Sakana: Fugu Max

Sakana: Fugu Max ist ein Textgenerierungsmodell von Sakana AI, dem Labor hinter der Fugu-Familie. Fugu Max wird als das Kosten-Leistungs-Modell dieser Familie beschrieben, und seine Architektur ist ungewöhnlich: Statt eines einzelnen monolithischen Modells ist Fugu ein gelerntes Multi-Agenten-Orchestrierungssystem, bei dem ein Sprachmodell darauf trainiert wird, Arbeit über mehrere Agenten zu verteilen. Für einen Entwickler bedeutet das praktisch, dass ein einzelner API-Aufruf an Fugu Max auf eine orchestrierte Menge von Komponenten zurückgreifen kann statt auf einen festen Modellpfad. Es ist unter der Kategorie Text gelistet und wurde vom Anbieter am 2026-09-11 veröffentlicht.

Auf der Eingabeseite akzeptiert Fugu Max Text, Bilder und Dateien und erzeugt Textausgaben. Das Kontextfenster beträgt 1.000.000 Token, was groß genug ist, um sehr lange Dokumente, ganze Codebasen oder ausgedehnte Gesprächsverläufe in einer einzigen Anfrage zu halten. Die maximale Ausgabe beträgt 128.000 Token, sodass umfangreiche Generierungen möglich sind, ohne viele Aufrufe aneinanderzureihen. Zu den unterstützten Anfrageparametern gehören include_reasoning, reasoning, reasoning_effort, structured_outputs, tool_choice, tools und web_search_options. Reasoning-Steuerung und strukturierte Ausgaben sind zusammen mit Tool-Aufrufen und Websuche verfügbar, was bedeutet, dass das Modell gebeten werden kann, sein Reasoning offenzulegen, Antworten gemäß einem Schema zurückzugeben und während einer Anfrage externe Tools aufzurufen oder zu suchen.

Diese Fähigkeiten legen einige konkrete Anwendungsfälle nahe. Langkontext-Analyse passt natürlich: große Verträge, Forschungsarbeiten, Logs oder Repositories einspeisen und innerhalb eines Fensters um Zusammenfassungen, Extraktion oder Fragebeantwortung bitten. Da Bilder und Dateien als Eingabe akzeptiert werden, sind auch dokumentenlastige Workflows wie das Parsen gescannter Berichte oder gemischter Medieninhalte sinnvoll. Die Parameter für Tools und Websuche machen das Modell geeignet für agentenartige Anwendungen, die Funktionen aufrufen oder aktuelle Informationen nachschlagen müssen, und structured_outputs hilft, wenn das Ergebnis programmatisch geparst werden muss statt von einer Person gelesen zu werden. Einstellungen für den Reasoning-Aufwand lassen Sie die Tiefe der Abwägung gegen Latenz abwägen, etwa bei mehrstufiger Planung oder Fehlersuche.

Sie rufen das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID "sakana/fugu-max" auf. Da die Schnittstelle der Form der OpenAI-Chat-Completions folgt, funktionieren bestehende Clients und SDKs im Allgemeinen, wenn nur die Basis-URL und die Modell-ID geändert werden. In der Anfrage können Sie die oben aufgeführten Parameter setzen: include_reasoning, reasoning, reasoning_effort, structured_outputs, tool_choice, tools und web_search_options, zusammen mit den üblichen messages- und Sampling-Feldern. Wenn Sie auf Reasoning-Spuren, schema-beschränkte Ausgabe, Funktionsaufrufe oder Websuche angewiesen sind, bestätigen Sie, dass diese Parameter explizit übergeben werden, da das Verhalten davon abhängt, was der Endpunkt weiterleitet.

Die hier gegebenen Fakten spezifizieren keine Latenz-, Durchsatz- oder Qualitätsvergleiche, daher lohnt es sich, Fugu Max gegen Ihre eigene Arbeitslast zu testen, bevor Sie sich festlegen. Wenn Ihre Aufgabe reine Textgenerierung mit mäßigem Kontext ist und Sie weder Tools, Suche, Reasoning-Steuerung noch strukturierte Ausgaben benötigen, kann ein einfacheres Modell ausreichen. Fugu Max ergibt am meisten Sinn, wenn Sie das große Kontextfenster, multimodale Eingabe oder die Orchestrierungs- und Tooling-Funktionen zusammen in einem Aufruf möchten.