Fugu Ultra v2 es la edición de Sakana AI centrada en el rendimiento de su sistema de orquestación de modelos aprendido. Coordina modelos expertos para razonamiento complejo de varios pasos, investigación y trabajo de software full stack. El fabricante destaca específicamente el razonamiento sostenido sobre material visual y estructurado en esta edición. Es distinta de Fugu Max y de la versión anterior de Fugu Ultra.
El sistema utiliza un coordinador entrenado para seleccionar, delegar, verificar y sintetizar el trabajo dentro de un conjunto de expertos. Una solicitud puede implicar varias contribuciones complementarias antes de ensamblar la respuesta final. Esta orquestación es una capacidad del modelo del fabricante; la aplicación sigue proporcionando la tarea, el material pertinente y cualquier observación externa que necesite su flujo de trabajo.
El fabricante fija el conjunto completo de agentes para la opción Ultra, mientras que el coordinador elige cómo utilizarlo para la tarea. Esto es distinto de suponer que el usuario puede configurar individualmente todos los modelos participantes. Sakana también distingue el énfasis de Ultra en la profundidad de la respuesta del enfoque de Max en combinaciones eficientes. Una coordinación más profunda puede requerir más tiempo de respuesta, como explica la comparación del fabricante.
Para una tarea visual o de análisis de datos, proporciona el gráfico, la tabla o las observaciones pertinentes y define la pregunta que debe resolverse. Pide el hallazgo, las evidencias que lo respaldan y la interpretación intermedia necesaria para evaluarlo. Un resultado útil puede combinar una conclusión concisa con una exposición estructurada de los datos, en lugar de dejar el análisis como varias observaciones desconectadas.
Para trabajo de software, identifica el comportamiento esperado, el código fuente pertinente y el resultado de las comprobaciones actuales. Solicita una propuesta de cambio concreta con las condiciones que permitirán establecer si funciona. En un flujo conectado, devuelve el resultado real de ejecución para que el siguiente paso pueda abordar un fallo concreto o conservar un cambio exitoso. Así se crea una tarea en torno a evidencias y un resultado terminado, en lugar de una solicitud abierta para mejorar el código.
Para una investigación, define el alcance y la estructura del informe final. El informe puede separar los hallazgos establecidos, las interpretaciones contrapuestas y las dependencias sin resolver. La versión v2 de Sakana declara el 28 de agosto de 2026 como fecha límite de la información de entrenamiento; las evidencias externas proporcionadas o recuperadas para una tarea son distintas de ese historial de entrenamiento. Mantén clara la distinción al preguntar sobre información que cambia con el tiempo.
", "aboutText": "Fugu Ultra v2 es la edición de Sakana AI centrada en el rendimiento de su sistema de orquestación de modelos aprendido. Coordina modelos expertos para razonamiento complejo de varios pasos, investigación y trabajo de software full stack. El fabricante destaca específicamente el razonamiento sostenido sobre material visual y estructurado en esta edición. Es distinta de Fugu Max y de la versión anterior de Fugu Ultra.\n\nEl sistema utiliza un coordinador entrenado para seleccionar, delegar, verificar y sintetizar el trabajo dentro de un conjunto de expertos. Una solicitud puede implicar varias contribuciones complementarias antes de ensamblar la respuesta final. Esta orquestación es una capacidad del modelo del fabricante; la aplicación sigue proporcionando la tarea, el material pertinente y cualquier observación externa que necesite su flujo de trabajo.\n\nEl fabricante fija el conjunto completo de agentes para la opción Ultra, mientras que el coordinador elige cómo utilizarlo para la tarea. Esto es distinto de suponer que el usuario puede configurar individualmente todos los modelos participantes. Sakana también distingue el énfasis de Ultra en la profundidad de la respuesta del enfoque de Max en combinaciones eficientes. Una coordinación más profunda puede requerir más tiempo de respuesta, como explica la comparación del fabricante.\n\nPara una tarea visual o de análisis de datos, proporciona el gráfico, la tabla o las observaciones pertinentes y define la pregunta que debe resolverse. Pide el hallazgo, las evidencias que lo respaldan y la interpretación intermedia necesaria para evaluarlo. Un resultado útil puede combinar una conclusión concisa con una exposición estructurada de los datos, en lugar de dejar el análisis como varias observaciones desconectadas.\n\nPara trabajo de software, identifica el comportamiento esperado, el código fuente pertinente y el resultado de las comprobaciones actuales. Solicita una propuesta de cambio concreta con las condiciones que permitirán establecer si funciona. En un flujo conectado, devuelve el resultado real de ejecución para que el siguiente paso pueda abordar un fallo concreto o conservar un cambio exitoso. Así se crea una tarea en torno a evidencias y un resultado terminado, en lugar de una solicitud abierta para mejorar el código.\n\nPara una investigación, define el alcance y la estructura del informe final. El informe puede separar los hallazgos establecidos, las interpretaciones contrapuestas y las dependencias sin resolver. La versión v2 de Sakana declara el 28 de agosto de 2026 como fecha límite de la información de entrenamiento; las evidencias externas proporcionadas o recuperadas para una tarea son distintas de ese historial de entrenamiento. Mantén clara la distinción al preguntar sobre información que cambia con el tiempo.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
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 de Sakana AI coordina un conjunto de modelos expertos para razonamiento complejo, investigación y desarrollo de software. La edición destaca el trabajo sostenido con material visual y estructurado y un resultado final compuesto a partir de las contribuciones de los agentes.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Fugu Ultra v2 es la edición de Sakana AI centrada en el rendimiento de su sistema de orquestación de modelos aprendido. Coordina modelos expertos para razonamiento complejo de varios pasos, investigación y trabajo de software full stack. El fabricante destaca específicamente el razonamiento sostenido sobre material visual y estructurado en esta edición. Es distinta de Fugu Max y de la versión anterior de Fugu Ultra.
El sistema utiliza un coordinador entrenado para seleccionar, delegar, verificar y sintetizar el trabajo dentro de un conjunto de expertos. Una solicitud puede implicar varias contribuciones complementarias antes de ensamblar la respuesta final. Esta orquestación es una capacidad del modelo del fabricante; la aplicación sigue proporcionando la tarea, el material pertinente y cualquier observación externa que necesite su flujo de trabajo.
El fabricante fija el conjunto completo de agentes para la opción Ultra, mientras que el coordinador elige cómo utilizarlo para la tarea. Esto es distinto de suponer que el usuario puede configurar individualmente todos los modelos participantes. Sakana también distingue el énfasis de Ultra en la profundidad de la respuesta del enfoque de Max en combinaciones eficientes. Una coordinación más profunda puede requerir más tiempo de respuesta, como explica la comparación del fabricante.
Para una tarea visual o de análisis de datos, proporciona el gráfico, la tabla o las observaciones pertinentes y define la pregunta que debe resolverse. Pide el hallazgo, las evidencias que lo respaldan y la interpretación intermedia necesaria para evaluarlo. Un resultado útil puede combinar una conclusión concisa con una exposición estructurada de los datos, en lugar de dejar el análisis como varias observaciones desconectadas.
Para trabajo de software, identifica el comportamiento esperado, el código fuente pertinente y el resultado de las comprobaciones actuales. Solicita una propuesta de cambio concreta con las condiciones que permitirán establecer si funciona. En un flujo conectado, devuelve el resultado real de ejecución para que el siguiente paso pueda abordar un fallo concreto o conservar un cambio exitoso. Así se crea una tarea en torno a evidencias y un resultado terminado, en lugar de una solicitud abierta para mejorar el código.
Para una investigación, define el alcance y la estructura del informe final. El informe puede separar los hallazgos establecidos, las interpretaciones contrapuestas y las dependencias sin resolver. La versión v2 de Sakana declara el 28 de agosto de 2026 como fecha límite de la información de entrenamiento; las evidencias externas proporcionadas o recuperadas para una tarea son distintas de ese historial de entrenamiento. Mantén clara la distinción al preguntar sobre información que cambia con el tiempo.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites sakana/fugu-ultra-v2 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.01 / 1K tokens Salida · Tokens de salida $0.06 / 1K tokens Entrada · Lectura de caché $0.001 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusive272.000 | Cargo Entrada · Tokens de entrada $0.01 / 1K tokens Salida · Tokens de salida $0.06 / 1K tokens Entrada · Lectura de caché $0.001 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 2 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de272.000 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.02 / 1K tokens Salida · Tokens de salida $0.09 / 1K tokens Entrada · Lectura de caché $0.002 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra sakana/fugu-ultra-v2
Usa las rutas de método indicadas arriba.
sakana/fugu-ultra-v2Fugu Ultra v2 de Sakana AI coordina un conjunto de modelos expertos para razonamiento complejo, investigación y desarrollo de software. La edición destaca el trabajo sostenido con material visual y estructurado y un resultado final compuesto a partir de las contribuciones de los agentes.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Fugu Ultra v2 es la edición de Sakana AI centrada en el rendimiento de su sistema de orquestación de modelos aprendido. Coordina modelos expertos para razonamiento complejo de varios pasos, investigación y trabajo de software full stack. El fabricante destaca específicamente el razonamiento sostenido sobre material visual y estructurado en esta edición. Es distinta de Fugu Max y de la versión anterior de Fugu Ultra.
El sistema utiliza un coordinador entrenado para seleccionar, delegar, verificar y sintetizar el trabajo dentro de un conjunto de expertos. Una solicitud puede implicar varias contribuciones complementarias antes de ensamblar la respuesta final. Esta orquestación es una capacidad del modelo del fabricante; la aplicación sigue proporcionando la tarea, el material pertinente y cualquier observación externa que necesite su flujo de trabajo.
El fabricante fija el conjunto completo de agentes para la opción Ultra, mientras que el coordinador elige cómo utilizarlo para la tarea. Esto es distinto de suponer que el usuario puede configurar individualmente todos los modelos participantes. Sakana también distingue el énfasis de Ultra en la profundidad de la respuesta del enfoque de Max en combinaciones eficientes. Una coordinación más profunda puede requerir más tiempo de respuesta, como explica la comparación del fabricante.
Para una tarea visual o de análisis de datos, proporciona el gráfico, la tabla o las observaciones pertinentes y define la pregunta que debe resolverse. Pide el hallazgo, las evidencias que lo respaldan y la interpretación intermedia necesaria para evaluarlo. Un resultado útil puede combinar una conclusión concisa con una exposición estructurada de los datos, en lugar de dejar el análisis como varias observaciones desconectadas.
Para trabajo de software, identifica el comportamiento esperado, el código fuente pertinente y el resultado de las comprobaciones actuales. Solicita una propuesta de cambio concreta con las condiciones que permitirán establecer si funciona. En un flujo conectado, devuelve el resultado real de ejecución para que el siguiente paso pueda abordar un fallo concreto o conservar un cambio exitoso. Así se crea una tarea en torno a evidencias y un resultado terminado, en lugar de una solicitud abierta para mejorar el código.
Para una investigación, define el alcance y la estructura del informe final. El informe puede separar los hallazgos establecidos, las interpretaciones contrapuestas y las dependencias sin resolver. La versión v2 de Sakana declara el 28 de agosto de 2026 como fecha límite de la información de entrenamiento; las evidencias externas proporcionadas o recuperadas para una tarea son distintas de ese historial de entrenamiento. Mantén clara la distinción al preguntar sobre información que cambia con el tiempo.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites sakana/fugu-ultra-v2 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.01 / 1K tokens Salida · Tokens de salida $0.06 / 1K tokens Entrada · Lectura de caché $0.001 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusive272.000 | Cargo Entrada · Tokens de entrada $0.01 / 1K tokens Salida · Tokens de salida $0.06 / 1K tokens Entrada · Lectura de caché $0.001 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 2 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de272.000 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.02 / 1K tokens Salida · Tokens de salida $0.09 / 1K tokens Entrada · Lectura de caché $0.002 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "sakana/fugu-ultra-v2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra sakana/fugu-ultra-v2
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
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.