Sakana: Fugu Max

Sakana: Fugu Max to model generowania tekstu od Sakana AI, laboratorium stojącego za rodziną Fugu. Fugu Max jest opisywany jako model kosztowo-wydajnościowy w tej rodzinie, a jego architektura jest nietypowa: zamiast pojedynczego monolitycznego modelu, Fugu jest wyuczonym systemem orkiestracji wielu agentów, w którym model językowy jest trenowany do kierowania pracy między wieloma agentami. Dla programisty praktyczna konsekwencja jest taka, że pojedyncze wywołanie API do Fugu Max może korzystać z orkiestrowanego zestawu komponentów, a nie z jednej ustalonej ścieżki modelu. Jest wymieniony w kategorii tekstowej i został wydany przez dostawcę 2026-09-11.

Po stronie danych wejściowych Fugu Max przyjmuje tekst, obrazy i pliki, a zwraca tekst. Okno kontekstu wynosi 1 000 000 tokenów, co wystarcza na bardzo długie dokumenty, całe bazy kodu lub rozbudowane historie rozmów w jednym żądaniu. Maksymalne wyjście to 128 000 tokenów, więc długie generacje są możliwe bez łańcuchowego łączenia wielu wywołań. Obsługiwane parametry żądania obejmują include_reasoning, reasoning, reasoning_effort, structured_outputs, tool_choice, tools oraz web_search_options. Sterowanie rozumowaniem i ustrukturyzowane wyjścia są dostępne obok wywoływania narzędzi i wyszukiwania w sieci, co oznacza, że model można poprosić o ujawnienie rozumowania, o zwracanie odpowiedzi zgodnych ze schematem oraz o wywoływanie zewnętrznych narzędzi lub wyszukiwanie w trakcie żądania.

Te możliwości sugerują kilka konkretnych zastosowań. Analiza długiego kontekstu pasuje naturalnie: wprowadzanie dużych umów, artykułów naukowych, logów lub repozytoriów i proszenie o podsumowania, ekstrakcję lub odpowiadanie na pytania w ramach jednego okna. Ponieważ obrazy i pliki są przyjmowane jako dane wejściowe, uzasadnione są również przepływy pracy oparte na dokumentach, takie jak przetwarzanie zeskanowanych raportów lub materiałów mieszanych. Parametry narzędzi i wyszukiwania w sieci czynią go odpowiednim dla aplikacji w stylu agentowym, które muszą wywoływać funkcje lub wyszukiwać aktualne informacje, a structured_outputs pomaga, gdy wynik musi być przetwarzany programowo, a nie czytany przez człowieka. Ustawienia intensywności rozumowania pozwalają wymieniać głębokość namysłu na opóźnienie w zadaniach takich jak planowanie wieloetapowe lub debugowanie.

Model wywołujesz przez zgodne z OpenAI API api14, używając identyfikatora modelu "sakana/fugu-max". Ponieważ interfejs podąża za kształtem uzupełnień czatu OpenAI, istniejące klienty i SDK generalnie działają po zmianie tylko bazowego adresu URL i identyfikatora modelu. W żądaniu możesz ustawić wymienione powyżej parametry: include_reasoning, reasoning, reasoning_effort, structured_outputs, tool_choice, tools oraz web_search_options, wraz ze zwykłymi polami messages i próbkowania. Jeśli polegasz na śladach rozumowania, wyjściu ograniczonym schematem, wywoływaniu funkcji lub wyszukiwaniu w sieci, potwierdź, że te parametry są przekazywane jawnie, ponieważ zachowanie zależy od tego, co przekazuje punkt końcowy.

Podane tutaj fakty nie określają opóźnienia, przepustowości ani porównań jakości, więc warto przetestować Fugu Max na własnym obciążeniu przed podjęciem decyzji. Jeśli twoje zadanie to wyłącznie generowanie tekstu o umiarkowanym kontekście i bez potrzeby narzędzi, wyszukiwania, sterowania rozumowaniem lub ustrukturyzowanych wyjść, prostszy model może wystarczyć. Fugu Max ma najwięcej sensu, gdy chcesz mieć duże okno kontekstu, wejście multimodalne lub funkcje orkiestracji i narzędzi razem w jednym wywołaniu.