Sakana: Fugu Max

Sakana: Fugu Max es un modelo de generación de texto de Sakana AI, el laboratorio detrás de la familia Fugu. Fugu Max se describe como el modelo de costo-rendimiento de esa familia, y su arquitectura es inusual: en lugar de un único modelo monolítico, Fugu es un sistema de orquestación multiagente aprendido, en el que se entrena un modelo de lenguaje para enrutar el trabajo entre múltiples agentes. Para un desarrollador, la implicación práctica es que una sola llamada a la API de Fugu Max puede recurrir a un conjunto orquestado de componentes en lugar de una única ruta de modelo fija. Está listado bajo la categoría de texto y fue lanzado por el proveedor el 2026-09-11.

En el lado de la entrada, Fugu Max acepta texto, imágenes y archivos, y produce salida de texto. La ventana de contexto es de 1,000,000 tokens, lo suficientemente grande como para contener documentos muy largos, bases de código completas o historiales de conversación extensos en una sola solicitud. La salida máxima es de 128,000 tokens, por lo que son posibles generaciones de formato largo sin encadenar muchas llamadas. Los parámetros de solicitud admitidos incluyen include_reasoning, reasoning, reasoning_effort, structured_outputs, tool_choice, tools y web_search_options. Los controles de razonamiento y las salidas estructuradas están disponibles junto con el llamado a herramientas y la búsqueda web, lo que significa que se puede pedir al modelo que exponga su razonamiento, que devuelva respuestas que se ajusten a un esquema y que invoque herramientas externas o realice búsquedas durante una solicitud.

Esas capacidades sugieren algunos casos de uso concretos. El análisis de contexto largo encaja de forma natural: alimentar contratos grandes, artículos de investigación, registros o repositorios y pedir resúmenes, extracción o respuesta a preguntas dentro de una sola ventana. Dado que se aceptan imágenes y archivos como entrada, los flujos de trabajo con muchos documentos, como el análisis de informes escaneados o material multimedia mixto, también son razonables. Los parámetros de herramientas y búsqueda web lo hacen adecuado para aplicaciones de estilo agente que necesitan llamar a funciones o consultar información actual, y structured_outputs ayuda cuando el resultado debe analizarse programáticamente en lugar de ser leído por una persona. La configuración de esfuerzo de razonamiento permite intercambiar profundidad de deliberación por latencia en tareas como planificación de varios pasos o depuración.

Se llama al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "sakana/fugu-max". Dado que la interfaz sigue la forma de chat completions de OpenAI, los clientes y SDK existentes generalmente funcionan con solo cambiar la URL base y el id de modelo. En la solicitud se pueden establecer los parámetros enumerados anteriormente: include_reasoning, reasoning, reasoning_effort, structured_outputs, tool_choice, tools y web_search_options, junto con los campos habituales de messages y muestreo. Si dependes de trazas de razonamiento, salida restringida por esquema, llamado a funciones o búsqueda web, confirma que esos parámetros se pasan explícitamente, ya que el comportamiento depende de lo que reenvíe el endpoint.

Los datos proporcionados aquí no especifican latencia, rendimiento ni comparaciones de calidad, por lo que vale la pena probar Fugu Max con tu propia carga de trabajo antes de comprometerte. Si tu tarea es puramente generación de texto con un contexto modesto y sin necesidad de herramientas, búsqueda, controles de razonamiento o salidas estructuradas, un modelo más simple puede ser suficiente. Fugu Max tiene más sentido cuando quieres la ventana de contexto grande, la entrada multimodal o las características de orquestación y herramientas juntas en una sola llamada.