Sakana: Fugu Max

Sakana : Fugu Max est un modèle de génération de texte de Sakana AI, le laboratoire derrière la famille Fugu. Fugu Max est décrit comme le modèle coût-performance de cette famille, et son architecture est inhabituelle : plutôt qu'un modèle monolithique unique, Fugu est un système d'orchestration multi-agents appris, dans lequel un modèle de langage est entraîné à router le travail à travers plusieurs agents. Pour un développeur, l'implication pratique est qu'un seul appel API à Fugu Max peut s'appuyer sur un ensemble orchestré de composants plutôt que sur un chemin de modèle fixe. Il est répertorié dans la catégorie texte et a été publié par le fournisseur le 2026-09-11.

Du côté des entrées, Fugu Max accepte du texte, des images et des fichiers, et il produit une sortie texte. La fenêtre de contexte est de 1 000 000 de tokens, ce qui est suffisamment grand pour contenir de très longs documents, des bases de code entières ou des historiques de conversation étendus dans une seule requête. La sortie maximale est de 128 000 tokens, donc des générations longues sont possibles sans enchaîner de nombreux appels. Les paramètres de requête pris en charge incluent include_reasoning, reasoning, reasoning_effort, structured_outputs, tool_choice, tools et web_search_options. Les contrôles de raisonnement et les sorties structurées sont disponibles aux côtés de l'appel d'outils et de la recherche web, ce qui signifie que le modèle peut être invité à exposer son raisonnement, à renvoyer des réponses conformes à un schéma, et à invoquer des outils externes ou effectuer une recherche pendant une requête.

Ces capacités suggèrent quelques cas d'usage concrets. L'analyse à long contexte est un choix naturel : fournir de grands contrats, des articles de recherche, des journaux ou des dépôts et demander des résumés, de l'extraction ou des réponses à des questions dans une seule fenêtre. Comme les images et les fichiers sont acceptés en entrée, les flux de travail à forte densité documentaire tels que l'analyse de rapports scannés ou de contenus multimédias mixtes sont également raisonnables. Les paramètres d'outils et de recherche web le rendent adapté aux applications de type agent qui doivent appeler des fonctions ou rechercher des informations actuelles, et structured_outputs aide lorsque le résultat doit être analysé par programmation plutôt que lu par une personne. Les réglages d'effort de raisonnement permettent d'arbitrer entre profondeur de délibération et latence pour des tâches comme la planification en plusieurs étapes ou le débogage.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "sakana/fugu-max". Comme l'interface suit la forme des chat completions d'OpenAI, les clients et SDK existants fonctionnent généralement avec seulement l'URL de base et l'identifiant de modèle modifiés. Dans la requête, vous pouvez définir les paramètres listés ci-dessus : include_reasoning, reasoning, reasoning_effort, structured_outputs, tool_choice, tools et web_search_options, ainsi que les champs habituels messages et d'échantillonnage. Si vous dépendez de traces de raisonnement, de sorties contraintes par schéma, d'appel de fonctions ou de recherche web, confirmez que ces paramètres sont transmis explicitement, car le comportement dépend de ce que le point de terminaison transmet.

Les faits donnés ici ne précisent pas la latence, le débit ni les comparaisons de qualité, il vaut donc la peine de tester Fugu Max sur votre propre charge de travail avant de vous engager. Si votre tâche est purement de la génération de texte avec un contexte modeste et sans besoin d'outils, de recherche, de contrôles de raisonnement ou de sorties structurées, un modèle plus simple peut suffire. Fugu Max a le plus de sens lorsque vous voulez la grande fenêtre de contexte, l'entrée multimodale ou les fonctionnalités d'orchestration et d'outillage réunies dans un seul appel.