根據 Beating 的監控，Sakana AI 的多代理系統 Fugu Ultra 宣稱在科學推理與程式設計基準測試中擊敗 Anthropic 的 Fable 5，此說法遭到 AI 社群的廣泛質疑。
批評者認為，基準測試分數高度依賴於評估時使用的測試框架。不同的框架實作可能引入 10-20 分的差異，這意味著報告中的性能差距可能反映了系統工程最佳化，而非基礎模型能力的進步。Sakana AI 與 Anthropic 均基於各自專有的、供應商特定的框架發布結果，缺乏統一的第三方測試環境，限制了直接比較的可靠性。
