Fugu Ultra v2 est l’édition axée sur les performances du système d’orchestration de modèles de Sakana AI, fondé sur l’apprentissage. Elle coordonne des modèles experts pour le raisonnement complexe en plusieurs étapes, la recherche et le travail logiciel full-stack. Le producteur met particulièrement l’accent sur le raisonnement prolongé sur des contenus visuels et structurés dans cette édition. Elle est distincte de Fugu Max et de la version Fugu Ultra antérieure.
Le système utilise un coordinateur entraîné pour sélectionner, déléguer, vérifier et synthétiser le travail au sein d’un ensemble d’experts. Une requête peut mobiliser plusieurs contributions complémentaires avant l’assemblage de la réponse finale. Cette orchestration est une capacité du modèle du fabricant ; l’application fournit toujours la tâche, le contenu pertinent et les observations externes nécessaires à son processus.
Le producteur fixe l’ensemble complet d’agents pour la variante Ultra, tandis que le coordinateur choisit comment l’utiliser pour la tâche. Cela diffère de l’hypothèse selon laquelle l’utilisateur peut configurer individuellement chaque modèle participant. Sakana distingue aussi l’accent mis par Ultra sur la profondeur de la réponse de l’objectif de Max d’obtenir des combinaisons efficaces. Une coordination plus approfondie peut prendre plus de temps de réponse, comme l’explique la comparaison du fabricant.
Pour une mission visuelle ou d’analyse de données, fournissez le graphique, le tableau ou les observations pertinentes et définissez la question à résoudre. Demandez le constat, les éléments qui l’étayent et l’interprétation intermédiaire nécessaire pour l’évaluer. Un livrable utile peut associer une conclusion concise à une présentation structurée des données, plutôt que de laisser l’analyse sous forme de plusieurs observations déconnectées.
Pour un travail logiciel, identifiez le comportement attendu, les sources pertinentes et le résultat des vérifications actuelles. Demandez une proposition de modification ciblée avec les conditions qui permettront d’établir si elle fonctionne. Dans un processus connecté, renvoyez le résultat réel de l’exécution afin que l’étape suivante puisse traiter un échec concret ou conserver une modification réussie. Cela crée une tâche centrée sur des éléments de preuve et un livrable achevé, plutôt qu’une demande ouverte d’améliorer le code.
Pour une investigation de recherche, définissez le périmètre et la structure du rapport final. Le rapport peut séparer les constats établis, les interprétations concurrentes et les dépendances non résolues. La version v2 de Sakana indique une date limite des informations d’entraînement au 28 août 2026 ; les éléments externes fournis ou récupérés pour une tâche sont distincts de cet historique d’entraînement. Gardez cette distinction claire lorsque vous posez des questions sur des informations qui évoluent dans le temps.
", "aboutText": "Fugu Ultra v2 est l’édition axée sur les performances du système d’orchestration de modèles de Sakana AI, fondé sur l’apprentissage. Elle coordonne des modèles experts pour le raisonnement complexe en plusieurs étapes, la recherche et le travail logiciel full-stack. Le producteur met particulièrement l’accent sur le raisonnement prolongé sur des contenus visuels et structurés dans cette édition. Elle est distincte de Fugu Max et de la version Fugu Ultra antérieure.\n\nLe système utilise un coordinateur entraîné pour sélectionner, déléguer, vérifier et synthétiser le travail au sein d’un ensemble d’experts. Une requête peut mobiliser plusieurs contributions complémentaires avant l’assemblage de la réponse finale. Cette orchestration est une capacité du modèle du fabricant ; l’application fournit toujours la tâche, le contenu pertinent et les observations externes nécessaires à son processus.\n\nLe producteur fixe l’ensemble complet d’agents pour la variante Ultra, tandis que le coordinateur choisit comment l’utiliser pour la tâche. Cela diffère de l’hypothèse selon laquelle l’utilisateur peut configurer individuellement chaque modèle participant. Sakana distingue aussi l’accent mis par Ultra sur la profondeur de la réponse de l’objectif de Max d’obtenir des combinaisons efficaces. Une coordination plus approfondie peut prendre plus de temps de réponse, comme l’explique la comparaison du fabricant.\n\nPour une mission visuelle ou d’analyse de données, fournissez le graphique, le tableau ou les observations pertinentes et définissez la question à résoudre. Demandez le constat, les éléments qui l’étayent et l’interprétation intermédiaire nécessaire pour l’évaluer. Un livrable utile peut associer une conclusion concise à une présentation structurée des données, plutôt que de laisser l’analyse sous forme de plusieurs observations déconnectées.\n\nPour un travail logiciel, identifiez le comportement attendu, les sources pertinentes et le résultat des vérifications actuelles. Demandez une proposition de modification ciblée avec les conditions qui permettront d’établir si elle fonctionne. Dans un processus connecté, renvoyez le résultat réel de l’exécution afin que l’étape suivante puisse traiter un échec concret ou conserver une modification réussie. Cela crée une tâche centrée sur des éléments de preuve et un livrable achevé, plutôt qu’une demande ouverte d’améliorer le code.\n\nPour une investigation de recherche, définissez le périmètre et la structure du rapport final. Le rapport peut séparer les constats établis, les interprétations concurrentes et les dépendances non résolues. La version v2 de Sakana indique une date limite des informations d’entraînement au 28 août 2026 ; les éléments externes fournis ou récupérés pour une tâche sont distincts de cet historique d’entraînement. Gardez cette distinction claire lorsque vous posez des questions sur des informations qui évoluent dans le temps.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 coordonne un ensemble de modèles experts pour le raisonnement complexe, la recherche et le développement logiciel. Cette édition met l’accent sur le travail prolongé avec des contenus visuels et structurés et sur un résultat final assemblé à partir des contributions des agents.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Fugu Ultra v2 est l’édition axée sur les performances du système d’orchestration de modèles de Sakana AI, fondé sur l’apprentissage. Elle coordonne des modèles experts pour le raisonnement complexe en plusieurs étapes, la recherche et le travail logiciel full-stack. Le producteur met particulièrement l’accent sur le raisonnement prolongé sur des contenus visuels et structurés dans cette édition. Elle est distincte de Fugu Max et de la version Fugu Ultra antérieure.
Le système utilise un coordinateur entraîné pour sélectionner, déléguer, vérifier et synthétiser le travail au sein d’un ensemble d’experts. Une requête peut mobiliser plusieurs contributions complémentaires avant l’assemblage de la réponse finale. Cette orchestration est une capacité du modèle du fabricant ; l’application fournit toujours la tâche, le contenu pertinent et les observations externes nécessaires à son processus.
Le producteur fixe l’ensemble complet d’agents pour la variante Ultra, tandis que le coordinateur choisit comment l’utiliser pour la tâche. Cela diffère de l’hypothèse selon laquelle l’utilisateur peut configurer individuellement chaque modèle participant. Sakana distingue aussi l’accent mis par Ultra sur la profondeur de la réponse de l’objectif de Max d’obtenir des combinaisons efficaces. Une coordination plus approfondie peut prendre plus de temps de réponse, comme l’explique la comparaison du fabricant.
Pour une mission visuelle ou d’analyse de données, fournissez le graphique, le tableau ou les observations pertinentes et définissez la question à résoudre. Demandez le constat, les éléments qui l’étayent et l’interprétation intermédiaire nécessaire pour l’évaluer. Un livrable utile peut associer une conclusion concise à une présentation structurée des données, plutôt que de laisser l’analyse sous forme de plusieurs observations déconnectées.
Pour un travail logiciel, identifiez le comportement attendu, les sources pertinentes et le résultat des vérifications actuelles. Demandez une proposition de modification ciblée avec les conditions qui permettront d’établir si elle fonctionne. Dans un processus connecté, renvoyez le résultat réel de l’exécution afin que l’étape suivante puisse traiter un échec concret ou conserver une modification réussie. Cela crée une tâche centrée sur des éléments de preuve et un livrable achevé, plutôt qu’une demande ouverte d’améliorer le code.
Pour une investigation de recherche, définissez le périmètre et la structure du rapport final. Le rapport peut séparer les constats établis, les interprétations concurrentes et les dépendances non résolues. La version v2 de Sakana indique une date limite des informations d’entraînement au 28 août 2026 ; les éléments externes fournis ou récupérés pour une tâche sont distincts de cet historique d’entraînement. Gardez cette distinction claire lorsque vous posez des questions sur des informations qui évoluent dans le temps.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites sakana/fugu-ultra-v2 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.01 / 1K tokens Sortie · Tokens en sortie $0.06 / 1K tokens Entrée · Lecture du cache $0.001 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluse272 000 | Coût Entrée · Tokens en entrée $0.01 / 1K tokens Sortie · Tokens en sortie $0.06 / 1K tokens Entrée · Lecture du cache $0.001 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de272 000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.02 / 1K tokens Sortie · Tokens en sortie $0.09 / 1K tokens Entrée · Lecture du cache $0.002 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra sakana/fugu-ultra-v2
Utilisez les chemins de méthode indiqués ci-dessus.
sakana/fugu-ultra-v2Fugu Ultra v2 de Sakana AI coordonne un ensemble de modèles experts pour le raisonnement complexe, la recherche et le développement logiciel. Cette édition met l’accent sur le travail prolongé avec des contenus visuels et structurés et sur un résultat final assemblé à partir des contributions des agents.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Fugu Ultra v2 est l’édition axée sur les performances du système d’orchestration de modèles de Sakana AI, fondé sur l’apprentissage. Elle coordonne des modèles experts pour le raisonnement complexe en plusieurs étapes, la recherche et le travail logiciel full-stack. Le producteur met particulièrement l’accent sur le raisonnement prolongé sur des contenus visuels et structurés dans cette édition. Elle est distincte de Fugu Max et de la version Fugu Ultra antérieure.
Le système utilise un coordinateur entraîné pour sélectionner, déléguer, vérifier et synthétiser le travail au sein d’un ensemble d’experts. Une requête peut mobiliser plusieurs contributions complémentaires avant l’assemblage de la réponse finale. Cette orchestration est une capacité du modèle du fabricant ; l’application fournit toujours la tâche, le contenu pertinent et les observations externes nécessaires à son processus.
Le producteur fixe l’ensemble complet d’agents pour la variante Ultra, tandis que le coordinateur choisit comment l’utiliser pour la tâche. Cela diffère de l’hypothèse selon laquelle l’utilisateur peut configurer individuellement chaque modèle participant. Sakana distingue aussi l’accent mis par Ultra sur la profondeur de la réponse de l’objectif de Max d’obtenir des combinaisons efficaces. Une coordination plus approfondie peut prendre plus de temps de réponse, comme l’explique la comparaison du fabricant.
Pour une mission visuelle ou d’analyse de données, fournissez le graphique, le tableau ou les observations pertinentes et définissez la question à résoudre. Demandez le constat, les éléments qui l’étayent et l’interprétation intermédiaire nécessaire pour l’évaluer. Un livrable utile peut associer une conclusion concise à une présentation structurée des données, plutôt que de laisser l’analyse sous forme de plusieurs observations déconnectées.
Pour un travail logiciel, identifiez le comportement attendu, les sources pertinentes et le résultat des vérifications actuelles. Demandez une proposition de modification ciblée avec les conditions qui permettront d’établir si elle fonctionne. Dans un processus connecté, renvoyez le résultat réel de l’exécution afin que l’étape suivante puisse traiter un échec concret ou conserver une modification réussie. Cela crée une tâche centrée sur des éléments de preuve et un livrable achevé, plutôt qu’une demande ouverte d’améliorer le code.
Pour une investigation de recherche, définissez le périmètre et la structure du rapport final. Le rapport peut séparer les constats établis, les interprétations concurrentes et les dépendances non résolues. La version v2 de Sakana indique une date limite des informations d’entraînement au 28 août 2026 ; les éléments externes fournis ou récupérés pour une tâche sont distincts de cet historique d’entraînement. Gardez cette distinction claire lorsque vous posez des questions sur des informations qui évoluent dans le temps.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites sakana/fugu-ultra-v2 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.01 / 1K tokens Sortie · Tokens en sortie $0.06 / 1K tokens Entrée · Lecture du cache $0.001 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluse272 000 | Coût Entrée · Tokens en entrée $0.01 / 1K tokens Sortie · Tokens en sortie $0.06 / 1K tokens Entrée · Lecture du cache $0.001 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de272 000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.02 / 1K tokens Sortie · Tokens en sortie $0.09 / 1K tokens Entrée · Lecture du cache $0.002 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "sakana/fugu-ultra-v2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra sakana/fugu-ultra-v2
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.