Sakana: Fugu Ultra v2

Sakana : Fugu Ultra v2 est un modèle de texte de Sakana, et c'est le membre le plus performant de la famille Fugu de Sakana AI. Fugu n'est pas un modèle monolithique unique. C'est un système d'orchestration multi-agents appris, dans lequel un modèle de langage est entraîné à coordonner le travail de plusieurs agents. Fugu Ultra v2 se situe au sommet de cette famille, donc si vous choisissez au sein de la gamme Fugu, c'est la variante destinée aux travaux les plus exigeants.

Le modèle accepte du texte, des images et des fichiers en entrée, et il produit du texte en sortie. Sa 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 de longues générations sont possibles parallèlement à de longues entrées. Sa date de coupure des connaissances est le 2026-08-28, et la date de publication par le fournisseur est le 2026-09-11.

Parce qu'il prend des images et des fichiers ainsi que du texte, Fugu Ultra v2 convient aux tâches qui mélangent les formats : résumer ou extraire des données de documents numérisés et de PDF, répondre à des questions sur des captures d'écran ou des diagrammes, et examiner de longs rapports lorsque le matériel source arrive en pièce jointe. La grande fenêtre de contexte convient à l'analyse de code au niveau du dépôt, à la recherche multi-documents et aux flux de travail agentiques qui doivent garder beaucoup d'état en vue. Les paramètres pris en charge vont dans le même sens. Tools et tool choice permettent au modèle d'appeler des fonctions, structured outputs vous permet de contraindre les réponses à un schéma, et web search options lui permet d'aller au-delà de ses données d'entraînement. Les contrôles de raisonnement (include reasoning, reasoning et reasoning effort) vous permettent de décider combien de délibération interne le modèle effectue avant de répondre, ce qui est utile lorsque vous souhaitez échanger de la latence contre de la rigueur sur des problèmes difficiles.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "sakana/fugu-ultra-v2". Comme l'API suit le format OpenAI, les SDK et clients OpenAI existants fonctionnent avec seulement un changement d'URL de base et de clé. Les paramètres de requête pris en charge pour ce modèle sont include_reasoning, reasoning, reasoning_effort, structured_outputs, tool_choice, tools et web_search_options. Si vous dépendez d'un paramètre qui ne figure pas dans cette liste, il n'est pas pris en charge ici.

Une considération pratique est que le modèle produit uniquement du texte. Si votre pipeline nécessite des images générées, de l'audio ou d'autres sorties non textuelles, vous aurez besoin d'un modèle différent pour cette étape. Les contrôles de raisonnement ajoutent également une décision : un effort de raisonnement plus élevé peut améliorer les réponses sur des tâches complexes mais peut augmenter le temps de réponse, donc pour des requêtes simples et à fort volume, vous préférerez peut-être un effort plus faible ou un modèle plus léger de la famille Fugu.