Sakana Namazu

Introduction et contexte historique

Le paysage des modèles de langage spécialisés s'enrichit d'une nouvelle déclinaison avec l'apparition sur OpenRouter, sous l'identifiant sakana/sakana-namazu, d'une itération inédite de la famille Namazu développée par Sakana AI. Référencé sous le slug canonique sakana/namazu-20260811 et enregistré à la date du 11 août 2026, ce modèle marque une étape importante, bien que cette date corresponde à sa mise à disposition sur la plateforme d'API et non à une annonce de lancement officielle et indépendante de la part de Sakana AI.

Pour comprendre la genèse de ce projet, il convient de remonter au 24 mars 2026, date à laquelle Sakana AI a lancé la version alpha de Namazu. Conçu à l'origine comme une méthode de post-entraînement (« post-training ») appliquée à des modèles en poids ouverts (« open-weight »), Namazu a pour objectif d'adapter les technologies d'intelligence artificielle aux spécificités culturelles, sociales et opérationnelles du Japon. Alors que la première vague reposait sur des architectures telles que DeepSeek-V3.1-Terminus, Llama-3.1-405B et gpt-oss-120B, cette nouvelle version marque un pivot stratégique majeur en adoptant Kimi K2.6 comme modèle de base.

Une architecture robuste fondée sur Kimi K2.6

Le modèle Sakana Namazu s'appuie sur les fondations techniques de Kimi K2.6, développé par Moonshot AI. Ce modèle parent repose sur une architecture de type mélange d'experts (Mixture of Experts ou MoE) de très grande envergure, totalisant environ 1 000 milliards de paramètres, dont 32 milliards sont activés par token.

Cette base technique confère au modèle des caractéristiques de traitement de premier ordre : - Une fenêtre de contexte massive de 262 144 tokens (soit 256 K), permettant d'ingérer de volumineux corpus de documents ou des historiques de conversation extrêmement longs. - Une capacité de génération maximale s'élevant à 65 536 tokens par complétion, idéale pour la rédaction de rapports denses ou de codes complexes.

Bien que Sakana AI n'ait pas publié les détails architecturaux précis ni le volume de données exact utilisé pour le post-entraînement spécifique à Namazu, la synergie entre l'architecture MoE de Kimi et l'optimisation japonaise promet une efficacité accrue pour les tâches complexes.

Capacités, modalités et fonctionnalités avancées

Selon les spécifications fournies par OpenRouter, Sakana Namazu est un modèle de raisonnement hautement spécialisé pour la langue japonaise et les contextes métier associés. Ses modalités d'interaction se caractérisent par une flexibilité d'entrée et une spécialisation de sortie : - En entrée : Le modèle accepte le texte, les images ainsi que les fichiers. - En sortie : La génération est strictement textuelle.

Le modèle intègre nativement plusieurs fonctionnalités avancées indispensables aux déploiements professionnels : 1. Le raisonnement multi-étapes : Activé par défaut, il propose des niveaux de configuration allant de « high » à « none » pour s'adapter aux besoins de précision de l'utilisateur. 2. L'appel d'outils et de fonctions (Function Calling) : Permettant d'interagir avec des API externes. 3. Les sorties structurées : Garantissant la conformité des réponses au format attendu (comme le JSON). 4. La recherche Web intégrée : Offrant la possibilité de sourcer des informations en temps réel.

Il convient de noter que si le modèle parent Kimi K2.6 dispose de capacités visuelles et multimédias plus larges, l'API de Sakana Namazu sur OpenRouter n'expose aucune prise en charge pour les flux audio ou vidéo.

Positionnement concurrentiel et performances

À l'heure actuelle, il n'existe pas de benchmarks publics et indépendants attribuables spécifiquement à la variante sakana/sakana-namazu. Par conséquent, les performances de Kimi K2.6 présentées ci-dessous doivent être considérées uniquement comme des indicateurs de référence pour le modèle parent, et non comme une garantie des résultats de la version optimisée par Sakana AI.

Moonshot AI affiche des scores particulièrement élevés pour Kimi K2.6 sur plusieurs évaluations de référence : - SWE-Bench Pro : 58,6 % - LiveCodeBench v6 : 89,6 % - GPQA Diamond : 90,5 % - MMMU-Pro : 79,4 %

Ces mesures, souvent obtenues dans des configurations agentiques ou avec l'appui d'outils, placent le modèle parent à un niveau proche de systèmes fermés de premier plan tels que GPT-5.4, Claude Opus 4.6 ou Gemini 3.1 Pro, sans toutefois les surpasser de manière systématique sur l'ensemble des tests.

Cas d'usage concrets et limites opérationnelles

Grâce à son post-entraînement ciblé, Sakana Namazu se positionne idéalement pour les applications suivantes : - Assistants et agents conversationnels en japonais : Capables de saisir les nuances culturelles et les codes de politesse des affaires au Japon. - Analyse documentaire et visuelle : Traitement de rapports financiers, de documents administratifs ou d'images contenant du texte japonais. - Recherche Web outillée et programmation : Résolution de problèmes techniques complexes nécessitant une navigation active ou la génération de code structuré.

Cependant, les utilisateurs doivent composer avec certaines limites opérationnelles. L'absence d'évaluation publique dédiée à cette version Namazu impose une phase de qualification interne avant tout déploiement critique. De plus, l'opacité relative autour de la recette de post-entraînement de Sakana AI et l'absence de support pour les modalités audio et vidéo via l'API OpenRouter restreignent son usage aux applications purement textuelles et visuelles statiques.

Une fois activé, la tarification applicable sur la plateforme (basée sur les coûts OpenRouter) s'établit comme suit : - Coût d'entrée : 0,95 $ par million de tokens. - Coût de sortie : 4,00 $ par million de tokens. - Lecture de cache : 0,15 $ par million de tokens. - Recherche Web : 0,007 $ par requête.

Cette structure tarifaire s'avère particulièrement compétitive pour un modèle de cette envergure doté de capacités de raisonnement avancées.