Maaari ko bang patakbuhin ang Fugu Ultra v2 nang lokal?

Hindi. Hindi pa inilalabas ng Sakana AI ang open weights para sa modelong ito, kaya API-only ito at hindi maaaring i-self-host.

Magkano ang gastos at gaano kalaki ang context?

Ang input ay $5.00 bawat milyong tokens at ang output ay $30.00 bawat milyong tokens, na may isang milyong token na context window. Ang mga prompt na lampas sa 272K tokens ay sinisingil sa mas mataas na input rate, at binibilang ang orchestration tokens na nililikha ng sistema para sa iyong singil.

Ano ang nagpapakaiba sa Fugu Ultra v2 kumpara sa karaniwang malaking language model?

Sa halip na isang monolitikong modelo, ito ay isang learned orchestration system na nagruruta ng mga gawain sa pool ng bukas at espesyal na mga modelo at maaaring tumawag sa sarili nito nang recursive — ang ideya ay ang mahihirap at multi-step na problema ay hinahati at hinahawakan ng sub-model na pinakaangkop.

Fugu Ultra v2

2855°

#llm #sakana #paningin #pangangatwiran #mga ahente #pag-coding

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

Sakana | 1,000,000 token context | $5.00/M input, $30.00/M output. Ang Fugu Ultra v2 ay ang mas mataas na performance na modelo sa pamilya ng Sakana AI na Fugu. Sa halip na isang monolitikong modelo, ang Fugu ay isang learned multi-agent orchestration system: isang language model na sinanay para mag-route ng mga gawain sa isang fixed pool ng open at specialized models at para recursive na tumawag ng mga instance ng sarili nito. Pinaprioritize ng Fugu Ultra v2 ang kalidad ng sagot sa komplikadong multi-step reasoning, autonomous research, at full-stack software development, at hindi umaasa sa…Sakana | 1,000,000 token context | $5.00/M input, $30.00/M output. Ang Fugu Ultra v2 ay ang mas mataas na performance na modelo sa pamilya ng Sakana AI na Fugu. Sa halip na isang monolitikong modelo, ang Fugu ay isang learned multi-agent orchestration system: isang language model na sinanay para mag-route ng mga gawain sa isang fixed pool ng open at specialized models at para recursive na tumawag ng mga instance ng sarili nito. Pinaprioritize ng Fugu Ultra v2 ang kalidad ng sagot sa komplikadong multi-step reasoning, autonomous research, at full-stack software development, at hindi umaasa sa mga indibidwal na proprietary frontier models sa pool nito. Sinusuportahan nito ang configurable reasoning effort (high, xhigh, max), function calling, structured outputs, image at PDF input, at built-in web search. Ang mga prompt na lampas sa 272K tokens ay sinisingil ng mas mataas na rate. Ang orchestration tokens na kinokonsumo ng sistema ay sinisingil bilang standard input/output tokens.

Mga gabay para sa model na ito

Open weights vs open source vs API-only: ano talaga ang pwede mong gawin

Paano pumili ng AI model sa Oktubre 2026: ang balita sa closed source, tapos ang open weights na sulit i-download

Ang 10 pinakamurang alternatibo sa ChatGPT sa 2026: libreng lokal na mga modelo, libreng tier at flat-rate na mga plano

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang Fugu Ultra v2 ay ang flagship model ng Sakana AI, na hindi binuo bilang isang solong neural network kundi bilang isang learned orchestration system na nagruruta ng mga gawain sa isang pool ng mga bukas at espesyal na modelo, kabilang ang recursive calls sa sarili nito. Ang arkitekturang ito ang nagpapalabas nito: dinisenyo para sa komplikadong multi-step reasoning, autonomous research, at full-stack software development. Kung kailangan mo ng isang kapaki-pakinabang na API model para sa mahihirap at multi-stage na problema at hindi alintana ang premium na presyo ng output, sulit itong tingnan.

Kilalang-kilala sa

Multi-agent orchestration na nagruruta ng mga gawain sa pool ng bukas at espesyal na mga modelo
Recursive self-calling para sa malalim at multi-step na reasoning chains
Configurable na pagsisikap sa reasoning: high, xhigh, o max
Isang milyong token na context na sumusuporta sa input ng imahe at PDF
Built-in na web search at istrukturadong output na may function calling

Mag-ingat sa

Ang output ay may presyo na $30/M tokens — binibilang ang orchestration tokens, kaya mabilis ang pagtaas ng singil sa mga komplikadong gawain
Ang mga prompt na lampas sa 272K tokens ay nagti-trigger ng mas mataas na input rate; bantayan ang haba ng context sa mahahabang dokumento
Hindi bukas ang weights; walang lokal o self-hosted na opsyon

Pinakamainam para sa

Mga ahente at paggamit ng tool

Mga prompt na subukan

Buong-stack na feature build

Nagtatayo ka ng task management web app. Disenyo at ipatupad ang isang REST API endpoint sa Node.js gamit ang Express na nagpapahintulot sa user na gumawa ng task na may pamagat, due date, at priority level. Isama ang input validation, error handling, SQLite schema para sa persistence, at isang maikling paliwanag ng anumang trade-offs na ginawa mo.

Multi-step research plan

Gusto kong maunawaan ang kasalukuyang estado ng commercialization ng solid-state battery. Tukuyin ang tatlong pangunahing teknikal na bottlenecks, pangalanan ang mga kumpanya o research groups na pinakamalapit sa paglutas ng bawat isa, at bigyan ako ng makatotohanang timeline kung kailan maaaring maabot ng solid-state batteries ang consumer EVs sa malaking sukat. Isama ang iyong mga dahilan sa bawat hakbang.

Layered reasoning puzzle

Limang engineer ang bawat isa ay may ibang programming language, umiinom ng ibang inumin, at nagtatrabaho sa ibang uri ng proyekto. Gamitin ang mga sumusunod na clue upang tukuyin kung sino ang nagtatrabaho sa embedded systems: ang Rust engineer ay umiinom ng espresso; ang Python engineer ay katabi ng nagtatrabaho sa data pipelines; ang Go engineer ay umiinom ng tsaa; ang embedded systems engineer ay hindi umiinom ng kape; ang Java engineer ay nasa isang dulo.

Ihambing sa

Sakana Namazu
Modelong API lang
262,144 token na konteksto · $0.95/M input, $4.00/M output
Fugu Max
Modelong API lang
1,000,000 token na konteksto · $2.00/M input, $6.00/M output
Fugu Ultra
Modelong API lang
1,000,000 token na konteksto · $5.00/M input, $30.00/M output
DeepSeek V4.1 Flash
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.04/M input, $0.68/M output

Higit pang mga text model mula sa sakana

Mga tanong na madalas itanong

Maaari ko bang patakbuhin ang Fugu Ultra v2 nang lokal?: Hindi. Hindi pa inilalabas ng Sakana AI ang open weights para sa modelong ito, kaya API-only ito at hindi maaaring i-self-host.
Magkano ang gastos at gaano kalaki ang context?: Ang input ay $5.00 bawat milyong tokens at ang output ay $30.00 bawat milyong tokens, na may isang milyong token na context window. Ang mga prompt na lampas sa 272K tokens ay sinisingil sa mas mataas na input rate, at binibilang ang orchestration tokens na nililikha ng sistema para sa iyong singil.
Ano ang nagpapakaiba sa Fugu Ultra v2 kumpara sa karaniwang malaking language model?: Sa halip na isang monolitikong modelo, ito ay isang learned orchestration system na nagruruta ng mga gawain sa pool ng bukas at espesyal na mga modelo at maaaring tumawag sa sarili nito nang recursive — ang ideya ay ang mahihirap at multi-step na problema ay hinahati at hinahawakan ng sub-model na pinakaangkop.

Hatol ng Kapitan
Isang tunay na kakaibang arkitektura na karapat-dapat sa premium na presyo nito kung ang iyong mga gawain ay sapat na komplikado para mangailangan ng multi-agent orchestration — ang mga pangkaraniwang query ay mabilis lang ubusin ang budget.

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Paano nagkakalkula ang score na ito

Walang datos ng kasikatan mula sa kahit anong pinanggalingan ang modelong ito, kaya may stand-in na numero ito sa ibaba ng 7,000° para kumpleto ang mga listahan. Hindi ito kailanman mauuna sa isang modelong may datos. Lalabas dito ang breakdown kapag may nag-ulat na pinanggalingan.

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Mga katulad na model

Mga AI model para sa paggawa ng larawan, video at teksto

Ang Fugu Ultra v2 ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm sakana paningin pangangatwiran mga ahente pag-coding pananaliksik mahabang konteksto

Mag-browse ayon sa pamilya ng model