Fugu Ultra est la variante axée sur la profondeur de Sakana AI dans la famille d’orchestration de modèles Fugu. La version Ultra d’origine du fabricant coordonne un ensemble d’experts pour traiter en profondeur les problèmes difficiles en plusieurs étapes. Ses applications annoncées comprennent la recherche en IA, la reproduction d’études scientifiques, la révision de code, l’analyse de cybersécurité et les investigations de littérature ou de brevets.
Fugu est lui-même un modèle de langage entraîné à coordonner les contributions d’autres modèles. Il décide comment déléguer, comment les agents doivent communiquer et comment combiner leur travail. Le système gère la sélection, la vérification et la synthèse au sein d’une seule interface de modèle du fabricant. La sortie utile est une explication finale, une analyse ou une proposition de livrable source liée à l’objectif de l’utilisateur.
L’accent mis par Ultra sur la profondeur est utile pour le travail qui progresse à travers plusieurs observations. Le producteur décrit des tâches de recherche qui explorent une idée, exécutent une expérience, interprètent un échec et révisent l’approche. Une tâche destinée au modèle doit donc préciser l’objectif, le matériel à examiner et les éléments qui justifieraient de conserver ou de rejeter un résultat proposé.
Pour reproduire les travaux décrits dans un article scientifique, fournissez la méthode pertinente, les conditions de mise en œuvre et les observations de la tentative actuelle. Demandez les étapes nécessaires pour comparer la mise en œuvre à la méthode décrite et les différences non résolues. Pour l’analyse de la littérature, définissez la portée et demandez les constats, les passages qui les appuient et les lacunes qui influencent la conclusion.
Pour la révision de code, fournissez les sources réelles et le comportement évalué. Demandez une explication de chaque constat important et une vérification qui pourrait le confirmer. Pour une révision de sécurité autorisée, définissez le système et la portée, puis demandez un rapport avec des éléments probants et des étapes de nouvel essai. Ce sont des façons d’organiser les domaines de tâches documentés du fabricant, et non des garanties sur le résultat d’une révision particulière.
Gardez la variante Ultra sans version distincte de l’édition explicitement nommée Ultra v2. Sakana fait évoluer l’orchestration et son ensemble d’experts au fil du temps; le nom de famille ne fixe donc pas une composition immuable. Lorsqu’une application exécute des outils externes, retournez le résultat observé pour l’étape suivante et utilisez le livrable final pour montrer ce que la tâche a réellement établi.
", "aboutText": "Fugu Ultra est la variante axée sur la profondeur de Sakana AI dans la famille d’orchestration de modèles Fugu. La version Ultra d’origine du fabricant coordonne un ensemble d’experts pour traiter en profondeur les problèmes difficiles en plusieurs étapes. Ses applications annoncées comprennent la recherche en IA, la reproduction d’études scientifiques, la révision de code, l’analyse de cybersécurité et les investigations de littérature ou de brevets.\n\nFugu est lui-même un modèle de langage entraîné à coordonner les contributions d’autres modèles. Il décide comment déléguer, comment les agents doivent communiquer et comment combiner leur travail. Le système gère la sélection, la vérification et la synthèse au sein d’une seule interface de modèle du fabricant. La sortie utile est une explication finale, une analyse ou une proposition de livrable source liée à l’objectif de l’utilisateur.\n\nL’accent mis par Ultra sur la profondeur est utile pour le travail qui progresse à travers plusieurs observations. Le producteur décrit des tâches de recherche qui explorent une idée, exécutent une expérience, interprètent un échec et révisent l’approche. Une tâche destinée au modèle doit donc préciser l’objectif, le matériel à examiner et les éléments qui justifieraient de conserver ou de rejeter un résultat proposé.\n\nPour reproduire les travaux décrits dans un article scientifique, fournissez la méthode pertinente, les conditions de mise en œuvre et les observations de la tentative actuelle. Demandez les étapes nécessaires pour comparer la mise en œuvre à la méthode décrite et les différences non résolues. Pour l’analyse de la littérature, définissez la portée et demandez les constats, les passages qui les appuient et les lacunes qui influencent la conclusion.\n\nPour la révision de code, fournissez les sources réelles et le comportement évalué. Demandez une explication de chaque constat important et une vérification qui pourrait le confirmer. Pour une révision de sécurité autorisée, définissez le système et la portée, puis demandez un rapport avec des éléments probants et des étapes de nouvel essai. Ce sont des façons d’organiser les domaines de tâches documentés du fabricant, et non des garanties sur le résultat d’une révision particulière.\n\nGardez la variante Ultra sans version distincte de l’édition explicitement nommée Ultra v2. Sakana fait évoluer l’orchestration et son ensemble d’experts au fil du temps; le nom de famille ne fixe donc pas une composition immuable. Lorsqu’une application exécute des outils externes, retournez le résultat observé pour l’étape suivante et utilisez le livrable final pour montrer ce que la tâche a réellement établi.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 de Sakana AI coordonne un ensemble de modèles experts pour traiter en profondeur les tâches difficiles en plusieurs étapes. Les cas d’usage du producteur comprennent la recherche, la reproduction d’études scientifiques, la révision de code et l’analyse de la littérature, avec des constats assemblés en une seule réponse.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Fugu Ultra est la variante axée sur la profondeur de Sakana AI dans la famille d’orchestration de modèles Fugu. La version Ultra d’origine du fabricant coordonne un ensemble d’experts pour traiter en profondeur les problèmes difficiles en plusieurs étapes. Ses applications annoncées comprennent la recherche en IA, la reproduction d’études scientifiques, la révision de code, l’analyse de cybersécurité et les investigations de littérature ou de brevets.
Fugu est lui-même un modèle de langage entraîné à coordonner les contributions d’autres modèles. Il décide comment déléguer, comment les agents doivent communiquer et comment combiner leur travail. Le système gère la sélection, la vérification et la synthèse au sein d’une seule interface de modèle du fabricant. La sortie utile est une explication finale, une analyse ou une proposition de livrable source liée à l’objectif de l’utilisateur.
L’accent mis par Ultra sur la profondeur est utile pour le travail qui progresse à travers plusieurs observations. Le producteur décrit des tâches de recherche qui explorent une idée, exécutent une expérience, interprètent un échec et révisent l’approche. Une tâche destinée au modèle doit donc préciser l’objectif, le matériel à examiner et les éléments qui justifieraient de conserver ou de rejeter un résultat proposé.
Pour reproduire les travaux décrits dans un article scientifique, fournissez la méthode pertinente, les conditions de mise en œuvre et les observations de la tentative actuelle. Demandez les étapes nécessaires pour comparer la mise en œuvre à la méthode décrite et les différences non résolues. Pour l’analyse de la littérature, définissez la portée et demandez les constats, les passages qui les appuient et les lacunes qui influencent la conclusion.
Pour la révision de code, fournissez les sources réelles et le comportement évalué. Demandez une explication de chaque constat important et une vérification qui pourrait le confirmer. Pour une révision de sécurité autorisée, définissez le système et la portée, puis demandez un rapport avec des éléments probants et des étapes de nouvel essai. Ce sont des façons d’organiser les domaines de tâches documentés du fabricant, et non des garanties sur le résultat d’une révision particulière.
Gardez la variante Ultra sans version distincte de l’édition explicitement nommée Ultra v2. Sakana fait évoluer l’orchestration et son ensemble d’experts au fil du temps; le nom de famille ne fixe donc pas une composition immuable. Lorsqu’une application exécute des outils externes, retournez le résultat observé pour l’étape suivante et utilisez le livrable final pour montrer ce que la tâche a réellement établi.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites sakana/fugu-ultra | 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’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’ID 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/objet 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.01 / 1K jetons Sortie · Jetons en sortie $0.06 / 1K jetons Entrée · Lecture du cache $0.001 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluse272 000 | Coût Entrée · Jetons en entrée $0.01 / 1K jetons Sortie · Jetons en sortie $0.06 / 1K jetons Entrée · Lecture du cache $0.001 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de272 000 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.02 / 1K jetons Sortie · Jetons en sortie $0.09 / 1K jetons Entrée · Lecture du cache $0.002 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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", "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 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, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra sakana/fugu-ultra
Utilisez les chemins de méthode indiqués ci-dessus.
sakana/fugu-ultraFugu Ultra de Sakana AI coordonne un ensemble de modèles experts pour traiter en profondeur les tâches difficiles en plusieurs étapes. Les cas d’usage du producteur comprennent la recherche, la reproduction d’études scientifiques, la révision de code et l’analyse de la littérature, avec des constats assemblés en une seule réponse.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Fugu Ultra est la variante axée sur la profondeur de Sakana AI dans la famille d’orchestration de modèles Fugu. La version Ultra d’origine du fabricant coordonne un ensemble d’experts pour traiter en profondeur les problèmes difficiles en plusieurs étapes. Ses applications annoncées comprennent la recherche en IA, la reproduction d’études scientifiques, la révision de code, l’analyse de cybersécurité et les investigations de littérature ou de brevets.
Fugu est lui-même un modèle de langage entraîné à coordonner les contributions d’autres modèles. Il décide comment déléguer, comment les agents doivent communiquer et comment combiner leur travail. Le système gère la sélection, la vérification et la synthèse au sein d’une seule interface de modèle du fabricant. La sortie utile est une explication finale, une analyse ou une proposition de livrable source liée à l’objectif de l’utilisateur.
L’accent mis par Ultra sur la profondeur est utile pour le travail qui progresse à travers plusieurs observations. Le producteur décrit des tâches de recherche qui explorent une idée, exécutent une expérience, interprètent un échec et révisent l’approche. Une tâche destinée au modèle doit donc préciser l’objectif, le matériel à examiner et les éléments qui justifieraient de conserver ou de rejeter un résultat proposé.
Pour reproduire les travaux décrits dans un article scientifique, fournissez la méthode pertinente, les conditions de mise en œuvre et les observations de la tentative actuelle. Demandez les étapes nécessaires pour comparer la mise en œuvre à la méthode décrite et les différences non résolues. Pour l’analyse de la littérature, définissez la portée et demandez les constats, les passages qui les appuient et les lacunes qui influencent la conclusion.
Pour la révision de code, fournissez les sources réelles et le comportement évalué. Demandez une explication de chaque constat important et une vérification qui pourrait le confirmer. Pour une révision de sécurité autorisée, définissez le système et la portée, puis demandez un rapport avec des éléments probants et des étapes de nouvel essai. Ce sont des façons d’organiser les domaines de tâches documentés du fabricant, et non des garanties sur le résultat d’une révision particulière.
Gardez la variante Ultra sans version distincte de l’édition explicitement nommée Ultra v2. Sakana fait évoluer l’orchestration et son ensemble d’experts au fil du temps; le nom de famille ne fixe donc pas une composition immuable. Lorsqu’une application exécute des outils externes, retournez le résultat observé pour l’étape suivante et utilisez le livrable final pour montrer ce que la tâche a réellement établi.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites sakana/fugu-ultra | 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.01 / 1K jetons Sortie · Jetons en sortie $0.06 / 1K jetons Entrée · Lecture du cache $0.001 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluse272 000 | Coût Entrée · Jetons en entrée $0.01 / 1K jetons Sortie · Jetons en sortie $0.06 / 1K jetons Entrée · Lecture du cache $0.001 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de272 000 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.02 / 1K jetons Sortie · Jetons en sortie $0.09 / 1K jetons Entrée · Lecture du cache $0.002 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "sakana/fugu-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 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 ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra sakana/fugu-ultra
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.