Sakana: Fugu Max

Sakana: Fugu Max è un modello di generazione di testo di Sakana AI, il laboratorio dietro la famiglia Fugu. Fugu Max è descritto come il modello costo-prestazioni di quella famiglia, e la sua architettura è insolita: anziché un singolo modello monolitico, Fugu è un sistema di orchestrazione multi-agente appreso, in cui un modello linguistico viene addestrato a instradare il lavoro attraverso più agenti. Per uno sviluppatore, l'implicazione pratica è che una singola chiamata API a Fugu Max può attingere a un insieme orchestrato di componenti anziché a un unico percorso di modello fisso. È elencato nella categoria testo ed è stato rilasciato dal provider il 2026-09-11.

Sul lato input, Fugu Max accetta testo, immagini e file, e produce output testuale. La finestra di contesto è di 1.000.000 di token, sufficientemente ampia da contenere documenti molto lunghi, interi codebase o cronologie di conversazione estese in una singola richiesta. L'output massimo è di 128.000 token, quindi sono possibili generazioni di lunga durata senza concatenare molte chiamate. I parametri di richiesta supportati includono include_reasoning, reasoning, reasoning_effort, structured_outputs, tool_choice, tools e web_search_options. I controlli di ragionamento e gli output strutturati sono disponibili insieme alla chiamata di strumenti e alla ricerca web, il che significa che al modello si può chiedere di esporre il proprio ragionamento, di restituire risposte conformi a uno schema e di invocare strumenti esterni o effettuare ricerche durante una richiesta.

Queste capacità suggeriscono alcuni casi d'uso concreti. L'analisi a contesto lungo è adatta in modo naturale: fornire grandi contratti, articoli di ricerca, log o repository e chiedere riassunti, estrazione o risposta a domande all'interno di un'unica finestra. Poiché immagini e file sono accettati come input, anche i flussi di lavoro ricchi di documenti, come l'analisi di report scansionati o materiale multimediale misto, sono ragionevoli. I parametri per strumenti e ricerca web lo rendono adatto ad applicazioni in stile agente che devono chiamare funzioni o cercare informazioni aggiornate, e structured_outputs è utile quando il risultato deve essere analizzato programmaticamente anziché letto da una persona. Le impostazioni di reasoning effort consentono di bilanciare la profondità di elaborazione rispetto alla latenza per attività come la pianificazione multi-passo o il debug.

Puoi chiamare il modello tramite l'API compatibile con OpenAI di api14 usando l'id del modello "sakana/fugu-max". Poiché l'interfaccia segue la forma delle chat completions di OpenAI, i client e gli SDK esistenti generalmente funzionano cambiando solo l'URL di base e l'id del modello. Nella richiesta puoi impostare i parametri elencati sopra: include_reasoning, reasoning, reasoning_effort, structured_outputs, tool_choice, tools e web_search_options, insieme ai soliti campi messages e di campionamento. Se ti affidi a tracce di ragionamento, output vincolato a uno schema, chiamata di funzioni o ricerca web, verifica che tali parametri siano passati esplicitamente, poiché il comportamento dipende da ciò che l'endpoint inoltra.

I fatti qui riportati non specificano confronti di latenza, throughput o qualità, quindi vale la pena testare Fugu Max sul tuo carico di lavoro prima di impegnarti. Se la tua attività è puramente generazione di testo con un contesto modesto e senza necessità di strumenti, ricerca, controlli di ragionamento o output strutturati, un modello più semplice può essere sufficiente. Fugu Max ha più senso quando vuoi la grande finestra di contesto, l'input multimodale o le funzionalità di orchestrazione e strumenti insieme in una sola chiamata.