Sakana: Fugu Ultra

Sakana: Fugu Ultra è un modello di generazione di testo di Sakana AI, e si colloca al vertice della famiglia Fugu dell'azienda come opzione dalle prestazioni superiori. Ciò che rende insolita la linea Fugu è la sua architettura: anziché essere 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. Fugu Ultra è il membro più grande e più capace di quella famiglia, quindi se stai valutando l'approccio di Sakana, questa è la variante pensata per carichi di lavoro impegnativi anziché leggeri.

Sul lato input, Fugu Ultra accetta testo e immagini, e produce testo come output. Questa combinazione significa che puoi inviare prompt che mescolano istruzioni scritte con contenuti visivi, e ricevere un'unica risposta testuale. La finestra di contesto è molto ampia, pari a 1.000.000 di token, il che ti consente di lavorare con documenti lunghi, conversazioni estese o raccolte considerevoli di materiale senza suddividerli manualmente in blocchi. La lunghezza massima dell'output è di 128.000 token, quindi le risposte possono essere altrettanto lunghe quando un'attività lo richiede. I parametri di richiesta supportati includono i controlli (reasoning, reasoning_effort e include_reason), structured_outputs, l'uso di strumenti tramite tools e tool_choice, e web_search_options.

Questi elementi indicano un insieme piuttosto specifico di usi pratici. Il contesto da un milione di token si adatta a compiti come l'analisi di report, contratti o basi di codice, o il mantenimento della continuità in conversazioni lunghe. L'input di immagini apre la strada alla comprensione di documenti, all'analisi di screenshot e a flussi di lavoro multimediali misti in cui il modello deve leggere sia testo sia elementi visivi. Poiché la chiamata di strumenti e gli output strutturati sono supportati, Fugu Ultra si adatta anche a pipeline agentiche: puoi lasciargli decidere quando chiamare funzioni esterne e vincolare le sue risposte a uno schema che la tua applicazione può analizzare. I parametri di reasoning ti permettono di aumentare o ridurre lo sforzo a seconda di quanta riflessione richiede un'attività, e web_search_options è disponibile quando una richiesta trae beneficio dalla ricerca.

Chiamare il modello tramite api14 è semplice perché il gateway espone un'API compatibile con OpenAI. Invii le tue richieste all'endpoint standard chat completions e imposti l'id del modello su "sakana/fugu-ultra". I parametri elencati sopra possono essere passati nel corpo della richiesta nel modo consueto, quindi le librerie client OpenAI esistenti e il codice che già punta a quell'interfaccia dovrebbero funzionare con modifiche minime, in genere solo sostituendo l'identificatore del modello e puntando l'URL di base su api14.

Ci sono un paio di cose da tenere a mente. L'output è solo testo, quindi se hai bisogno di immagini o audio generati, questo non è il modello adatto. L'elenco dei parametri supportati non include controlli di campionamento come temperature o top_p, quindi se un controllo granulare sulla casualità è importante per il tuo caso d'uso, verifica se un altro modello su api14 espone tali opzioni. Altrimenti, per attività testuali a contesto lungo, multimodali e con uso di strumenti, Fugu Ultra è un candidato ragionevole da testare.