Fugu Max é a opção Fugu da Sakana AI concebida em torno de combinações eficientes de modelos especialistas. O fabricante alarga o conjunto de modelos abertos e especializados e treina o sistema para escolher os recursos adequados à tarefa. Esta opção partilha a abordagem central de orquestração com Fugu Ultra v2, destacando a forma como os modelos participantes são combinados para o trabalho.
Fugu comporta-se como um único modelo do ponto de vista da aplicação. Internamente, o coordenador determina se uma tarefa pode ser tratada diretamente ou deve ser delegada, organiza depois os contributos e produz uma resposta final. Seleção, delegação, verificação e síntese fazem parte desse sistema do fabricante, em vez de serem agentes separados que o utilizador tenha de atribuir manualmente no prompt.
Para Max, o produtor fixa o conjunto participante para que o coordenador possa otimizar as suas combinações. Não disponibiliza o mesmo mecanismo de exclusão individual de modelos descrito para a opção Fugu normal. Mantenha essa distinção ao escolher o modelo: um grande conjunto de especialistas e um conjunto configurável pelo utilizador são características diferentes.
Prepare uma tarefa com um objetivo específico e a informação necessária para avaliar o resultado. Para uma revisão de código, inclua o código-fonte, o comportamento esperado e o problema a investigar. Peça conclusões ligadas à implementação relevante e uma verificação proposta para cada problema importante. Para uma comparação técnica, defina os critérios comuns e peça que a resposta explique que elementos de prova alteram a escolha.
Uma tarefa com vários passos beneficia de um artefacto final explícito. Por exemplo, peça uma proposta de alteração, uma nota de investigação ou uma análise estruturada com as conclusões separadas das perguntas por resolver. Se a aplicação envolvente executar ferramentas, devolva as suas observações reais antes da decisão seguinte. Isto ajuda o fluxo de trabalho a continuar a partir do que aconteceu, em vez de tratar uma ação sugerida como concluída.
A Sakana distingue o objetivo de otimização de Max da ênfase de Ultra na profundidade máxima da resposta. Use essa distinção do produtor para adequar a tarefa à opção de modelo, avaliando ao mesmo tempo o artefacto devolvido face ao objetivo original. O sistema de orquestração compõe a resposta; a aplicação estabelece o resultado real de qualquer ação externa e decide como utilizar o resultado.
", "aboutText": "Fugu Max é a opção Fugu da Sakana AI concebida em torno de combinações eficientes de modelos especialistas. O fabricante alarga o conjunto de modelos abertos e especializados e treina o sistema para escolher os recursos adequados à tarefa. Esta opção partilha a abordagem central de orquestração com Fugu Ultra v2, destacando a forma como os modelos participantes são combinados para o trabalho.\n\nFugu comporta-se como um único modelo do ponto de vista da aplicação. Internamente, o coordenador determina se uma tarefa pode ser tratada diretamente ou deve ser delegada, organiza depois os contributos e produz uma resposta final. Seleção, delegação, verificação e síntese fazem parte desse sistema do fabricante, em vez de serem agentes separados que o utilizador tenha de atribuir manualmente no prompt.\n\nPara Max, o produtor fixa o conjunto participante para que o coordenador possa otimizar as suas combinações. Não disponibiliza o mesmo mecanismo de exclusão individual de modelos descrito para a opção Fugu normal. Mantenha essa distinção ao escolher o modelo: um grande conjunto de especialistas e um conjunto configurável pelo utilizador são características diferentes.\n\nPrepare uma tarefa com um objetivo específico e a informação necessária para avaliar o resultado. Para uma revisão de código, inclua o código-fonte, o comportamento esperado e o problema a investigar. Peça conclusões ligadas à implementação relevante e uma verificação proposta para cada problema importante. Para uma comparação técnica, defina os critérios comuns e peça que a resposta explique que elementos de prova alteram a escolha.\n\nUma tarefa com vários passos beneficia de um artefacto final explícito. Por exemplo, peça uma proposta de alteração, uma nota de investigação ou uma análise estruturada com as conclusões separadas das perguntas por resolver. Se a aplicação envolvente executar ferramentas, devolva as suas observações reais antes da decisão seguinte. Isto ajuda o fluxo de trabalho a continuar a partir do que aconteceu, em vez de tratar uma ação sugerida como concluída.\n\nA Sakana distingue o objetivo de otimização de Max da ênfase de Ultra na profundidade máxima da resposta. Use essa distinção do produtor para adequar a tarefa à opção de modelo, avaliando ao mesmo tempo o artefacto devolvido face ao objetivo original. O sistema de orquestração compõe a resposta; a aplicação estabelece o resultado real de qualquer ação externa e decide como utilizar o resultado.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Review a stock decrement function\n\nReview this Python function: def take(stock, qty): stock["units"] -= qty; return stock["units"]. Requirements: qty must be positive and cannot exceed available units; a rejected request must leave stock unchanged. Identify material issues and propose a focused patch with a check for each, preserving the take function name.Behavior-linked review findings, a focused patch and checks for accepted and rejected decrements.Check that validation occurs before mutation and a rejected overdraw leaves the original stock unchanged.sakana/fugu-maxFugu Max da Sakana AI é um modelo de orquestração aprendido que seleciona combinações eficientes a partir de um grande conjunto de modelos abertos e especializados. Transforma uma tarefa em trabalho coordenado e num resultado sintetizado, com uma ênfase diferente da de Fugu Ultra.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Fugu Max é a opção Fugu da Sakana AI concebida em torno de combinações eficientes de modelos especialistas. O fabricante alarga o conjunto de modelos abertos e especializados e treina o sistema para escolher os recursos adequados à tarefa. Esta opção partilha a abordagem central de orquestração com Fugu Ultra v2, destacando a forma como os modelos participantes são combinados para o trabalho.
Fugu comporta-se como um único modelo do ponto de vista da aplicação. Internamente, o coordenador determina se uma tarefa pode ser tratada diretamente ou deve ser delegada, organiza depois os contributos e produz uma resposta final. Seleção, delegação, verificação e síntese fazem parte desse sistema do fabricante, em vez de serem agentes separados que o utilizador tenha de atribuir manualmente no prompt.
Para Max, o produtor fixa o conjunto participante para que o coordenador possa otimizar as suas combinações. Não disponibiliza o mesmo mecanismo de exclusão individual de modelos descrito para a opção Fugu normal. Mantenha essa distinção ao escolher o modelo: um grande conjunto de especialistas e um conjunto configurável pelo utilizador são características diferentes.
Prepare uma tarefa com um objetivo específico e a informação necessária para avaliar o resultado. Para uma revisão de código, inclua o código-fonte, o comportamento esperado e o problema a investigar. Peça conclusões ligadas à implementação relevante e uma verificação proposta para cada problema importante. Para uma comparação técnica, defina os critérios comuns e peça que a resposta explique que elementos de prova alteram a escolha.
Uma tarefa com vários passos beneficia de um artefacto final explícito. Por exemplo, peça uma proposta de alteração, uma nota de investigação ou uma análise estruturada com as conclusões separadas das perguntas por resolver. Se a aplicação envolvente executar ferramentas, devolva as suas observações reais antes da decisão seguinte. Isto ajuda o fluxo de trabalho a continuar a partir do que aconteceu, em vez de tratar uma ação sugerida como concluída.
A Sakana distingue o objetivo de otimização de Max da ênfase de Ultra na profundidade máxima da resposta. Use essa distinção do produtor para adequar a tarefa à opção de modelo, avaliando ao mesmo tempo o artefacto devolvido face ao objetivo original. O sistema de orquestração compõe a resposta; a aplicação estabelece o resultado real de qualquer ação externa e decide como utilizar o resultado.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites sakana/fugu-max | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.004 / 1K tokens Saída · Tokens de saída $0.012 / 1K tokens Entrada · Leitura da cache $0.0005 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.004 / 1K tokens Saída · Tokens de saída $0.012 / 1K tokens Entrada · Leitura da cache $0.0005 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "sakana/fugu-max", "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-max',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-max',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
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra sakana/fugu-max
Use os caminhos dos métodos indicados acima.
sakana/fugu-maxFugu Max da Sakana AI é um modelo de orquestração aprendido que seleciona combinações eficientes a partir de um grande conjunto de modelos abertos e especializados. Transforma uma tarefa em trabalho coordenado e num resultado sintetizado, com uma ênfase diferente da de Fugu Ultra.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Fugu Max é a opção Fugu da Sakana AI concebida em torno de combinações eficientes de modelos especialistas. O fabricante alarga o conjunto de modelos abertos e especializados e treina o sistema para escolher os recursos adequados à tarefa. Esta opção partilha a abordagem central de orquestração com Fugu Ultra v2, destacando a forma como os modelos participantes são combinados para o trabalho.
Fugu comporta-se como um único modelo do ponto de vista da aplicação. Internamente, o coordenador determina se uma tarefa pode ser tratada diretamente ou deve ser delegada, organiza depois os contributos e produz uma resposta final. Seleção, delegação, verificação e síntese fazem parte desse sistema do fabricante, em vez de serem agentes separados que o utilizador tenha de atribuir manualmente no prompt.
Para Max, o produtor fixa o conjunto participante para que o coordenador possa otimizar as suas combinações. Não disponibiliza o mesmo mecanismo de exclusão individual de modelos descrito para a opção Fugu normal. Mantenha essa distinção ao escolher o modelo: um grande conjunto de especialistas e um conjunto configurável pelo utilizador são características diferentes.
Prepare uma tarefa com um objetivo específico e a informação necessária para avaliar o resultado. Para uma revisão de código, inclua o código-fonte, o comportamento esperado e o problema a investigar. Peça conclusões ligadas à implementação relevante e uma verificação proposta para cada problema importante. Para uma comparação técnica, defina os critérios comuns e peça que a resposta explique que elementos de prova alteram a escolha.
Uma tarefa com vários passos beneficia de um artefacto final explícito. Por exemplo, peça uma proposta de alteração, uma nota de investigação ou uma análise estruturada com as conclusões separadas das perguntas por resolver. Se a aplicação envolvente executar ferramentas, devolva as suas observações reais antes da decisão seguinte. Isto ajuda o fluxo de trabalho a continuar a partir do que aconteceu, em vez de tratar uma ação sugerida como concluída.
A Sakana distingue o objetivo de otimização de Max da ênfase de Ultra na profundidade máxima da resposta. Use essa distinção do produtor para adequar a tarefa à opção de modelo, avaliando ao mesmo tempo o artefacto devolvido face ao objetivo original. O sistema de orquestração compõe a resposta; a aplicação estabelece o resultado real de qualquer ação externa e decide como utilizar o resultado.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites sakana/fugu-max | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.004 / 1K tokens Saída · Tokens de saída $0.012 / 1K tokens Entrada · Leitura da cache $0.0005 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.004 / 1K tokens Saída · Tokens de saída $0.012 / 1K tokens Entrada · Leitura da cache $0.0005 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "sakana/fugu-max",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-max', '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-max', '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
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra sakana/fugu-max
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Review a stock decrement function\n\nReview this Python function: def take(stock, qty): stock["units"] -= qty; return stock["units"]. Requirements: qty must be positive and cannot exceed available units; a rejected request must leave stock unchanged. Identify material issues and propose a focused patch with a check for each, preserving the take function name.Behavior-linked review findings, a focused patch and checks for accepted and rejected decrements.Check that validation occurs before mutation and a rejected overdraw leaves the original stock unchanged.