dessa faixa. Uma ressalva importante: o CTI-REALM é pontuado como recompensa de trajetória entre 0 e 1 — não é uma taxa de aprovação/reprovação. A Sakana chama de “taxa de sucesso” mesmo assim.

Por que isso importa agora

O Fugu-Cyber representa uma tendência importante: modelos de orquestração especializados por domínio. Em vez de treinar um LLM geral para fazer tudo — incluindo tarefas de segurança que exigem precisão e verificabilidade — a abordagem da Sakana é ter um orquestrador que roteia tarefas para o endpoint mais adequado. É uma arquitetura mais modular e potencialmente mais auditável do que depender de um único modelo monolítico.

Para equipes de segurança no Brasil, isso sinaliza que ferramentas de automação de detecção e resposta a vulnerabilidades estão se tornando mais acessíveis. O fato de ser um modelo que roda via API (não é necessário infraestrutura própria) reduz a barreira de entrada.

Limitações e o que ainda não sabemos

A Sakana não publicou o harness de avaliação do Fugu-Cyber, o nível de dificuldade das tarefas nem a quantidade de testes executados. Sem esses dados, a comparabilidade com GPT-5.5-Cyber e Claude Mythos Preview é limitada — os números podem refletir condições de teste diferentes. Além disso, benchmarks de cibersegurança são notoriamente sensíveis à distribuição de tarefas: um modelo pode performar bem em vulnerabilidades de buffer overflow em C e mal em injeção de SQL, dependendo da composição do dataset.

Também não está claro se o Fugu-Cyber opera como um agente autônomo (escrevendo e executando código) ou se requer supervisão humana no loop. Para uso em produção, essa distinção é crítica.