Sakana: Fugu Ultra v2

Sakana: Fugu Ultra v2 är en textmodell från Sakana, och den är den mer högpresterande medlemmen av Sakana AI:s Fugu-familj. Fugu är inte en enda monolitisk modell. Det är ett inlärt multi-agent-orkestreringssystem, där en språkmodell tränas för att koordinera arbetet hos flera agenter. Fugu Ultra v2 ligger i toppen av den familjen, så om du väljer inom Fugu-serien är detta varianten avsedd för de mest krävande uppgifterna.

Modellen tar text, bilder och filer som indata, och den producerar text som utdata. Dess kontextfönster är 1 000 000 tokens, vilket är tillräckligt stort för att rymma mycket långa dokument, hela kodbaser eller utökade konversationshistoriker i en enda begäran. Den maximala utdatan är 128 000 tokens, så långa genereringar är möjliga tillsammans med långa indata. Dess kunskapsavgränsning är 2026-08-28, och leverantörens releasedatum är 2026-09-11.

Eftersom den tar bilder och filer såväl som text passar Fugu Ultra v2 uppgifter som blandar format: sammanfatta eller extrahera data från skannade dokument och PDF-filer, besvara frågor över skärmbilder eller diagram, och granska långa rapporter där källmaterialet kommer som en bilaga. Det stora kontextfönstret passar kodanalys på repositorienivå, forskning över flera dokument och agentiska arbetsflöden som behöver hålla mycket tillstånd i sikte. De stödda parametrarna pekar i samma riktning. Tools och tool choice låter modellen anropa funktioner, strukturerade utdata låter dig begränsa svar till ett schema, och web search-alternativ låter den nå bortom sin träningsdata. Resonemangskontroller (include reasoning, reasoning och reasoning effort) låter dig bestämma hur mycket intern överläggning modellen gör innan den svarar, vilket är användbart när du vill byta latens mot omsorg på svåra problem.

Du anropar modellen via api14:s OpenAI-kompatibla API med modell-id:t "sakana/fugu-ultra-v2". Eftersom API:et följer OpenAI-formatet fungerar befintliga OpenAI-SDK:er och klienter med bara en ändring av bas-URL och nyckel. Begäransparametrarna som stöds för denna modell är include_reasoning, reasoning, reasoning_effort, structured_outputs, tool_choice, tools och web_search_options. Om du förlitar dig på en parameter som inte finns i den listan stöds den inte här.

En praktisk övervägning är att modellen endast producerar text. Om din pipeline behöver genererade bilder, ljud eller andra icke-textutdata behöver du en annan modell för det steget. Resonemangskontrollerna tillför också ett beslut: högre reasoning effort kan förbättra svar på komplexa uppgifter men kan öka svarstiden, så för enkla begäranden med hög volym kan du föredra lägre effort eller en lättare modell i Fugu-familjen.