Fugu Ultra er Sakana AI’s dybdefokuserede variant i Fugu-familien til modelorkestrering. Producentens oprindelige Ultra-udgivelse koordinerer en dybere ekspertpulje til vanskelige problemer i flere trin. Dens angivne anvendelser omfatter AI-forskning, reproduktion af forskningsartiklers resultater, kodegennemgang, cybersikkerhedsanalyse og undersøgelser af litteratur eller patenter.
Fugu er selv en sprogmodel trænet til at koordinere andre modellers bidrag. Den beslutter, hvordan der skal delegeres, hvordan agenterne skal kommunikere, og hvordan deres arbejde skal kombineres. Systemet håndterer udvælgelse, verificering og syntese inden for én modelgrænseflade fra producenten. Det nyttige output er en endelig forklaring, analyse eller foreslået kildeartefakt knyttet til brugerens mål.
Ultras vægt på dybde er nyttig ved arbejde, der udvikler sig gennem flere observationer. Producenten beskriver researchopgaver, der undersøger en idé, udfører et eksperiment, fortolker en fejl og reviderer fremgangsmåden. En opgave til modellen skal derfor identificere målet, det materiale, der skal undersøges, og det grundlag, der vil berettige til at bevare eller forkaste et foreslået resultat.
Ved reproduktion af en forskningsartikels resultater skal du levere den relevante metode, implementeringsbetingelserne og observationerne fra det aktuelle forsøg. Bed om de trin, der kræves for at sammenligne implementeringen med den beskrevne metode, og om de uafklarede forskelle. Ved litteraturanalyse skal du definere omfanget og bede om resultaterne, de underbyggende passager og de huller, der påvirker konklusionen.
Ved kodegennemgang skal du levere den faktiske kildekode og den adfærd, der vurderes. Bed om en forklaring af hvert væsentligt fund og en kontrol, der kan bekræfte det. Ved en autoriseret sikkerhedsgennemgang skal du definere systemet og omfanget og bede om en rapport med dokumentation og trin til gentest. Det er måder at organisere producentens dokumenterede opgaveområder på frem for garantier om resultatet af en bestemt gennemgang.
Hold Ultra-varianten uden versionsangivelse adskilt fra den udtrykkeligt navngivne Ultra v2-udgave. Sakana udvikler orkestreringen og dens ekspertpulje over tid, så familienavnet fastlåser ikke en uforanderlig sammensætning. Når en applikation kører eksterne værktøjer, skal det observerede resultat returneres til næste trin, og den endelige leverance skal vise, hvad opgaven faktisk fastslog.
", "aboutText": "Fugu Ultra er Sakana AI’s dybdefokuserede variant i Fugu-familien til modelorkestrering. Producentens oprindelige Ultra-udgivelse koordinerer en dybere ekspertpulje til vanskelige problemer i flere trin. Dens angivne anvendelser omfatter AI-forskning, reproduktion af forskningsartiklers resultater, kodegennemgang, cybersikkerhedsanalyse og undersøgelser af litteratur eller patenter.\n\nFugu er selv en sprogmodel trænet til at koordinere andre modellers bidrag. Den beslutter, hvordan der skal delegeres, hvordan agenterne skal kommunikere, og hvordan deres arbejde skal kombineres. Systemet håndterer udvælgelse, verificering og syntese inden for én modelgrænseflade fra producenten. Det nyttige output er en endelig forklaring, analyse eller foreslået kildeartefakt knyttet til brugerens mål.\n\nUltras vægt på dybde er nyttig ved arbejde, der udvikler sig gennem flere observationer. Producenten beskriver researchopgaver, der undersøger en idé, udfører et eksperiment, fortolker en fejl og reviderer fremgangsmåden. En opgave til modellen skal derfor identificere målet, det materiale, der skal undersøges, og det grundlag, der vil berettige til at bevare eller forkaste et foreslået resultat.\n\nVed reproduktion af en forskningsartikels resultater skal du levere den relevante metode, implementeringsbetingelserne og observationerne fra det aktuelle forsøg. Bed om de trin, der kræves for at sammenligne implementeringen med den beskrevne metode, og om de uafklarede forskelle. Ved litteraturanalyse skal du definere omfanget og bede om resultaterne, de underbyggende passager og de huller, der påvirker konklusionen.\n\nVed kodegennemgang skal du levere den faktiske kildekode og den adfærd, der vurderes. Bed om en forklaring af hvert væsentligt fund og en kontrol, der kan bekræfte det. Ved en autoriseret sikkerhedsgennemgang skal du definere systemet og omfanget og bede om en rapport med dokumentation og trin til gentest. Det er måder at organisere producentens dokumenterede opgaveområder på frem for garantier om resultatet af en bestemt gennemgang.\n\nHold Ultra-varianten uden versionsangivelse adskilt fra den udtrykkeligt navngivne Ultra v2-udgave. Sakana udvikler orkestreringen og dens ekspertpulje over tid, så familienavnet fastlåser ikke en uforanderlig sammensætning. Når en applikation kører eksterne værktøjer, skal det observerede resultat returneres til næste trin, og den endelige leverance skal vise, hvad opgaven faktisk fastslog.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Audit a paper-reproduction discrepancy\n\nCompare this supplied method with the reproduction notes. Method M: normalize each feature using training-set mean and variance, then apply the same values to validation data. Notes N: normalization is fitted once on the combined training and validation rows. Explain the discrepancy, its consequence for evaluation and one focused rerun that would distinguish the corrected procedure.A source-linked reproduction finding, an explanation of leakage and one bounded correction-and-comparison experiment.The proposed correction fits normalization only on training data and does not invent the rerun's outcome.sakana/fugu-ultraSakana AI’s Fugu Ultra koordinerer en dybere pulje af ekspertmodeller til vanskelige opgaver i flere trin. Producentens anvendelsesområder omfatter research, reproduktion af forskningsartiklers resultater, kodegennemgang og litteraturanalyse med resultater samlet i ét svar.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Fugu Ultra er Sakana AI’s dybdefokuserede variant i Fugu-familien til modelorkestrering. Producentens oprindelige Ultra-udgivelse koordinerer en dybere ekspertpulje til vanskelige problemer i flere trin. Dens angivne anvendelser omfatter AI-forskning, reproduktion af forskningsartiklers resultater, kodegennemgang, cybersikkerhedsanalyse og undersøgelser af litteratur eller patenter.
Fugu er selv en sprogmodel trænet til at koordinere andre modellers bidrag. Den beslutter, hvordan der skal delegeres, hvordan agenterne skal kommunikere, og hvordan deres arbejde skal kombineres. Systemet håndterer udvælgelse, verificering og syntese inden for én modelgrænseflade fra producenten. Det nyttige output er en endelig forklaring, analyse eller foreslået kildeartefakt knyttet til brugerens mål.
Ultras vægt på dybde er nyttig ved arbejde, der udvikler sig gennem flere observationer. Producenten beskriver researchopgaver, der undersøger en idé, udfører et eksperiment, fortolker en fejl og reviderer fremgangsmåden. En opgave til modellen skal derfor identificere målet, det materiale, der skal undersøges, og det grundlag, der vil berettige til at bevare eller forkaste et foreslået resultat.
Ved reproduktion af en forskningsartikels resultater skal du levere den relevante metode, implementeringsbetingelserne og observationerne fra det aktuelle forsøg. Bed om de trin, der kræves for at sammenligne implementeringen med den beskrevne metode, og om de uafklarede forskelle. Ved litteraturanalyse skal du definere omfanget og bede om resultaterne, de underbyggende passager og de huller, der påvirker konklusionen.
Ved kodegennemgang skal du levere den faktiske kildekode og den adfærd, der vurderes. Bed om en forklaring af hvert væsentligt fund og en kontrol, der kan bekræfte det. Ved en autoriseret sikkerhedsgennemgang skal du definere systemet og omfanget og bede om en rapport med dokumentation og trin til gentest. Det er måder at organisere producentens dokumenterede opgaveområder på frem for garantier om resultatet af en bestemt gennemgang.
Hold Ultra-varianten uden versionsangivelse adskilt fra den udtrykkeligt navngivne Ultra v2-udgave. Sakana udvikler orkestreringen og dens ekspertpulje over tid, så familienavnet fastlåser ikke en uforanderlig sammensætning. Når en applikation kører eksterne værktøjer, skal det observerede resultat returneres til næste trin, og den endelige leverance skal vise, hvad opgaven faktisk fastslog.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser sakana/fugu-ultra | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.02 / 1K tokens Output · Outputtokens $0.09 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "sakana/fugu-ultra", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='sakana/fugu-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='sakana/fugu-ultra',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra sakana/fugu-ultra
Brug metodestierne vist ovenfor.
sakana/fugu-ultraSakana AI’s Fugu Ultra koordinerer en dybere pulje af ekspertmodeller til vanskelige opgaver i flere trin. Producentens anvendelsesområder omfatter research, reproduktion af forskningsartiklers resultater, kodegennemgang og litteraturanalyse med resultater samlet i ét svar.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Fugu Ultra er Sakana AI’s dybdefokuserede variant i Fugu-familien til modelorkestrering. Producentens oprindelige Ultra-udgivelse koordinerer en dybere ekspertpulje til vanskelige problemer i flere trin. Dens angivne anvendelser omfatter AI-forskning, reproduktion af forskningsartiklers resultater, kodegennemgang, cybersikkerhedsanalyse og undersøgelser af litteratur eller patenter.
Fugu er selv en sprogmodel trænet til at koordinere andre modellers bidrag. Den beslutter, hvordan der skal delegeres, hvordan agenterne skal kommunikere, og hvordan deres arbejde skal kombineres. Systemet håndterer udvælgelse, verificering og syntese inden for én modelgrænseflade fra producenten. Det nyttige output er en endelig forklaring, analyse eller foreslået kildeartefakt knyttet til brugerens mål.
Ultras vægt på dybde er nyttig ved arbejde, der udvikler sig gennem flere observationer. Producenten beskriver researchopgaver, der undersøger en idé, udfører et eksperiment, fortolker en fejl og reviderer fremgangsmåden. En opgave til modellen skal derfor identificere målet, det materiale, der skal undersøges, og det grundlag, der vil berettige til at bevare eller forkaste et foreslået resultat.
Ved reproduktion af en forskningsartikels resultater skal du levere den relevante metode, implementeringsbetingelserne og observationerne fra det aktuelle forsøg. Bed om de trin, der kræves for at sammenligne implementeringen med den beskrevne metode, og om de uafklarede forskelle. Ved litteraturanalyse skal du definere omfanget og bede om resultaterne, de underbyggende passager og de huller, der påvirker konklusionen.
Ved kodegennemgang skal du levere den faktiske kildekode og den adfærd, der vurderes. Bed om en forklaring af hvert væsentligt fund og en kontrol, der kan bekræfte det. Ved en autoriseret sikkerhedsgennemgang skal du definere systemet og omfanget og bede om en rapport med dokumentation og trin til gentest. Det er måder at organisere producentens dokumenterede opgaveområder på frem for garantier om resultatet af en bestemt gennemgang.
Hold Ultra-varianten uden versionsangivelse adskilt fra den udtrykkeligt navngivne Ultra v2-udgave. Sakana udvikler orkestreringen og dens ekspertpulje over tid, så familienavnet fastlåser ikke en uforanderlig sammensætning. Når en applikation kører eksterne værktøjer, skal det observerede resultat returneres til næste trin, og den endelige leverance skal vise, hvad opgaven faktisk fastslog.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser sakana/fugu-ultra | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med272.000 | Beløb Input · Inputtokens $0.01 / 1K tokens Output · Outputtokens $0.06 / 1K tokens Input · Cachelæsning $0.001 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end272.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.02 / 1K tokens Output · Outputtokens $0.09 / 1K tokens Input · Cachelæsning $0.002 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "sakana/fugu-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'sakana/fugu-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'sakana/fugu-ultra', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra sakana/fugu-ultra
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Audit a paper-reproduction discrepancy\n\nCompare this supplied method with the reproduction notes. Method M: normalize each feature using training-set mean and variance, then apply the same values to validation data. Notes N: normalization is fitted once on the combined training and validation rows. Explain the discrepancy, its consequence for evaluation and one focused rerun that would distinguish the corrected procedure.A source-linked reproduction finding, an explanation of leakage and one bounded correction-and-comparison experiment.The proposed correction fits normalization only on training data and does not invent the rerun's outcome.