Sakana: Fugu Ultra

Sakana: Fugu Ultra ist ein Textgenerierungsmodell von Sakana AI und steht als leistungsstärkere Option an der Spitze der Fugu-Familie des Unternehmens. Das Ungewöhnliche an der Fugu-Reihe ist ihre Architektur: Fugu ist kein einzelnes monolithisches Modell, sondern ein gelerntes Multi-Agenten-Orchestrierungssystem, bei dem ein Sprachmodell darauf trainiert wird, Arbeit über mehrere Agenten zu verteilen. Fugu Ultra ist das größere, leistungsfähigere Mitglied dieser Familie. Wenn Sie also den Ansatz von Sakana bewerten, ist dies die Variante, die auf anspruchsvolle Arbeitslasten statt auf leichte abzielt.

Auf der Eingabeseite akzeptiert Fugu Ultra Text und Bilder und gibt Text als Ausgabe aus. Diese Kombination bedeutet, dass Sie Prompts senden können, die schriftliche Anweisungen mit visuellen Inhalten mischen, und eine einzelne Textantwort erhalten. Das Kontextfenster ist mit 1.000.000 Tokens sehr groß, was es Ihnen ermöglicht, mit langen Dokumenten, ausgedehnten Gesprächen oder umfangreichen Materialsammlungen in einer einzigen Anfrage zu arbeiten, ohne sie selbst aufzuteilen. Die maximale Ausgabelänge beträgt 128.000 Tokens, sodass Antworten entsprechend lang sein können, wenn eine Aufgabe dies erfordert. Zu den unterstützten Anfrageparametern gehören Reasoning-Steuerungen (reasoning, reasoning_effort und include_reasoning), structured_outputs, Tool-Nutzung über tools und tool_choice sowie web_search_options.

Diese Fähigkeiten deuten auf eine ziemlich spezifische Reihe praktischer Anwendungen hin. Der Kontext von einer Million Tokens eignet sich für Aufgaben wie die Analyse langer Berichte, Verträge oder Codebasen oder die Aufrechterhaltung der Kontinuität über eine lange Sitzung. Die Bildeingabe eröffnet Dokumentenverständnis, Screenshot-Analyse und Workflows mit gemischten Medien, bei denen das Modell sowohl Text als auch visuelle Inhalte lesen muss. Da Tool-Aufrufe und strukturierte Ausgaben unterstützt werden, passt Fugu Ultra auch zu agentischen Pipelines: Sie können es entscheiden lassen, wann externe Funktionen aufgerufen werden, und seine Antworten auf ein Schema beschränken, das Ihre Anwendung analysieren kann. Die Reasoning-Parameter ermöglichen es Ihnen, den Aufwand je nach erforderlicher Denkleistung einer Aufgabe höher oder niedriger einzustellen, und web_search_options ist verfügbar, wenn eine Anfrage von einer Suche profitiert.

Der Aufruf des Modells über api14 ist unkompliziert, da das Gateway eine OpenAI-kompatible API bereitstellt. Sie senden Ihre Anfragen an den Standard-Chat-Completions-Endpunkt und setzen die Modell-ID auf "sakana/fugu-ultra". Die oben aufgeführten Parameter können wie üblich im Anfrage-Body übergeben werden, sodass vorhandene OpenAI-Client-Bibliotheken und Code, der bereits auf diese Schnittstelle abzielt, mit minimalen Änderungen funktionieren sollten, typischerweise nur durch Austauschen der Modellkennung und Ausrichten der Basis-URL auf api14.

Es gibt ein paar Dinge, die Sie beachten sollten. Die Ausgabe ist nur Text. Wenn Sie also generierte Bilder oder Audio benötigen, ist dies nicht das Modell dafür. Die Liste der unterstützten Parameter enthält keine Sampling-Steuerungen wie temperature oder top_p. Wenn also fein abgestufte Kontrolle über die Zufälligkeit für Ihren Anwendungsfall wichtig ist, prüfen Sie, ob ein anderes Modell auf api14 diese Einstellungen bietet. Ansonsten ist Fugu Ultra für Textaufgaben mit langem Kontext, Multimodalität und Tool-Nutzung ein vernünftiger Kandidat zum Testen.