Fugu Ultra er Sakana AIs dybdeorienterte variant i Fugu-familien for modellorkestrering. Produsentens opprinnelige Ultra-utgivelse koordinerer en mer dyptgående samling ekspertmodeller for vanskelige problemer i flere trinn. De oppgitte bruksområdene omfatter KI-forskning, reproduksjon av forskningsartikler, kodegjennomgang, analyse av cybersikkerhet og litteratur- eller patentundersøkelser.
Fugu er selv en språkmodell trent for å koordinere bidrag fra andre modeller. Den bestemmer hvordan det skal delegeres, hvordan agentene skal kommunisere, og hvordan arbeidet deres skal kombineres. Systemet håndterer utvelgelse, verifisering og sammenstilling innenfor ett modellgrensesnitt fra produsenten. Det nyttige resultatet er en endelig forklaring, analyse eller et foreslått kildekodeartefakt knyttet til brukerens mål.
Ultras vekt på dybde er nyttig for arbeid som utvikler seg gjennom flere observasjoner. Produsenten beskriver forskningsoppgaver som utforsker en idé, gjennomfører et eksperiment, tolker en feil og reviderer tilnærmingen. En oppgave til modellen bør derfor identifisere målet, materialet som skal undersøkes, og dokumentasjonen som vil begrunne å beholde eller forkaste et foreslått resultat.
For reproduksjon av en forskningsartikkel oppgir du den relevante metoden, implementeringsbetingelsene og observasjonene fra det gjeldende forsøket. Be om trinnene som trengs for å sammenligne implementeringen med den beskrevne metoden, og om de uavklarte forskjellene. For litteraturanalyse definerer du omfanget og ber om funnene, de underbyggende avsnittene og kunnskapshullene som påvirker konklusjonen.
For kodegjennomgang oppgir du den faktiske kildekoden og oppførselen som vurderes. Be om en forklaring av hvert vesentlig funn og en kontroll som kan bekrefte det. For en autorisert sikkerhetsgjennomgang definerer du systemet og omfanget og ber om en rapport med dokumentasjon og trinn for ny testing. Dette er måter å organisere produsentens dokumenterte oppgaveområder på, ikke garantier for utfallet av en bestemt gjennomgang.
Hold Ultra-varianten uten versjonsangivelse atskilt fra den eksplisitt navngitte Ultra v2-utgaven. Sakana utvikler orkestreringen og samlingen av ekspertmodeller over tid, så familienavnet fastsetter ikke en uforanderlig sammensetning. Når en applikasjon kjører eksterne verktøy, returnerer du det observerte resultatet for neste trinn og bruker sluttartefaktet til å vise hva oppgaven faktisk fastslo.
", "aboutText": "Fugu Ultra er Sakana AIs dybdeorienterte variant i Fugu-familien for modellorkestrering. Produsentens opprinnelige Ultra-utgivelse koordinerer en mer dyptgående samling ekspertmodeller for vanskelige problemer i flere trinn. De oppgitte bruksområdene omfatter KI-forskning, reproduksjon av forskningsartikler, kodegjennomgang, analyse av cybersikkerhet og litteratur- eller patentundersøkelser.\n\nFugu er selv en språkmodell trent for å koordinere bidrag fra andre modeller. Den bestemmer hvordan det skal delegeres, hvordan agentene skal kommunisere, og hvordan arbeidet deres skal kombineres. Systemet håndterer utvelgelse, verifisering og sammenstilling innenfor ett modellgrensesnitt fra produsenten. Det nyttige resultatet er en endelig forklaring, analyse eller et foreslått kildekodeartefakt knyttet til brukerens mål.\n\nUltras vekt på dybde er nyttig for arbeid som utvikler seg gjennom flere observasjoner. Produsenten beskriver forskningsoppgaver som utforsker en idé, gjennomfører et eksperiment, tolker en feil og reviderer tilnærmingen. En oppgave til modellen bør derfor identifisere målet, materialet som skal undersøkes, og dokumentasjonen som vil begrunne å beholde eller forkaste et foreslått resultat.\n\nFor reproduksjon av en forskningsartikkel oppgir du den relevante metoden, implementeringsbetingelsene og observasjonene fra det gjeldende forsøket. Be om trinnene som trengs for å sammenligne implementeringen med den beskrevne metoden, og om de uavklarte forskjellene. For litteraturanalyse definerer du omfanget og ber om funnene, de underbyggende avsnittene og kunnskapshullene som påvirker konklusjonen.\n\nFor kodegjennomgang oppgir du den faktiske kildekoden og oppførselen som vurderes. Be om en forklaring av hvert vesentlig funn og en kontroll som kan bekrefte det. For en autorisert sikkerhetsgjennomgang definerer du systemet og omfanget og ber om en rapport med dokumentasjon og trinn for ny testing. Dette er måter å organisere produsentens dokumenterte oppgaveområder på, ikke garantier for utfallet av en bestemt gjennomgang.\n\nHold Ultra-varianten uten versjonsangivelse atskilt fra den eksplisitt navngitte Ultra v2-utgaven. Sakana utvikler orkestreringen og samlingen av ekspertmodeller over tid, så familienavnet fastsetter ikke en uforanderlig sammensetning. Når en applikasjon kjører eksterne verktøy, returnerer du det observerte resultatet for neste trinn og bruker sluttartefaktet til å vise hva oppgaven faktisk fastslo.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
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 fra Sakana AI koordinerer en mer dyptgående samling ekspertmodeller for vanskelige oppgaver i flere trinn. Produsentens bruksområder omfatter undersøkelser, reproduksjon av forskningsartikler, kodegjennomgang og litteraturanalyse, med funn satt sammen til ett svar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Fugu Ultra er Sakana AIs dybdeorienterte variant i Fugu-familien for modellorkestrering. Produsentens opprinnelige Ultra-utgivelse koordinerer en mer dyptgående samling ekspertmodeller for vanskelige problemer i flere trinn. De oppgitte bruksområdene omfatter KI-forskning, reproduksjon av forskningsartikler, kodegjennomgang, analyse av cybersikkerhet og litteratur- eller patentundersøkelser.
Fugu er selv en språkmodell trent for å koordinere bidrag fra andre modeller. Den bestemmer hvordan det skal delegeres, hvordan agentene skal kommunisere, og hvordan arbeidet deres skal kombineres. Systemet håndterer utvelgelse, verifisering og sammenstilling innenfor ett modellgrensesnitt fra produsenten. Det nyttige resultatet er en endelig forklaring, analyse eller et foreslått kildekodeartefakt knyttet til brukerens mål.
Ultras vekt på dybde er nyttig for arbeid som utvikler seg gjennom flere observasjoner. Produsenten beskriver forskningsoppgaver som utforsker en idé, gjennomfører et eksperiment, tolker en feil og reviderer tilnærmingen. En oppgave til modellen bør derfor identifisere målet, materialet som skal undersøkes, og dokumentasjonen som vil begrunne å beholde eller forkaste et foreslått resultat.
For reproduksjon av en forskningsartikkel oppgir du den relevante metoden, implementeringsbetingelsene og observasjonene fra det gjeldende forsøket. Be om trinnene som trengs for å sammenligne implementeringen med den beskrevne metoden, og om de uavklarte forskjellene. For litteraturanalyse definerer du omfanget og ber om funnene, de underbyggende avsnittene og kunnskapshullene som påvirker konklusjonen.
For kodegjennomgang oppgir du den faktiske kildekoden og oppførselen som vurderes. Be om en forklaring av hvert vesentlig funn og en kontroll som kan bekrefte det. For en autorisert sikkerhetsgjennomgang definerer du systemet og omfanget og ber om en rapport med dokumentasjon og trinn for ny testing. Dette er måter å organisere produsentens dokumenterte oppgaveområder på, ikke garantier for utfallet av en bestemt gjennomgang.
Hold Ultra-varianten uten versjonsangivelse atskilt fra den eksplisitt navngitte Ultra v2-utgaven. Sakana utvikler orkestreringen og samlingen av ekspertmodeller over tid, så familienavnet fastsetter ikke en uforanderlig sammensetning. Når en applikasjon kjører eksterne verktøy, returnerer du det observerte resultatet for neste trinn og bruker sluttartefaktet til å vise hva oppgaven faktisk fastslo.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser sakana/fugu-ultra | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med272 000 | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn272 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.02 / 1K tokener Utdata · Utgående tokener $0.09 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra sakana/fugu-ultra
Bruk metodestiene som vises ovenfor.
sakana/fugu-ultraFugu Ultra fra Sakana AI koordinerer en mer dyptgående samling ekspertmodeller for vanskelige oppgaver i flere trinn. Produsentens bruksområder omfatter undersøkelser, reproduksjon av forskningsartikler, kodegjennomgang og litteraturanalyse, med funn satt sammen til ett svar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Fugu Ultra er Sakana AIs dybdeorienterte variant i Fugu-familien for modellorkestrering. Produsentens opprinnelige Ultra-utgivelse koordinerer en mer dyptgående samling ekspertmodeller for vanskelige problemer i flere trinn. De oppgitte bruksområdene omfatter KI-forskning, reproduksjon av forskningsartikler, kodegjennomgang, analyse av cybersikkerhet og litteratur- eller patentundersøkelser.
Fugu er selv en språkmodell trent for å koordinere bidrag fra andre modeller. Den bestemmer hvordan det skal delegeres, hvordan agentene skal kommunisere, og hvordan arbeidet deres skal kombineres. Systemet håndterer utvelgelse, verifisering og sammenstilling innenfor ett modellgrensesnitt fra produsenten. Det nyttige resultatet er en endelig forklaring, analyse eller et foreslått kildekodeartefakt knyttet til brukerens mål.
Ultras vekt på dybde er nyttig for arbeid som utvikler seg gjennom flere observasjoner. Produsenten beskriver forskningsoppgaver som utforsker en idé, gjennomfører et eksperiment, tolker en feil og reviderer tilnærmingen. En oppgave til modellen bør derfor identifisere målet, materialet som skal undersøkes, og dokumentasjonen som vil begrunne å beholde eller forkaste et foreslått resultat.
For reproduksjon av en forskningsartikkel oppgir du den relevante metoden, implementeringsbetingelsene og observasjonene fra det gjeldende forsøket. Be om trinnene som trengs for å sammenligne implementeringen med den beskrevne metoden, og om de uavklarte forskjellene. For litteraturanalyse definerer du omfanget og ber om funnene, de underbyggende avsnittene og kunnskapshullene som påvirker konklusjonen.
For kodegjennomgang oppgir du den faktiske kildekoden og oppførselen som vurderes. Be om en forklaring av hvert vesentlig funn og en kontroll som kan bekrefte det. For en autorisert sikkerhetsgjennomgang definerer du systemet og omfanget og ber om en rapport med dokumentasjon og trinn for ny testing. Dette er måter å organisere produsentens dokumenterte oppgaveområder på, ikke garantier for utfallet av en bestemt gjennomgang.
Hold Ultra-varianten uten versjonsangivelse atskilt fra den eksplisitt navngitte Ultra v2-utgaven. Sakana utvikler orkestreringen og samlingen av ekspertmodeller over tid, så familienavnet fastsetter ikke en uforanderlig sammensetning. Når en applikasjon kjører eksterne verktøy, returnerer du det observerte resultatet for neste trinn og bruker sluttartefaktet til å vise hva oppgaven faktisk fastslo.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser sakana/fugu-ultra | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med272 000 | Kostnad Inndata · Inngående tokener $0.01 / 1K tokener Utdata · Utgående tokener $0.06 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.001 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn272 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.02 / 1K tokener Utdata · Utgående tokener $0.09 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.002 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "sakana/fugu-ultra",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra sakana/fugu-ultra
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
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.