Fugu Ultra ist Sakana AIs auf Tiefe ausgerichtete Variante innerhalb der Fugu-Familie zur Modellorchestrierung. Die ursprüngliche Ultra-Veröffentlichung des Herstellers koordiniert einen auf grössere Tiefe ausgelegten Expertenpool für schwierige mehrstufige Probleme. Zu ihren genannten Anwendungen gehören KI-Forschung, Reproduktion wissenschaftlicher Arbeiten, Codeprüfung, Cybersicherheitsanalyse sowie Literatur- oder Patentuntersuchungen.
Fugu ist selbst ein Sprachmodell, das darauf trainiert wurde, Beiträge anderer Modelle zu koordinieren. Es entscheidet, wie delegiert wird, wie die Agenten kommunizieren sollen und wie ihre Arbeit zusammengeführt wird. Das System verwaltet Auswahl, Verifikation und Zusammenführung innerhalb einer einzigen Herstellermodellschnittstelle. Die nützliche Ausgabe ist eine abschliessende Erklärung, Analyse oder ein vorgeschlagenes Quellartefakt mit Bezug zum Ziel des Nutzers.
Ultras Schwerpunkt auf Tiefe ist nützlich für Arbeit, die sich über mehrere Beobachtungen entwickelt. Der Hersteller beschreibt Forschungsaufgaben, die eine Idee untersuchen, ein Experiment durchführen, einen Fehlschlag interpretieren und den Ansatz überarbeiten. Eine Aufgabe für das Modell sollte deshalb das Ziel, das zu untersuchende Material und die Belege benennen, die das Beibehalten oder Verwerfen eines vorgeschlagenen Ergebnisses rechtfertigen würden.
Stellen Sie für die Reproduktion einer wissenschaftlichen Arbeit die relevante Methode, die Implementierungsbedingungen und die Beobachtungen des aktuellen Versuchs bereit. Fragen Sie nach den nötigen Schritten zum Vergleich der Implementierung mit der beschriebenen Methode und nach den ungeklärten Unterschieden. Definieren Sie für eine Literaturanalyse den Umfang und fordern Sie Ergebnisse, stützende Passagen und die Lücken an, die die Schlussfolgerung beeinflussen.
Stellen Sie für eine Codeprüfung den tatsächlichen Quellcode und das zu beurteilende Verhalten bereit. Verlangen Sie eine Erklärung jeder wesentlichen Feststellung und eine Prüfung, die sie bestätigen könnte. Definieren Sie für eine autorisierte Sicherheitsprüfung das System und den Umfang und fordern Sie einen Bericht mit Belegen und Schritten zur erneuten Prüfung an. Dies sind Möglichkeiten, die dokumentierten Aufgabenbereiche des Herstellers zu organisieren, und keine Garantien für das Ergebnis einer bestimmten Prüfung.
Halten Sie die Ultra-Variante ohne Versionsangabe von der ausdrücklich benannten Ausgabe Ultra v2 getrennt. Sakana entwickelt die Orchestrierung und ihren Expertenpool im Lauf der Zeit weiter; der Familienname legt deshalb keine unveränderliche Zusammensetzung fest. Wenn eine Anwendung externe Werkzeuge ausführt, geben Sie das beobachtete Ergebnis für den nächsten Schritt zurück und zeigen Sie anhand des endgültigen Artefakts, was die Aufgabe tatsächlich festgestellt hat.
", "aboutText": "Fugu Ultra ist Sakana AIs auf Tiefe ausgerichtete Variante innerhalb der Fugu-Familie zur Modellorchestrierung. Die ursprüngliche Ultra-Veröffentlichung des Herstellers koordiniert einen auf grössere Tiefe ausgelegten Expertenpool für schwierige mehrstufige Probleme. Zu ihren genannten Anwendungen gehören KI-Forschung, Reproduktion wissenschaftlicher Arbeiten, Codeprüfung, Cybersicherheitsanalyse sowie Literatur- oder Patentuntersuchungen.\n\nFugu ist selbst ein Sprachmodell, das darauf trainiert wurde, Beiträge anderer Modelle zu koordinieren. Es entscheidet, wie delegiert wird, wie die Agenten kommunizieren sollen und wie ihre Arbeit zusammengeführt wird. Das System verwaltet Auswahl, Verifikation und Zusammenführung innerhalb einer einzigen Herstellermodellschnittstelle. Die nützliche Ausgabe ist eine abschliessende Erklärung, Analyse oder ein vorgeschlagenes Quellartefakt mit Bezug zum Ziel des Nutzers.\n\nUltras Schwerpunkt auf Tiefe ist nützlich für Arbeit, die sich über mehrere Beobachtungen entwickelt. Der Hersteller beschreibt Forschungsaufgaben, die eine Idee untersuchen, ein Experiment durchführen, einen Fehlschlag interpretieren und den Ansatz überarbeiten. Eine Aufgabe für das Modell sollte deshalb das Ziel, das zu untersuchende Material und die Belege benennen, die das Beibehalten oder Verwerfen eines vorgeschlagenen Ergebnisses rechtfertigen würden.\n\nStellen Sie für die Reproduktion einer wissenschaftlichen Arbeit die relevante Methode, die Implementierungsbedingungen und die Beobachtungen des aktuellen Versuchs bereit. Fragen Sie nach den nötigen Schritten zum Vergleich der Implementierung mit der beschriebenen Methode und nach den ungeklärten Unterschieden. Definieren Sie für eine Literaturanalyse den Umfang und fordern Sie Ergebnisse, stützende Passagen und die Lücken an, die die Schlussfolgerung beeinflussen.\n\nStellen Sie für eine Codeprüfung den tatsächlichen Quellcode und das zu beurteilende Verhalten bereit. Verlangen Sie eine Erklärung jeder wesentlichen Feststellung und eine Prüfung, die sie bestätigen könnte. Definieren Sie für eine autorisierte Sicherheitsprüfung das System und den Umfang und fordern Sie einen Bericht mit Belegen und Schritten zur erneuten Prüfung an. Dies sind Möglichkeiten, die dokumentierten Aufgabenbereiche des Herstellers zu organisieren, und keine Garantien für das Ergebnis einer bestimmten Prüfung.\n\nHalten Sie die Ultra-Variante ohne Versionsangabe von der ausdrücklich benannten Ausgabe Ultra v2 getrennt. Sakana entwickelt die Orchestrierung und ihren Expertenpool im Lauf der Zeit weiter; der Familienname legt deshalb keine unveränderliche Zusammensetzung fest. Wenn eine Anwendung externe Werkzeuge ausführt, geben Sie das beobachtete Ergebnis für den nächsten Schritt zurück und zeigen Sie anhand des endgültigen Artefakts, was die Aufgabe tatsächlich festgestellt hat.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
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-ultraFugu Ultra von Sakana AI koordiniert einen auf grössere Tiefe ausgelegten Pool von Expertenmodellen für schwierige mehrstufige Aufgaben. Zu den Herstelleranwendungen gehören Recherche, Reproduktion wissenschaftlicher Arbeiten, Codeprüfung und Literaturanalyse; die Ergebnisse werden zu einer einzigen Antwort zusammengeführt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Fugu Ultra ist Sakana AIs auf Tiefe ausgerichtete Variante innerhalb der Fugu-Familie zur Modellorchestrierung. Die ursprüngliche Ultra-Veröffentlichung des Herstellers koordiniert einen auf grössere Tiefe ausgelegten Expertenpool für schwierige mehrstufige Probleme. Zu ihren genannten Anwendungen gehören KI-Forschung, Reproduktion wissenschaftlicher Arbeiten, Codeprüfung, Cybersicherheitsanalyse sowie Literatur- oder Patentuntersuchungen.
Fugu ist selbst ein Sprachmodell, das darauf trainiert wurde, Beiträge anderer Modelle zu koordinieren. Es entscheidet, wie delegiert wird, wie die Agenten kommunizieren sollen und wie ihre Arbeit zusammengeführt wird. Das System verwaltet Auswahl, Verifikation und Zusammenführung innerhalb einer einzigen Herstellermodellschnittstelle. Die nützliche Ausgabe ist eine abschliessende Erklärung, Analyse oder ein vorgeschlagenes Quellartefakt mit Bezug zum Ziel des Nutzers.
Ultras Schwerpunkt auf Tiefe ist nützlich für Arbeit, die sich über mehrere Beobachtungen entwickelt. Der Hersteller beschreibt Forschungsaufgaben, die eine Idee untersuchen, ein Experiment durchführen, einen Fehlschlag interpretieren und den Ansatz überarbeiten. Eine Aufgabe für das Modell sollte deshalb das Ziel, das zu untersuchende Material und die Belege benennen, die das Beibehalten oder Verwerfen eines vorgeschlagenen Ergebnisses rechtfertigen würden.
Stellen Sie für die Reproduktion einer wissenschaftlichen Arbeit die relevante Methode, die Implementierungsbedingungen und die Beobachtungen des aktuellen Versuchs bereit. Fragen Sie nach den nötigen Schritten zum Vergleich der Implementierung mit der beschriebenen Methode und nach den ungeklärten Unterschieden. Definieren Sie für eine Literaturanalyse den Umfang und fordern Sie Ergebnisse, stützende Passagen und die Lücken an, die die Schlussfolgerung beeinflussen.
Stellen Sie für eine Codeprüfung den tatsächlichen Quellcode und das zu beurteilende Verhalten bereit. Verlangen Sie eine Erklärung jeder wesentlichen Feststellung und eine Prüfung, die sie bestätigen könnte. Definieren Sie für eine autorisierte Sicherheitsprüfung das System und den Umfang und fordern Sie einen Bericht mit Belegen und Schritten zur erneuten Prüfung an. Dies sind Möglichkeiten, die dokumentierten Aufgabenbereiche des Herstellers zu organisieren, und keine Garantien für das Ergebnis einer bestimmten Prüfung.
Halten Sie die Ultra-Variante ohne Versionsangabe von der ausdrücklich benannten Ausgabe Ultra v2 getrennt. Sakana entwickelt die Orchestrierung und ihren Expertenpool im Lauf der Zeit weiter; der Familienname legt deshalb keine unveränderliche Zusammensetzung fest. Wenn eine Anwendung externe Werkzeuge ausführt, geben Sie das beobachtete Ergebnis für den nächsten Schritt zurück und zeigen Sie anhand des endgültigen Artefakts, was die Aufgabe tatsächlich festgestellt hat.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits sakana/fugu-ultra | 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", "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 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
Verwenden Sie die oben angezeigten Methodenpfade.
sakana/fugu-ultraFugu Ultra von Sakana AI koordiniert einen auf grössere Tiefe ausgelegten Pool von Expertenmodellen für schwierige mehrstufige Aufgaben. Zu den Herstelleranwendungen gehören Recherche, Reproduktion wissenschaftlicher Arbeiten, Codeprüfung und Literaturanalyse; die Ergebnisse werden zu einer einzigen Antwort zusammengeführt.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Fugu Ultra ist Sakana AIs auf Tiefe ausgerichtete Variante innerhalb der Fugu-Familie zur Modellorchestrierung. Die ursprüngliche Ultra-Veröffentlichung des Herstellers koordiniert einen auf grössere Tiefe ausgelegten Expertenpool für schwierige mehrstufige Probleme. Zu ihren genannten Anwendungen gehören KI-Forschung, Reproduktion wissenschaftlicher Arbeiten, Codeprüfung, Cybersicherheitsanalyse sowie Literatur- oder Patentuntersuchungen.
Fugu ist selbst ein Sprachmodell, das darauf trainiert wurde, Beiträge anderer Modelle zu koordinieren. Es entscheidet, wie delegiert wird, wie die Agenten kommunizieren sollen und wie ihre Arbeit zusammengeführt wird. Das System verwaltet Auswahl, Verifikation und Zusammenführung innerhalb einer einzigen Herstellermodellschnittstelle. Die nützliche Ausgabe ist eine abschliessende Erklärung, Analyse oder ein vorgeschlagenes Quellartefakt mit Bezug zum Ziel des Nutzers.
Ultras Schwerpunkt auf Tiefe ist nützlich für Arbeit, die sich über mehrere Beobachtungen entwickelt. Der Hersteller beschreibt Forschungsaufgaben, die eine Idee untersuchen, ein Experiment durchführen, einen Fehlschlag interpretieren und den Ansatz überarbeiten. Eine Aufgabe für das Modell sollte deshalb das Ziel, das zu untersuchende Material und die Belege benennen, die das Beibehalten oder Verwerfen eines vorgeschlagenen Ergebnisses rechtfertigen würden.
Stellen Sie für die Reproduktion einer wissenschaftlichen Arbeit die relevante Methode, die Implementierungsbedingungen und die Beobachtungen des aktuellen Versuchs bereit. Fragen Sie nach den nötigen Schritten zum Vergleich der Implementierung mit der beschriebenen Methode und nach den ungeklärten Unterschieden. Definieren Sie für eine Literaturanalyse den Umfang und fordern Sie Ergebnisse, stützende Passagen und die Lücken an, die die Schlussfolgerung beeinflussen.
Stellen Sie für eine Codeprüfung den tatsächlichen Quellcode und das zu beurteilende Verhalten bereit. Verlangen Sie eine Erklärung jeder wesentlichen Feststellung und eine Prüfung, die sie bestätigen könnte. Definieren Sie für eine autorisierte Sicherheitsprüfung das System und den Umfang und fordern Sie einen Bericht mit Belegen und Schritten zur erneuten Prüfung an. Dies sind Möglichkeiten, die dokumentierten Aufgabenbereiche des Herstellers zu organisieren, und keine Garantien für das Ergebnis einer bestimmten Prüfung.
Halten Sie die Ultra-Variante ohne Versionsangabe von der ausdrücklich benannten Ausgabe Ultra v2 getrennt. Sakana entwickelt die Orchestrierung und ihren Expertenpool im Lauf der Zeit weiter; der Familienname legt deshalb keine unveränderliche Zusammensetzung fest. Wenn eine Anwendung externe Werkzeuge ausführt, geben Sie das beobachtete Ergebnis für den nächsten Schritt zurück und zeigen Sie anhand des endgültigen Artefakts, was die Aufgabe tatsächlich festgestellt hat.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits sakana/fugu-ultra | 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 $0.002 / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "sakana/fugu-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
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.