Sakana: Fugu Ultra

Sakana: Fugu Ultra é um modelo de geração de texto da Sakana AI, e ocupa o topo da família Fugu da empresa como a opção de maior desempenho. O que torna a linha Fugu incomum é a sua arquitetura: em vez de ser um único modelo monolítico, Fugu é um sistema de orquestração multiagente aprendido, no qual um modelo de linguagem é treinado para encaminhar trabalho entre múltiplos agentes. Fugu Ultra é o membro maior e mais capaz dessa família, portanto, se você está avaliando a abordagem da Sakana, esta é a variante voltada para cargas de trabalho exigentes, e não para as leves.

No lado da entrada, Fugu Ultra aceita texto e imagens, e produz texto como saída. Essa combinação significa que você pode enviar prompts que misturam instruções escritas com conteúdo visual, e receber uma única resposta em texto. A janela de contexto é muito grande, com 1.000.000 de tokens, o que permite trabalhar com documentos longos, conversas estendidas ou coleções consideráveis de material em uma única requisição sem dividi-los você mesmo. O comprimento máximo de saída é de 128.000 tokens, então as respostas podem ser correspondentemente longas quando uma tarefa exigir isso. Os parâmetros de requisição suportados incluem controles de raciocínio (reasoning, reasoning_effort e include_reasoning), structured_outputs, uso de ferramentas via tools e tool_choice, e web_search_options.

Essas capacidades apontam para um conjunto bastante específico de usos práticos. O contexto de um milhão de tokens é adequado para tarefas como analisar relatórios longos, contratos ou bases de código, ou manter continuidade ao longo de uma sessão extensa. A entrada de imagens abre caminho para compreensão de documentos, análise de capturas de tela e fluxos de trabalho com mídia mista, nos quais o modelo precisa ler tanto texto quanto elementos visuais. Como a chamada de ferramentas e as saídas estruturadas são suportadas, Fugu Ultra também se encaixa em pipelines agênticos: você pode deixá-lo decidir quando chamar funções externas e restringir suas respostas a um esquema que sua aplicação consiga analisar. Os parâmetros de raciocínio permitem aumentar ou diminuir o esforço dependendo de quanta deliberação uma tarefa exige, e web_search_options está disponível quando uma requisição se beneficia de busca.

Chamar o modelo através da api14 é simples porque o gateway expõe uma API compatível com a OpenAI. Você envia suas requisições para o endpoint padrão de chat completions e define o id do modelo como "sakana/fugu-ultra". Os parâmetros listados acima podem ser passados no corpo da requisição da maneira usual, então bibliotecas de cliente OpenAI existentes e códigos que já têm como alvo essa interface devem funcionar com mudanças mínimas, tipicamente apenas trocando o identificador do modelo e apontando a URL base para a api14.

Há alguns pontos a ter em mente. A saída é apenas texto, então, se você precisa de imagens ou áudio gerados, este não é o modelo para isso. A lista de parâmetros suportados não inclui controles de amostragem como temperature ou top_p, então, se o controle refinado sobre a aleatoriedade for importante para o seu caso de uso, verifique se outro modelo na api14 expõe esses ajustes. Caso contrário, para tarefas de texto com contexto longo, multimodalidade e uso de ferramentas, Fugu Ultra é um candidato razoável para testar.