Fugu Max ist Sakana AIs Fugu-Variante, die auf effiziente Kombinationen von Expertenmodellen ausgerichtet ist. Der Hersteller erweitert den Pool offener und spezialisierter Modelle und trainiert das System darauf, die passenden Mittel für die Aufgabe auszuwählen. Diese Variante teilt den grundlegenden Orchestrierungsansatz mit Fugu Ultra v2, legt ihren Schwerpunkt jedoch darauf, wie die beteiligten Modelle für die Arbeit kombiniert werden.
Aus Sicht der Anwendung verhält sich Fugu wie ein einzelnes Modell. Intern entscheidet der Koordinator, ob eine Aufgabe direkt bearbeitet oder delegiert werden soll, organisiert dann die Beiträge und erzeugt eine Endantwort. Auswahl, Delegation, Verifikation und Zusammenführung sind Teile dieses Herstellersystems und keine separaten Agenten, die der Nutzer im Prompt manuell zuweisen muss.
Bei Max legt der Hersteller den beteiligten Pool fest, damit der Koordinator dessen Kombinationen optimieren kann. Es bietet nicht dieselbe Möglichkeit zum Ausschluss einzelner Modelle, die für die Standardvariante von Fugu beschrieben wird. Bewahren Sie diese Unterscheidung bei der Modellwahl: Ein grosser Expertenpool und ein vom Nutzer konfigurierbarer Pool sind unterschiedliche Eigenschaften.
Bereiten Sie eine Aufgabe mit einem konkreten Ziel und den zur Beurteilung des Ergebnisses nötigen Informationen vor. Geben Sie für eine Codeprüfung den Quellcode, das erwartete Verhalten und das zu untersuchende Problem mit. Fordern Sie Feststellungen mit Bezug zur relevanten Implementierung und für jedes wesentliche Problem einen Prüfungsvorschlag an. Definieren Sie für einen technischen Vergleich gemeinsame Kriterien und verlangen Sie, dass die Antwort erklärt, welche Belege die Auswahl verändern.
Ein mehrstufiger Auftrag profitiert von einem ausdrücklich benannten Endartefakt. Fordern Sie beispielsweise einen Änderungsvorschlag, eine Recherchenotiz oder eine strukturierte Analyse an, in der Ergebnisse von offenen Fragen getrennt sind. Wenn die umgebende Anwendung Werkzeuge ausführt, geben Sie deren tatsächliche Beobachtungen vor der nächsten Entscheidung zurück. Dies hilft dem Ablauf, auf dem Geschehenen aufzubauen, statt eine vorgeschlagene Handlung als abgeschlossen zu behandeln.
Sakana unterscheidet zwischen dem Optimierungsziel von Max und Ultras Schwerpunkt auf maximaler Antworttiefe. Nutzen Sie diese Herstellerunterscheidung, um die Aufgabe einer Modellvariante zuzuordnen, und beurteilen Sie das zurückgegebene Artefakt am ursprünglichen Ziel. Das Orchestrierungssystem stellt die Antwort zusammen; die Anwendung ermittelt das tatsächliche Ergebnis jeder externen Handlung und entscheidet, wie sie das Resultat nutzt.
", "aboutText": "Fugu Max ist Sakana AIs Fugu-Variante, die auf effiziente Kombinationen von Expertenmodellen ausgerichtet ist. Der Hersteller erweitert den Pool offener und spezialisierter Modelle und trainiert das System darauf, die passenden Mittel für die Aufgabe auszuwählen. Diese Variante teilt den grundlegenden Orchestrierungsansatz mit Fugu Ultra v2, legt ihren Schwerpunkt jedoch darauf, wie die beteiligten Modelle für die Arbeit kombiniert werden.\n\nAus Sicht der Anwendung verhält sich Fugu wie ein einzelnes Modell. Intern entscheidet der Koordinator, ob eine Aufgabe direkt bearbeitet oder delegiert werden soll, organisiert dann die Beiträge und erzeugt eine Endantwort. Auswahl, Delegation, Verifikation und Zusammenführung sind Teile dieses Herstellersystems und keine separaten Agenten, die der Nutzer im Prompt manuell zuweisen muss.\n\nBei Max legt der Hersteller den beteiligten Pool fest, damit der Koordinator dessen Kombinationen optimieren kann. Es bietet nicht dieselbe Möglichkeit zum Ausschluss einzelner Modelle, die für die Standardvariante von Fugu beschrieben wird. Bewahren Sie diese Unterscheidung bei der Modellwahl: Ein grosser Expertenpool und ein vom Nutzer konfigurierbarer Pool sind unterschiedliche Eigenschaften.\n\nBereiten Sie eine Aufgabe mit einem konkreten Ziel und den zur Beurteilung des Ergebnisses nötigen Informationen vor. Geben Sie für eine Codeprüfung den Quellcode, das erwartete Verhalten und das zu untersuchende Problem mit. Fordern Sie Feststellungen mit Bezug zur relevanten Implementierung und für jedes wesentliche Problem einen Prüfungsvorschlag an. Definieren Sie für einen technischen Vergleich gemeinsame Kriterien und verlangen Sie, dass die Antwort erklärt, welche Belege die Auswahl verändern.\n\nEin mehrstufiger Auftrag profitiert von einem ausdrücklich benannten Endartefakt. Fordern Sie beispielsweise einen Änderungsvorschlag, eine Recherchenotiz oder eine strukturierte Analyse an, in der Ergebnisse von offenen Fragen getrennt sind. Wenn die umgebende Anwendung Werkzeuge ausführt, geben Sie deren tatsächliche Beobachtungen vor der nächsten Entscheidung zurück. Dies hilft dem Ablauf, auf dem Geschehenen aufzubauen, statt eine vorgeschlagene Handlung als abgeschlossen zu behandeln.\n\nSakana unterscheidet zwischen dem Optimierungsziel von Max und Ultras Schwerpunkt auf maximaler Antworttiefe. Nutzen Sie diese Herstellerunterscheidung, um die Aufgabe einer Modellvariante zuzuordnen, und beurteilen Sie das zurückgegebene Artefakt am ursprünglichen Ziel. Das Orchestrierungssystem stellt die Antwort zusammen; die Anwendung ermittelt das tatsächliche Ergebnis jeder externen Handlung und entscheidet, wie sie das Resultat nutzt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Review a stock decrement function\n\nReview this Python function: def take(stock, qty): stock["units"] -= qty; return stock["units"]. Requirements: qty must be positive and cannot exceed available units; a rejected request must leave stock unchanged. Identify material issues and propose a focused patch with a check for each, preserving the take function name.Behavior-linked review findings, a focused patch and checks for accepted and rejected decrements.Check that validation occurs before mutation and a rejected overdraw leaves the original stock unchanged.sakana/fugu-maxFugu Max von Sakana AI ist ein erlerntes Orchestrierungsmodell, das effiziente Kombinationen aus einem grossen Pool offener und spezialisierter Modelle auswählt. Es wandelt eine Aufgabe in koordinierte Arbeit und ein zusammengeführtes Ergebnis um, mit einem anderen Schwerpunkt als Fugu Ultra.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Fugu Max ist Sakana AIs Fugu-Variante, die auf effiziente Kombinationen von Expertenmodellen ausgerichtet ist. Der Hersteller erweitert den Pool offener und spezialisierter Modelle und trainiert das System darauf, die passenden Mittel für die Aufgabe auszuwählen. Diese Variante teilt den grundlegenden Orchestrierungsansatz mit Fugu Ultra v2, legt ihren Schwerpunkt jedoch darauf, wie die beteiligten Modelle für die Arbeit kombiniert werden.
Aus Sicht der Anwendung verhält sich Fugu wie ein einzelnes Modell. Intern entscheidet der Koordinator, ob eine Aufgabe direkt bearbeitet oder delegiert werden soll, organisiert dann die Beiträge und erzeugt eine Endantwort. Auswahl, Delegation, Verifikation und Zusammenführung sind Teile dieses Herstellersystems und keine separaten Agenten, die der Nutzer im Prompt manuell zuweisen muss.
Bei Max legt der Hersteller den beteiligten Pool fest, damit der Koordinator dessen Kombinationen optimieren kann. Es bietet nicht dieselbe Möglichkeit zum Ausschluss einzelner Modelle, die für die Standardvariante von Fugu beschrieben wird. Bewahren Sie diese Unterscheidung bei der Modellwahl: Ein grosser Expertenpool und ein vom Nutzer konfigurierbarer Pool sind unterschiedliche Eigenschaften.
Bereiten Sie eine Aufgabe mit einem konkreten Ziel und den zur Beurteilung des Ergebnisses nötigen Informationen vor. Geben Sie für eine Codeprüfung den Quellcode, das erwartete Verhalten und das zu untersuchende Problem mit. Fordern Sie Feststellungen mit Bezug zur relevanten Implementierung und für jedes wesentliche Problem einen Prüfungsvorschlag an. Definieren Sie für einen technischen Vergleich gemeinsame Kriterien und verlangen Sie, dass die Antwort erklärt, welche Belege die Auswahl verändern.
Ein mehrstufiger Auftrag profitiert von einem ausdrücklich benannten Endartefakt. Fordern Sie beispielsweise einen Änderungsvorschlag, eine Recherchenotiz oder eine strukturierte Analyse an, in der Ergebnisse von offenen Fragen getrennt sind. Wenn die umgebende Anwendung Werkzeuge ausführt, geben Sie deren tatsächliche Beobachtungen vor der nächsten Entscheidung zurück. Dies hilft dem Ablauf, auf dem Geschehenen aufzubauen, statt eine vorgeschlagene Handlung als abgeschlossen zu behandeln.
Sakana unterscheidet zwischen dem Optimierungsziel von Max und Ultras Schwerpunkt auf maximaler Antworttiefe. Nutzen Sie diese Herstellerunterscheidung, um die Aufgabe einer Modellvariante zuzuordnen, und beurteilen Sie das zurückgegebene Artefakt am ursprünglichen Ziel. Das Orchestrierungssystem stellt die Antwort zusammen; die Anwendung ermittelt das tatsächliche Ergebnis jeder externen Handlung und entscheidet, wie sie das Resultat nutzt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits sakana/fugu-max | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.012 / 1K Tokens Eingabe · Cache lesen $0.0005 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.012 / 1K Tokens Eingabe · Cache lesen $0.0005 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "sakana/fugu-max", "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-max',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-max',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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra sakana/fugu-max
Verwenden Sie die oben angezeigten Methodenpfade.
sakana/fugu-maxFugu Max von Sakana AI ist ein erlerntes Orchestrierungsmodell, das effiziente Kombinationen aus einem grossen Pool offener und spezialisierter Modelle auswählt. Es wandelt eine Aufgabe in koordinierte Arbeit und ein zusammengeführtes Ergebnis um, mit einem anderen Schwerpunkt als Fugu Ultra.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Fugu Max ist Sakana AIs Fugu-Variante, die auf effiziente Kombinationen von Expertenmodellen ausgerichtet ist. Der Hersteller erweitert den Pool offener und spezialisierter Modelle und trainiert das System darauf, die passenden Mittel für die Aufgabe auszuwählen. Diese Variante teilt den grundlegenden Orchestrierungsansatz mit Fugu Ultra v2, legt ihren Schwerpunkt jedoch darauf, wie die beteiligten Modelle für die Arbeit kombiniert werden.
Aus Sicht der Anwendung verhält sich Fugu wie ein einzelnes Modell. Intern entscheidet der Koordinator, ob eine Aufgabe direkt bearbeitet oder delegiert werden soll, organisiert dann die Beiträge und erzeugt eine Endantwort. Auswahl, Delegation, Verifikation und Zusammenführung sind Teile dieses Herstellersystems und keine separaten Agenten, die der Nutzer im Prompt manuell zuweisen muss.
Bei Max legt der Hersteller den beteiligten Pool fest, damit der Koordinator dessen Kombinationen optimieren kann. Es bietet nicht dieselbe Möglichkeit zum Ausschluss einzelner Modelle, die für die Standardvariante von Fugu beschrieben wird. Bewahren Sie diese Unterscheidung bei der Modellwahl: Ein grosser Expertenpool und ein vom Nutzer konfigurierbarer Pool sind unterschiedliche Eigenschaften.
Bereiten Sie eine Aufgabe mit einem konkreten Ziel und den zur Beurteilung des Ergebnisses nötigen Informationen vor. Geben Sie für eine Codeprüfung den Quellcode, das erwartete Verhalten und das zu untersuchende Problem mit. Fordern Sie Feststellungen mit Bezug zur relevanten Implementierung und für jedes wesentliche Problem einen Prüfungsvorschlag an. Definieren Sie für einen technischen Vergleich gemeinsame Kriterien und verlangen Sie, dass die Antwort erklärt, welche Belege die Auswahl verändern.
Ein mehrstufiger Auftrag profitiert von einem ausdrücklich benannten Endartefakt. Fordern Sie beispielsweise einen Änderungsvorschlag, eine Recherchenotiz oder eine strukturierte Analyse an, in der Ergebnisse von offenen Fragen getrennt sind. Wenn die umgebende Anwendung Werkzeuge ausführt, geben Sie deren tatsächliche Beobachtungen vor der nächsten Entscheidung zurück. Dies hilft dem Ablauf, auf dem Geschehenen aufzubauen, statt eine vorgeschlagene Handlung als abgeschlossen zu behandeln.
Sakana unterscheidet zwischen dem Optimierungsziel von Max und Ultras Schwerpunkt auf maximaler Antworttiefe. Nutzen Sie diese Herstellerunterscheidung, um die Aufgabe einer Modellvariante zuzuordnen, und beurteilen Sie das zurückgegebene Artefakt am ursprünglichen Ziel. Das Orchestrierungssystem stellt die Antwort zusammen; die Anwendung ermittelt das tatsächliche Ergebnis jeder externen Handlung und entscheidet, wie sie das Resultat nutzt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits sakana/fugu-max | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschliesslich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.012 / 1K Tokens Eingabe · Cache lesen $0.0005 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.004 / 1K Tokens Ausgabe · Ausgabetoken $0.012 / 1K Tokens Eingabe · Cache lesen $0.0005 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "sakana/fugu-max",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-max', '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-max', '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 oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra sakana/fugu-max
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Review a stock decrement function\n\nReview this Python function: def take(stock, qty): stock["units"] -= qty; return stock["units"]. Requirements: qty must be positive and cannot exceed available units; a rejected request must leave stock unchanged. Identify material issues and propose a focused patch with a check for each, preserving the take function name.Behavior-linked review findings, a focused patch and checks for accepted and rejected decrements.Check that validation occurs before mutation and a rejected overdraw leaves the original stock unchanged.