Fugu Ultra v2 ist Sakana AIs leistungsorientierte Ausgabe seines erlernten Systems zur Modellorchestrierung. Es koordiniert Expertenmodelle für komplexes mehrstufiges Schlussfolgern, Recherche und Full-Stack-Softwarearbeit. Der Hersteller betont bei dieser Ausgabe besonders ausdauerndes Schlussfolgern über visuelles und strukturiertes Material. Sie unterscheidet sich von Fugu Max und von der früheren Veröffentlichung Fugu Ultra.
Das System verwendet einen erlernten Koordinator, um innerhalb eines Expertenpools Arbeit auszuwählen, zu delegieren, zu verifizieren und zusammenzuführen. Eine Anfrage kann mehrere einander ergänzende Beiträge umfassen, bevor die Endantwort zusammengestellt wird. Diese Orchestrierung ist eine Modellfähigkeit des Herstellers; die Anwendung stellt weiterhin die Aufgabe, relevantes Material und alle externen Beobachtungen bereit, die ihr Ablauf benötigt.
Der Hersteller legt für die Ultra-Variante den vollständigen Agentenpool fest, während der Koordinator entscheidet, wie er ihn für die Aufgabe nutzt. Das unterscheidet sich von der Annahme, der Nutzer könne jedes beteiligte Modell einzeln konfigurieren. Sakana unterscheidet ausserdem Ultras Schwerpunkt auf Antworttiefe vom Fokus von Max auf effiziente Kombinationen. Tiefere Koordination kann mehr Antwortzeit beanspruchen, wie der Herstellervergleich erklärt.
Stellen Sie für eine visuelle Aufgabe oder Datenanalyse das Diagramm, die Tabelle oder die relevanten Beobachtungen bereit und definieren Sie die zu klärende Frage. Fordern Sie das Ergebnis, die stützenden Belege und die zur Beurteilung benötigte Zwischeninterpretation an. Ein nützliches Artefakt kann eine knappe Schlussfolgerung mit einer strukturierten Darstellung der Daten verbinden, statt die Analyse als mehrere unverbundene Beobachtungen stehen zu lassen.
Benennen Sie bei Softwarearbeit das erwartete Verhalten, den relevanten Quellcode und das Ergebnis der aktuellen Prüfungen. Verlangen Sie einen gezielten Änderungsvorschlag mit den Bedingungen, anhand derer sich feststellen lässt, ob er funktioniert. Geben Sie in einem verbundenen Ablauf das tatsächliche Ausführungsergebnis zurück, damit der nächste Schritt einen konkreten Fehler behandeln oder eine erfolgreiche Änderung beibehalten kann. So entsteht eine Aufgabe mit Belegen und einem fertigen Artefakt statt einer offenen Bitte, den Code zu verbessern.
Definieren Sie für eine Rechercheuntersuchung den Umfang und die Struktur des Endberichts. Der Bericht kann gesicherte Ergebnisse, konkurrierende Interpretationen und ungeklärte Abhängigkeiten trennen. Sakana nennt für seine v2-Veröffentlichung den 28. August 2026 als Wissensstand der Trainingsinformationen; für eine Aufgabe bereitgestellte oder abgerufene externe Belege sind von dieser Trainingshistorie getrennt. Halten Sie diese Unterscheidung bei Fragen zu zeitlich veränderlichen Informationen klar.
", "aboutText": "Fugu Ultra v2 ist Sakana AIs leistungsorientierte Ausgabe seines erlernten Systems zur Modellorchestrierung. Es koordiniert Expertenmodelle für komplexes mehrstufiges Schlussfolgern, Recherche und Full-Stack-Softwarearbeit. Der Hersteller betont bei dieser Ausgabe besonders ausdauerndes Schlussfolgern über visuelles und strukturiertes Material. Sie unterscheidet sich von Fugu Max und von der früheren Veröffentlichung Fugu Ultra.\n\nDas System verwendet einen erlernten Koordinator, um innerhalb eines Expertenpools Arbeit auszuwählen, zu delegieren, zu verifizieren und zusammenzuführen. Eine Anfrage kann mehrere einander ergänzende Beiträge umfassen, bevor die Endantwort zusammengestellt wird. Diese Orchestrierung ist eine Modellfähigkeit des Herstellers; die Anwendung stellt weiterhin die Aufgabe, relevantes Material und alle externen Beobachtungen bereit, die ihr Ablauf benötigt.\n\nDer Hersteller legt für die Ultra-Variante den vollständigen Agentenpool fest, während der Koordinator entscheidet, wie er ihn für die Aufgabe nutzt. Das unterscheidet sich von der Annahme, der Nutzer könne jedes beteiligte Modell einzeln konfigurieren. Sakana unterscheidet ausserdem Ultras Schwerpunkt auf Antworttiefe vom Fokus von Max auf effiziente Kombinationen. Tiefere Koordination kann mehr Antwortzeit beanspruchen, wie der Herstellervergleich erklärt.\n\nStellen Sie für eine visuelle Aufgabe oder Datenanalyse das Diagramm, die Tabelle oder die relevanten Beobachtungen bereit und definieren Sie die zu klärende Frage. Fordern Sie das Ergebnis, die stützenden Belege und die zur Beurteilung benötigte Zwischeninterpretation an. Ein nützliches Artefakt kann eine knappe Schlussfolgerung mit einer strukturierten Darstellung der Daten verbinden, statt die Analyse als mehrere unverbundene Beobachtungen stehen zu lassen.\n\nBenennen Sie bei Softwarearbeit das erwartete Verhalten, den relevanten Quellcode und das Ergebnis der aktuellen Prüfungen. Verlangen Sie einen gezielten Änderungsvorschlag mit den Bedingungen, anhand derer sich feststellen lässt, ob er funktioniert. Geben Sie in einem verbundenen Ablauf das tatsächliche Ausführungsergebnis zurück, damit der nächste Schritt einen konkreten Fehler behandeln oder eine erfolgreiche Änderung beibehalten kann. So entsteht eine Aufgabe mit Belegen und einem fertigen Artefakt statt einer offenen Bitte, den Code zu verbessern.\n\nDefinieren Sie für eine Rechercheuntersuchung den Umfang und die Struktur des Endberichts. Der Bericht kann gesicherte Ergebnisse, konkurrierende Interpretationen und ungeklärte Abhängigkeiten trennen. Sakana nennt für seine v2-Veröffentlichung den 28. August 2026 als Wissensstand der Trainingsinformationen; für eine Aufgabe bereitgestellte oder abgerufene externe Belege sind von dieser Trainingshistorie getrennt. Halten Sie diese Unterscheidung bei Fragen zu zeitlich veränderlichen Informationen klar.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Compare competing explanations against data\n\nAnalyze this supplied table: week 1, 100 visits and 10 signups; week 2, 200 visits and 12 signups. Team hypothesis A says conversion improved; hypothesis B says traffic grew while conversion fell. Calculate the relevant rates, compare both interpretations and list one missing fact needed to investigate the cause.Rate calculations, an evidence-based comparison of the hypotheses and one causal-information gap.Check that signup counts and conversion rates are kept distinct and that no causal explanation is presented as established.sakana/fugu-ultra-v2Fugu Ultra v2 von Sakana AI koordiniert einen Pool von Expertenmodellen für komplexes Schlussfolgern, Recherche und Softwareentwicklung. Die Ausgabe legt den Schwerpunkt auf ausdauernde Arbeit mit visuellem und strukturiertem Material und ein Endergebnis, das aus den Beiträgen der Agenten zusammengestellt wird.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Fugu Ultra v2 ist Sakana AIs leistungsorientierte Ausgabe seines erlernten Systems zur Modellorchestrierung. Es koordiniert Expertenmodelle für komplexes mehrstufiges Schlussfolgern, Recherche und Full-Stack-Softwarearbeit. Der Hersteller betont bei dieser Ausgabe besonders ausdauerndes Schlussfolgern über visuelles und strukturiertes Material. Sie unterscheidet sich von Fugu Max und von der früheren Veröffentlichung Fugu Ultra.
Das System verwendet einen erlernten Koordinator, um innerhalb eines Expertenpools Arbeit auszuwählen, zu delegieren, zu verifizieren und zusammenzuführen. Eine Anfrage kann mehrere einander ergänzende Beiträge umfassen, bevor die Endantwort zusammengestellt wird. Diese Orchestrierung ist eine Modellfähigkeit des Herstellers; die Anwendung stellt weiterhin die Aufgabe, relevantes Material und alle externen Beobachtungen bereit, die ihr Ablauf benötigt.
Der Hersteller legt für die Ultra-Variante den vollständigen Agentenpool fest, während der Koordinator entscheidet, wie er ihn für die Aufgabe nutzt. Das unterscheidet sich von der Annahme, der Nutzer könne jedes beteiligte Modell einzeln konfigurieren. Sakana unterscheidet ausserdem Ultras Schwerpunkt auf Antworttiefe vom Fokus von Max auf effiziente Kombinationen. Tiefere Koordination kann mehr Antwortzeit beanspruchen, wie der Herstellervergleich erklärt.
Stellen Sie für eine visuelle Aufgabe oder Datenanalyse das Diagramm, die Tabelle oder die relevanten Beobachtungen bereit und definieren Sie die zu klärende Frage. Fordern Sie das Ergebnis, die stützenden Belege und die zur Beurteilung benötigte Zwischeninterpretation an. Ein nützliches Artefakt kann eine knappe Schlussfolgerung mit einer strukturierten Darstellung der Daten verbinden, statt die Analyse als mehrere unverbundene Beobachtungen stehen zu lassen.
Benennen Sie bei Softwarearbeit das erwartete Verhalten, den relevanten Quellcode und das Ergebnis der aktuellen Prüfungen. Verlangen Sie einen gezielten Änderungsvorschlag mit den Bedingungen, anhand derer sich feststellen lässt, ob er funktioniert. Geben Sie in einem verbundenen Ablauf das tatsächliche Ausführungsergebnis zurück, damit der nächste Schritt einen konkreten Fehler behandeln oder eine erfolgreiche Änderung beibehalten kann. So entsteht eine Aufgabe mit Belegen und einem fertigen Artefakt statt einer offenen Bitte, den Code zu verbessern.
Definieren Sie für eine Rechercheuntersuchung den Umfang und die Struktur des Endberichts. Der Bericht kann gesicherte Ergebnisse, konkurrierende Interpretationen und ungeklärte Abhängigkeiten trennen. Sakana nennt für seine v2-Veröffentlichung den 28. August 2026 als Wissensstand der Trainingsinformationen; für eine Aufgabe bereitgestellte oder abgerufene externe Belege sind von dieser Trainingshistorie getrennt. Halten Sie diese Unterscheidung bei Fragen zu zeitlich veränderlichen Informationen klar.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits sakana/fugu-ultra-v2 | 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 $0.01 / 1K Tokens Ausgabe · Ausgabetoken $0.06 / 1K Tokens Eingabe · Cache lesen $0.001 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslich272'000 | Gebühr Eingabe · Eingabetoken $0.01 / 1K Tokens Ausgabe · Ausgabetoken $0.06 / 1K Tokens Eingabe · Cache lesen $0.001 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272'000 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.02 / 1K Tokens Ausgabe · Ausgabetoken $0.09 / 1K Tokens Eingabe · Cache lesen $0.002 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "sakana/fugu-ultra-v2", "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-v2',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-v2',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-ultra-v2
Verwenden Sie die oben angezeigten Methodenpfade.
sakana/fugu-ultra-v2Fugu Ultra v2 von Sakana AI koordiniert einen Pool von Expertenmodellen für komplexes Schlussfolgern, Recherche und Softwareentwicklung. Die Ausgabe legt den Schwerpunkt auf ausdauernde Arbeit mit visuellem und strukturiertem Material und ein Endergebnis, das aus den Beiträgen der Agenten zusammengestellt wird.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Fugu Ultra v2 ist Sakana AIs leistungsorientierte Ausgabe seines erlernten Systems zur Modellorchestrierung. Es koordiniert Expertenmodelle für komplexes mehrstufiges Schlussfolgern, Recherche und Full-Stack-Softwarearbeit. Der Hersteller betont bei dieser Ausgabe besonders ausdauerndes Schlussfolgern über visuelles und strukturiertes Material. Sie unterscheidet sich von Fugu Max und von der früheren Veröffentlichung Fugu Ultra.
Das System verwendet einen erlernten Koordinator, um innerhalb eines Expertenpools Arbeit auszuwählen, zu delegieren, zu verifizieren und zusammenzuführen. Eine Anfrage kann mehrere einander ergänzende Beiträge umfassen, bevor die Endantwort zusammengestellt wird. Diese Orchestrierung ist eine Modellfähigkeit des Herstellers; die Anwendung stellt weiterhin die Aufgabe, relevantes Material und alle externen Beobachtungen bereit, die ihr Ablauf benötigt.
Der Hersteller legt für die Ultra-Variante den vollständigen Agentenpool fest, während der Koordinator entscheidet, wie er ihn für die Aufgabe nutzt. Das unterscheidet sich von der Annahme, der Nutzer könne jedes beteiligte Modell einzeln konfigurieren. Sakana unterscheidet ausserdem Ultras Schwerpunkt auf Antworttiefe vom Fokus von Max auf effiziente Kombinationen. Tiefere Koordination kann mehr Antwortzeit beanspruchen, wie der Herstellervergleich erklärt.
Stellen Sie für eine visuelle Aufgabe oder Datenanalyse das Diagramm, die Tabelle oder die relevanten Beobachtungen bereit und definieren Sie die zu klärende Frage. Fordern Sie das Ergebnis, die stützenden Belege und die zur Beurteilung benötigte Zwischeninterpretation an. Ein nützliches Artefakt kann eine knappe Schlussfolgerung mit einer strukturierten Darstellung der Daten verbinden, statt die Analyse als mehrere unverbundene Beobachtungen stehen zu lassen.
Benennen Sie bei Softwarearbeit das erwartete Verhalten, den relevanten Quellcode und das Ergebnis der aktuellen Prüfungen. Verlangen Sie einen gezielten Änderungsvorschlag mit den Bedingungen, anhand derer sich feststellen lässt, ob er funktioniert. Geben Sie in einem verbundenen Ablauf das tatsächliche Ausführungsergebnis zurück, damit der nächste Schritt einen konkreten Fehler behandeln oder eine erfolgreiche Änderung beibehalten kann. So entsteht eine Aufgabe mit Belegen und einem fertigen Artefakt statt einer offenen Bitte, den Code zu verbessern.
Definieren Sie für eine Rechercheuntersuchung den Umfang und die Struktur des Endberichts. Der Bericht kann gesicherte Ergebnisse, konkurrierende Interpretationen und ungeklärte Abhängigkeiten trennen. Sakana nennt für seine v2-Veröffentlichung den 28. August 2026 als Wissensstand der Trainingsinformationen; für eine Aufgabe bereitgestellte oder abgerufene externe Belege sind von dieser Trainingshistorie getrennt. Halten Sie diese Unterscheidung bei Fragen zu zeitlich veränderlichen Informationen klar.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits sakana/fugu-ultra-v2 | 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 $0.01 / 1K Tokens Ausgabe · Ausgabetoken $0.06 / 1K Tokens Eingabe · Cache lesen $0.001 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschliesslich272'000 | Gebühr Eingabe · Eingabetoken $0.01 / 1K Tokens Ausgabe · Ausgabetoken $0.06 / 1K Tokens Eingabe · Cache lesen $0.001 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationAnfragelängenstufe 2 | Tarifstaffel— | Kontexttoken, mehr als272'000 | Kontexttoken, bis einschliesslichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.02 / 1K Tokens Ausgabe · Ausgabetoken $0.09 / 1K Tokens Eingabe · Cache lesen $0.002 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "sakana/fugu-ultra-v2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-v2', '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-v2', '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-ultra-v2
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Compare competing explanations against data\n\nAnalyze this supplied table: week 1, 100 visits and 10 signups; week 2, 200 visits and 12 signups. Team hypothesis A says conversion improved; hypothesis B says traffic grew while conversion fell. Calculate the relevant rates, compare both interpretations and list one missing fact needed to investigate the cause.Rate calculations, an evidence-based comparison of the hypotheses and one causal-information gap.Check that signup counts and conversion rates are kept distinct and that no causal explanation is presented as established.