Fugu Ultra v2 to nastawiona na wydajność edycja wyuczonego systemu orkiestracji modeli firmy Sakana AI. Koordynuje modele eksperckie przy złożonym wieloetapowym rozumowaniu, badaniach i pracach nad pełnym stosem oprogramowania. W tej edycji producent szczególnie podkreśla długotrwałe rozumowanie nad materiałami wizualnymi i strukturalnymi. Jest ona odrębna od Fugu Max i wcześniejszej wersji Fugu Ultra.
System wykorzystuje wyuczonego koordynatora do wyboru, delegowania, weryfikowania i syntezy pracy w puli ekspertów. Żądanie może wymagać kilku uzupełniających się wkładów przed złożeniem odpowiedzi końcowej. Ta orkiestracja jest możliwością modelu producenta; aplikacja nadal dostarcza zadanie, odpowiedni materiał i wszelkie obserwacje zewnętrzne potrzebne jej procesowi.
Producent ustala pełną pulę agentów dla wariantu Ultra, a koordynator wybiera sposób jej wykorzystania w zadaniu. Różni się to od założenia, że użytkownik może indywidualnie konfigurować każdy uczestniczący model. Sakana odróżnia również nacisk Ultra na głębię odpowiedzi od nacisku Max na efektywne kombinacje. Bardziej rozbudowana koordynacja może wymagać dłuższego czasu odpowiedzi, jak wyjaśnia porównanie producenta.
Do zadania wizualnego lub analizy danych dostarcz wykres, tabelę lub odpowiednie obserwacje i zdefiniuj pytanie do rozstrzygnięcia. Poproś o ustalenie, potwierdzające je dowody i interpretację pośrednią potrzebną do jego oceny. Użyteczny rezultat może łączyć zwięzły wniosek z uporządkowanym opisem danych, zamiast pozostawiać analizę w postaci kilku niepowiązanych obserwacji.
Przy pracy nad oprogramowaniem wskaż oczekiwane zachowanie, właściwe źródła i wynik bieżących kontroli. Poproś o konkretną propozycję zmiany wraz z warunkami pozwalającymi stwierdzić, czy działa. W podłączonym procesie przekaż rzeczywisty wynik wykonania, aby następny krok mógł dotyczyć konkretnego błędu lub zachować udaną zmianę. Tworzy to zadanie oparte na dowodach i gotowym rezultacie, zamiast otwartej prośby o ulepszenie kodu.
Przy zadaniu badawczym zdefiniuj zakres i strukturę raportu końcowego. Raport może oddzielać potwierdzone ustalenia, konkurencyjne interpretacje i nierozstrzygnięte zależności. W wydaniu v2 Sakana podaje 28 sierpnia 2026 jako datę graniczną informacji treningowych; zewnętrzne dowody dostarczone lub pobrane do zadania są odrębne od tej historii treningu. Zachowuj to rozróżnienie przy pytaniach o informacje zmieniające się w czasie.
", "aboutText": "Fugu Ultra v2 to nastawiona na wydajność edycja wyuczonego systemu orkiestracji modeli firmy Sakana AI. Koordynuje modele eksperckie przy złożonym wieloetapowym rozumowaniu, badaniach i pracach nad pełnym stosem oprogramowania. W tej edycji producent szczególnie podkreśla długotrwałe rozumowanie nad materiałami wizualnymi i strukturalnymi. Jest ona odrębna od Fugu Max i wcześniejszej wersji Fugu Ultra.\n\nSystem wykorzystuje wyuczonego koordynatora do wyboru, delegowania, weryfikowania i syntezy pracy w puli ekspertów. Żądanie może wymagać kilku uzupełniających się wkładów przed złożeniem odpowiedzi końcowej. Ta orkiestracja jest możliwością modelu producenta; aplikacja nadal dostarcza zadanie, odpowiedni materiał i wszelkie obserwacje zewnętrzne potrzebne jej procesowi.\n\nProducent ustala pełną pulę agentów dla wariantu Ultra, a koordynator wybiera sposób jej wykorzystania w zadaniu. Różni się to od założenia, że użytkownik może indywidualnie konfigurować każdy uczestniczący model. Sakana odróżnia również nacisk Ultra na głębię odpowiedzi od nacisku Max na efektywne kombinacje. Bardziej rozbudowana koordynacja może wymagać dłuższego czasu odpowiedzi, jak wyjaśnia porównanie producenta.\n\nDo zadania wizualnego lub analizy danych dostarcz wykres, tabelę lub odpowiednie obserwacje i zdefiniuj pytanie do rozstrzygnięcia. Poproś o ustalenie, potwierdzające je dowody i interpretację pośrednią potrzebną do jego oceny. Użyteczny rezultat może łączyć zwięzły wniosek z uporządkowanym opisem danych, zamiast pozostawiać analizę w postaci kilku niepowiązanych obserwacji.\n\nPrzy pracy nad oprogramowaniem wskaż oczekiwane zachowanie, właściwe źródła i wynik bieżących kontroli. Poproś o konkretną propozycję zmiany wraz z warunkami pozwalającymi stwierdzić, czy działa. W podłączonym procesie przekaż rzeczywisty wynik wykonania, aby następny krok mógł dotyczyć konkretnego błędu lub zachować udaną zmianę. Tworzy to zadanie oparte na dowodach i gotowym rezultacie, zamiast otwartej prośby o ulepszenie kodu.\n\nPrzy zadaniu badawczym zdefiniuj zakres i strukturę raportu końcowego. Raport może oddzielać potwierdzone ustalenia, konkurencyjne interpretacje i nierozstrzygnięte zależności. W wydaniu v2 Sakana podaje 28 sierpnia 2026 jako datę graniczną informacji treningowych; zewnętrzne dowody dostarczone lub pobrane do zadania są odrębne od tej historii treningu. Zachowuj to rozróżnienie przy pytaniach o informacje zmieniające się w czasie.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
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 firmy Sakana AI koordynuje pulę modeli eksperckich do złożonego rozumowania, badań i tworzenia oprogramowania. Edycja kładzie nacisk na długotrwałą pracę z materiałami wizualnymi i strukturalnymi oraz na wynik końcowy złożony z wkładów agentów.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Fugu Ultra v2 to nastawiona na wydajność edycja wyuczonego systemu orkiestracji modeli firmy Sakana AI. Koordynuje modele eksperckie przy złożonym wieloetapowym rozumowaniu, badaniach i pracach nad pełnym stosem oprogramowania. W tej edycji producent szczególnie podkreśla długotrwałe rozumowanie nad materiałami wizualnymi i strukturalnymi. Jest ona odrębna od Fugu Max i wcześniejszej wersji Fugu Ultra.
System wykorzystuje wyuczonego koordynatora do wyboru, delegowania, weryfikowania i syntezy pracy w puli ekspertów. Żądanie może wymagać kilku uzupełniających się wkładów przed złożeniem odpowiedzi końcowej. Ta orkiestracja jest możliwością modelu producenta; aplikacja nadal dostarcza zadanie, odpowiedni materiał i wszelkie obserwacje zewnętrzne potrzebne jej procesowi.
Producent ustala pełną pulę agentów dla wariantu Ultra, a koordynator wybiera sposób jej wykorzystania w zadaniu. Różni się to od założenia, że użytkownik może indywidualnie konfigurować każdy uczestniczący model. Sakana odróżnia również nacisk Ultra na głębię odpowiedzi od nacisku Max na efektywne kombinacje. Bardziej rozbudowana koordynacja może wymagać dłuższego czasu odpowiedzi, jak wyjaśnia porównanie producenta.
Do zadania wizualnego lub analizy danych dostarcz wykres, tabelę lub odpowiednie obserwacje i zdefiniuj pytanie do rozstrzygnięcia. Poproś o ustalenie, potwierdzające je dowody i interpretację pośrednią potrzebną do jego oceny. Użyteczny rezultat może łączyć zwięzły wniosek z uporządkowanym opisem danych, zamiast pozostawiać analizę w postaci kilku niepowiązanych obserwacji.
Przy pracy nad oprogramowaniem wskaż oczekiwane zachowanie, właściwe źródła i wynik bieżących kontroli. Poproś o konkretną propozycję zmiany wraz z warunkami pozwalającymi stwierdzić, czy działa. W podłączonym procesie przekaż rzeczywisty wynik wykonania, aby następny krok mógł dotyczyć konkretnego błędu lub zachować udaną zmianę. Tworzy to zadanie oparte na dowodach i gotowym rezultacie, zamiast otwartej prośby o ulepszenie kodu.
Przy zadaniu badawczym zdefiniuj zakres i strukturę raportu końcowego. Raport może oddzielać potwierdzone ustalenia, konkurencyjne interpretacje i nierozstrzygnięte zależności. W wydaniu v2 Sakana podaje 28 sierpnia 2026 jako datę graniczną informacji treningowych; zewnętrzne dowody dostarczone lub pobrane do zadania są odrębne od tej historii treningu. Zachowuj to rozróżnienie przy pytaniach o informacje zmieniające się w czasie.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity sakana/fugu-ultra-v2 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.01 / 1K tokenów Wyjście · Tokeny wyjściowe $0.06 / 1K tokenów Wejście · Odczyt cache $0.001 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznie272 000 | Opłata Wejście · Tokeny wejściowe $0.01 / 1K tokenów Wyjście · Tokeny wyjściowe $0.06 / 1K tokenów Wejście · Odczyt cache $0.001 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 2 | Tabela stawek— | Tokeny kontekstu, więcej niż272 000 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.02 / 1K tokenów Wyjście · Tokeny wyjściowe $0.09 / 1K tokenów Wejście · Odczyt cache $0.002 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra sakana/fugu-ultra-v2
Użyj ścieżek metod podanych powyżej.
sakana/fugu-ultra-v2Fugu Ultra v2 firmy Sakana AI koordynuje pulę modeli eksperckich do złożonego rozumowania, badań i tworzenia oprogramowania. Edycja kładzie nacisk na długotrwałą pracę z materiałami wizualnymi i strukturalnymi oraz na wynik końcowy złożony z wkładów agentów.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Fugu Ultra v2 to nastawiona na wydajność edycja wyuczonego systemu orkiestracji modeli firmy Sakana AI. Koordynuje modele eksperckie przy złożonym wieloetapowym rozumowaniu, badaniach i pracach nad pełnym stosem oprogramowania. W tej edycji producent szczególnie podkreśla długotrwałe rozumowanie nad materiałami wizualnymi i strukturalnymi. Jest ona odrębna od Fugu Max i wcześniejszej wersji Fugu Ultra.
System wykorzystuje wyuczonego koordynatora do wyboru, delegowania, weryfikowania i syntezy pracy w puli ekspertów. Żądanie może wymagać kilku uzupełniających się wkładów przed złożeniem odpowiedzi końcowej. Ta orkiestracja jest możliwością modelu producenta; aplikacja nadal dostarcza zadanie, odpowiedni materiał i wszelkie obserwacje zewnętrzne potrzebne jej procesowi.
Producent ustala pełną pulę agentów dla wariantu Ultra, a koordynator wybiera sposób jej wykorzystania w zadaniu. Różni się to od założenia, że użytkownik może indywidualnie konfigurować każdy uczestniczący model. Sakana odróżnia również nacisk Ultra na głębię odpowiedzi od nacisku Max na efektywne kombinacje. Bardziej rozbudowana koordynacja może wymagać dłuższego czasu odpowiedzi, jak wyjaśnia porównanie producenta.
Do zadania wizualnego lub analizy danych dostarcz wykres, tabelę lub odpowiednie obserwacje i zdefiniuj pytanie do rozstrzygnięcia. Poproś o ustalenie, potwierdzające je dowody i interpretację pośrednią potrzebną do jego oceny. Użyteczny rezultat może łączyć zwięzły wniosek z uporządkowanym opisem danych, zamiast pozostawiać analizę w postaci kilku niepowiązanych obserwacji.
Przy pracy nad oprogramowaniem wskaż oczekiwane zachowanie, właściwe źródła i wynik bieżących kontroli. Poproś o konkretną propozycję zmiany wraz z warunkami pozwalającymi stwierdzić, czy działa. W podłączonym procesie przekaż rzeczywisty wynik wykonania, aby następny krok mógł dotyczyć konkretnego błędu lub zachować udaną zmianę. Tworzy to zadanie oparte na dowodach i gotowym rezultacie, zamiast otwartej prośby o ulepszenie kodu.
Przy zadaniu badawczym zdefiniuj zakres i strukturę raportu końcowego. Raport może oddzielać potwierdzone ustalenia, konkurencyjne interpretacje i nierozstrzygnięte zależności. W wydaniu v2 Sakana podaje 28 sierpnia 2026 jako datę graniczną informacji treningowych; zewnętrzne dowody dostarczone lub pobrane do zadania są odrębne od tej historii treningu. Zachowuj to rozróżnienie przy pytaniach o informacje zmieniające się w czasie.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity sakana/fugu-ultra-v2 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.01 / 1K tokenów Wyjście · Tokeny wyjściowe $0.06 / 1K tokenów Wejście · Odczyt cache $0.001 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznie272 000 | Opłata Wejście · Tokeny wejściowe $0.01 / 1K tokenów Wyjście · Tokeny wyjściowe $0.06 / 1K tokenów Wejście · Odczyt cache $0.001 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 2 | Tabela stawek— | Tokeny kontekstu, więcej niż272 000 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.02 / 1K tokenów Wyjście · Tokeny wyjściowe $0.09 / 1K tokenów Wejście · Odczyt cache $0.002 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "sakana/fugu-ultra-v2",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra sakana/fugu-ultra-v2
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
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.