Sakana: Fugu Max

Sakana: Fugu Max is een tekstgeneratiemodel van Sakana AI, het lab achter de Fugu-familie. Fugu Max wordt beschreven als het kosten-prestatiemodel in die familie, en de architectuur is ongebruikelijk: in plaats van een enkel monolithisch model is Fugu een geleerd multi-agent orkestratiesysteem, waarin een taalmodel wordt getraind om werk over meerdere agents te routeren. Voor een ontwikkelaar is de praktische implicatie dat een enkele API-aanroep naar Fugu Max gebruik kan maken van een georkestreerde set componenten in plaats van een enkel vast modelpad. Het staat vermeld onder de categorie tekst en werd door de provider uitgebracht op 2026-09-11.

Aan de invoerkant accepteert Fugu Max tekst, afbeeldingen en bestanden, en het produceert tekstuitvoer. Het contextvenster is 1.000.000 tokens, wat groot genoeg is om zeer lange documenten, volledige codebases of uitgebreide gespreksgeschiedenissen in een enkele aanvraag te bevatten. De maximale uitvoer is 128.000 tokens, dus langere generaties zijn mogelijk zonder veel aanroepen aan elkaar te koppelen. Ondersteunde aanvraagparameters zijn include_reasoning, reasoning, reasoning_effort, structured_outputs, tool_choice, tools en web_search_options. Redeneerbesturing en gestructureerde uitvoer zijn beschikbaar naast tool calling en webzoekopdrachten, wat betekent dat het model kan worden gevraagd zijn redenering bloot te leggen, antwoorden te retourneren die aan een schema voldoen, en externe tools of zoekopdrachten tijdens een aanvraag aan te roepen.

Die mogelijkheden suggereren een paar concrete use cases. Langcontextanalyse is een natuurlijke fit: grote contracten, onderzoekspapers, logs of repositories invoeren en vragen om samenvattingen, extractie of vraagbeantwoording binnen een venster. Omdat afbeeldingen en bestanden als invoer worden geaccepteerd, zijn documentintensieve workflows zoals het parsen van gescande rapporten of gemengd mediamateriaal ook redelijk. De parameters voor tools en webzoekopdrachten maken het geschikt voor agent-achtige toepassingen die functies moeten aanroepen of actuele informatie moeten opzoeken, en structured_outputs helpt wanneer het resultaat programmatisch moet worden geparseerd in plaats van door een persoon te worden gelezen. Instellingen voor redeneerinspanning laten je de diepte van overweging afwegen tegen latentie voor taken zoals meerstapsplanning of debugging.

Je roept het model aan via de OpenAI-compatibele API van api14 met het model-id "sakana/fugu-max". Omdat de interface de vorm van OpenAI chat completions volgt, werken bestaande clients en SDK's over het algemeen met alleen een gewijzigde base URL en model-id. In de aanvraag kun je de hierboven genoemde parameters instellen: include_reasoning, reasoning, reasoning_effort, structured_outputs, tool_choice, tools en web_search_options, samen met de gebruikelijke messages- en sampling-velden. Als je afhankelijk bent van redeneersporen, schema-beperkte uitvoer, function calling of webzoekopdrachten, controleer dan of die parameters expliciet worden doorgegeven, want het gedrag hangt af van wat het endpoint doorstuurt.

De hier gegeven feiten specificeren geen latentie, doorvoer of kwaliteitsvergelijkingen, dus het is de moeite waard om Fugu Max tegen je eigen workload te testen voordat je je vastlegt. Als je taak puur tekstgeneratie is met een bescheiden context en geen behoefte aan tools, zoeken, redeneerbesturing of gestructureerde uitvoer, kan een eenvoudiger model voldoende zijn. Fugu Max is het meest logisch wanneer je het grote contextvenster, multimodale invoer of de orkestratie- en toolingfuncties samen in een aanroep wilt.