Sakana: Sakana Namazu

Sakana Namazu est un modèle de texte de Sakana AI, un fournisseur dont le travail est centré sur la langue japonaise et les contextes professionnels. Le modèle est décrit comme un modèle de raisonnement spécialisé pour le japonais, basé sur Kimi K2.6, avec un entraînement supplémentaire appliqué pour la langue japonaise et l'usage professionnel. Son identifiant de modèle sur api14 est sakana/sakana-namazu, et il appartient à la catégorie texte. Si vous développez pour des utilisateurs japonophones ou pour des flux de travail où le suivi d'instructions en japonais compte, c'est le modèle à évaluer en premier.

Du côté des entrées, Sakana Namazu accepte le texte, les images et les fichiers, et il produit une sortie texte. Cette combinaison signifie que vous pouvez envoyer une invite accompagnée d'un document numérisé, d'une capture d'écran ou d'un fichier de type PDF et obtenir une réponse écrite, plutôt que d'être limité à des invites en texte brut. La fenêtre de contexte est de 262 144 tokens, ce qui est suffisamment grand pour contenir de longs documents ou un historique de conversation étendu dans une seule requête. La sortie maximale est de 65 536 tokens, donc les réponses peuvent être substantielles lorsque la tâche l'exige. Le raisonnement est une partie intégrante du modèle, et les paramètres pris en charge incluent include_reasoning, reasoning et reasoning_effort, qui vous permettent de contrôler la quantité de travail de raisonnement interne que le modèle effectue avant de répondre.

Ces capacités indiquent un ensemble assez spécifique de cas d'usage. La revue de documents japonais est un choix évident : envoyez un contrat, un rapport ou un formulaire sous forme de fichier ou d'image, posez des questions à ce sujet en japonais, et obtenez une réponse en japonais sans étape de traduction séparée. L'analyse à long contexte en est un autre, puisque la fenêtre de 262 144 tokens vous permet de travailler sur des documents volumineux en une seule passe. Comme le modèle accepte les images ainsi que les fichiers, des tâches comme l'extraction d'informations à partir de pages numérisées ou la lecture de graphiques et de tableaux dans des documents sont à portée de main. Les contrôles de raisonnement le rendent également utile pour des problèmes à plusieurs étapes où vous voulez que le modèle travaille la logique plutôt que de répondre immédiatement.

Appeler le modèle via api14 est identique à l'appel de tout autre modèle sur la passerelle, puisque l'API est compatible OpenAI. Vous définissez le champ model sur sakana/sakana-namazu et envoyez votre requête au point de terminaison chat completions avec votre clé api14. Les paramètres de requête pris en charge sont include_reasoning, reasoning, reasoning_effort, structured_outputs, tool_choice, tools et web_search_options. En pratique, cela signifie que vous pouvez demander une sortie JSON structurée via structured_outputs, définir des fonctions ou des services externes via tools et tool_choice, ajuster la profondeur de raisonnement via les paramètres de raisonnement, et activer la recherche web via web_search_options. Comme l'interface suit le schéma OpenAI, les bibliothèques clientes existantes et le code écrit pour les modèles OpenAI devraient fonctionner avec seulement l'identifiant de modèle modifié.

Il convient de garder à l'esprit que la modalité de sortie est uniquement textuelle. Si votre application nécessite des images ou de l'audio générés, ce modèle ne les fournira pas. La spécialisation est également un facteur : Sakana Namazu est conçu en pensant à la langue japonaise et aux contextes professionnels, donc pour des charges de travail purement anglophones, un modèle généraliste peut être un choix plus naturel. Pour les tâches japonaises impliquant de longs documents, des fichiers ou des images, et où vous voulez contrôler la profondeur de raisonnement et la sortie structurée, c'est un candidat solide.