Untuk menguji API Sakana Fugu di Apidog, buat permintaan HTTP baru yang diarahkan ke jalur /chat/completions Fugu yang kompatibel dengan OpenAI, tambahkan header Authorization: Bearer dengan kunci Anda, dan kirim payload yang menyebutkan model fugu atau fugu-ultra. Karena Fugu menyediakan satu endpoint yang kompatibel dengan OpenAI, alat apa pun yang menggunakan format obrolan OpenAI akan berfungsi tanpa perlu mengganti SDK, dan Apidog memberi Anda inspeksi streaming, varian permintaan yang tersimpan, dan perbandingan respons dalam satu jendela. Panduan ini menjelaskan seluruh proses: membangun permintaan, mengamati delta SSE, membaca objek usage, dan membandingkan latensi antara tingkatan seimbang dan tingkatan Ultra yang lebih lambat sehingga Anda dapat melihat biaya orkestrasi dalam respons nyata.
Jika Anda menginginkan jalur integrasi yang mengutamakan kode alih-alih jalur pengujian dan pengamatan, panduan pendamping untuk menggunakan API Sakana Fugu membahas penyambungan SDK. Artikel ini tetap fokus pada Apidog.
Apa yang sebenarnya Anda uji dengan Fugu
Fugu bukanlah model obrolan biasa. Menurut Sakana, ini adalah sistem orkestrasi multi-agen yang disajikan sebagai satu model dasar di balik satu API. Model bahasa terlatih berspesialisasi dalam delegasi, komunikasi agen, dan sintesis pekerjaan, kemudian secara dinamis mengoordinasikan beberapa LLM, termasuk instansi rekursif dari dirinya sendiri. Judul rilisnya adalah “Satu Model untuk Menguasai Semuanya.” Untuk latar belakang orkestrasinya, lihat penjelasan tentang apa itu Sakana Fugu.
Desain itu penting untuk pengujian. Ketika Anda mengirim satu permintaan, Fugu memutuskan apakah akan menjawab secara langsung atau membentuk tim di balik layar. Anda melihat satu respons, tetapi pekerjaan di baliknya mungkin melibatkan beberapa model. Jadi, hal-hal yang patut diukur di Apidog berbeda dari pengujian model biasa: Anda mengamati latensi sebagai proksi apakah Fugu menjalankan satu lintasan atau lompatan orkestrasi, dan Anda membaca objek usage untuk melihat biaya token pada panggilan induk.
Dua varian berbagi satu titik akhir tersebut:
- Fugu (varian seimbang dengan latensi rendah) menargetkan pekerjaan sehari-hari: pengkodean, tinjauan kode, chatbot, dan layanan interaktif.
- Fugu Ultra menargetkan kualitas jawaban maksimum: penelitian AI, reproduksi makalah, analisis keamanan siber, dan investigasi literatur atau paten.
Beta dan sebagian besar pers awal menyebut varian kecil "Fugu Mini." Halaman rilis menggunakan "Fugu" dan "Fugu Ultra," jadi gunakan nama-nama tersebut; "Mini" adalah label beta lama.
Dapatkan URL dasar dan kunci sebelum Anda mulai
Fugu berada di balik dinding login. Anda masuk di console.sakana.ai dengan Google atau email, dan konsol adalah tempat Anda menyalin kunci API dan URL dasar Anda.
Satu catatan penting untuk 22-06-2026: URL dasar tidak dipublikasikan di halaman Sakana publik mana pun. Jangan menebaknya. Salin host yang sebenarnya dari konsol dan simpan sebagai variabel. Di setiap tempat dalam panduan ini Anda melihat <YOUR_FUGU_BASE_URL_FROM_CONSOLE>, ganti dengan nilai yang ditampilkan konsol kepada Anda. Akses juga bergerak dari beta sekitar 500 pengguna menuju ketersediaan umum; apakah pendaftaran mandiri sepenuhnya terbuka dan apakah ada batasan EU/EEA, keduanya layak diperiksa langsung di konsol.
Siapkan permintaan Fugu di Apidog
Unduh Apidog jika Anda belum memilikinya, lalu buat proyek baru dan permintaan HTTP baru.
Gunakan variabel lingkungan untuk kunci dan host
Jangan menempelkan rahasia ke bilah URL. Lingkungan Apidog memungkinkan Anda menyimpan URL dasar dan kunci sekali dan mereferensikannya di setiap permintaan. Buat lingkungan (sebut saja Fugu Prod) dan tambahkan dua variabel:
fugu_base_urldiatur ke nilai<YOUR_FUGU_BASE_URL_FROM_CONSOLE>Anda.fugu_keydiatur ke kunci API konsol Anda.
Sekarang URL permintaan Anda menjadi {{fugu_base_url}}/chat/completions dan nilai header Anda menjadi Bearer {{fugu_key}}. Beralih antara kunci staging dan kunci produksi adalah perubahan satu dropdown, bukan find-and-replace di seluruh permintaan. Jika Anda telah menyambungkan penyedia yang kompatibel dengan OpenAI lainnya melalui gateway sebelumnya, ini mencerminkan pola dalam panduan Claude Code dengan OpenRouter, di mana satu URL dasar dan satu token bearer mengarahkan klien OpenAI ke backend baru.
Buat badan permintaan
Atur metode ke POST, URL ke {{fugu_base_url}}/chat/completions, dan tambahkan header ini:
Authorization: Bearer {{fugu_key}}
Content-Type: application/json
Kemudian masukkan payload obrolan OpenAI standar ke dalam badan JSON:
{
"model": "fugu",
"messages": [
{ "role": "system", "content": "You are a concise API testing assistant." },
{ "role": "user", "content": "Summarize what an SSE delta is in two sentences." }
],
"stream": false
}
Bentuknya sangat cocok dengan referensi penyelesaian obrolan OpenAI, yang merupakan tujuan dari endpoint yang kompatibel dengan OpenAI. String id model yang dilaporkan saat peluncuran adalah fugu dan fugu-ultra (dan mungkin bentuk usang seperti fugu-ultra-20260615). Konfirmasikan id yang tepat di konsol daripada mengodekan string usang, karena id usang akan berganti.
Kirim. Anda akan mendapatkan kembali objek penyelesaian obrolan normal, dengan array choices dan blok usage. Simpan permintaan ini di Apidog sebagai "Fugu seimbang."
Kirim ke varian Ultra dan simpan keduanya
Duplikat permintaan yang disimpan, ubah satu bidang, dan Anda memiliki kasus uji kedua:
{
"model": "fugu-ultra",
"messages": [
{ "role": "user", "content": "Reproduce the core result of the Trinity coordinator paper in plain language and note one limitation." }
],
"stream": false
}
Simpan ini sebagai "Fugu Ultra." Sekarang Anda memiliki dua permintaan tersimpan yang mengenai satu titik akhir, hanya dipisahkan oleh bidang model. Ini adalah pengaturan yang membuat sisa pengujian bermakna. Anda mengirimkan prompt yang sama ke keduanya, kemudian membandingkan respons dan membandingkan waktu. Apidog menyimpan riwayat respons per permintaan, sehingga Anda dapat menjalankan kembali masing-masing dan mengamati bagaimana jawaban dan latensi bergerak. Untuk pola yang lebih luas tentang merantai dan membandingkan panggilan API, panduan orkestrasi pengujian API membahas cara mengurutkan dan menegaskan di beberapa permintaan.
Periksa delta streaming SSE
Streaming adalah di mana perilaku Fugu menjadi menarik, karena lompatan orkestrasi yang panjang masih mengalirkan token saat mereka selesai. Balik stream menjadi true:
{
"model": "fugu-ultra",
"messages": [
{ "role": "user", "content": "Walk through a one-shot chess opening analysis, step by step." }
],
"stream": true
}
Dengan streaming aktif, responsnya adalah text/event-stream dan tiba sebagai serangkaian potongan data:. Apidog merender aliran SSE secara langsung, sehingga Anda mengamati delta yang mendarat alih-alih menatap pemintal. Setiap potongan terlihat seperti ini:
data: {"id":"chatcmpl-xxx","object":"chat.completion.chunk","choices":[{"index":0,"delta":{"content":"The"},"finish_reason":null}]}
data: {"id":"chatcmpl-xxx","object":"chat.completion.chunk","choices":[{"index":0,"delta":{"content":" Sicilian"},"finish_reason":null}]}
data: [DONE]
Objek delta membawa konten token inkremental. Potongan pertama biasanya membawa role, kemudian potongan berikutnya membawa fragmen content, dan aliran berakhir dengan finish_reason diatur dan baris data: [DONE] terakhir. Perhatikan jeda sebelum delta pertama di Ultra. Jeda yang lama sebelum token mulai, lalu aliran yang stabil, adalah sinyal yang berguna bahwa Fugu mengumpulkan tim sebelum menjawab. Varian seimbang cenderung mulai streaming lebih cepat karena lebih sering menjawab secara langsung.
Baca objek penggunaan dan bandingkan biaya
Setelah panggilan non-streaming kembali, buka blok usage di respons:
{
"usage": {
"prompt_tokens": 38,
"completion_tokens": 412,
"total_tokens": 450
}
}
Jumlah token pada panggilan induk adalah apa yang Apidog tunjukkan langsung kepada Anda. Ingat satu poin kejujuran: Fugu adalah orkestrator yang memanggil model frontier vendor lain, termasuk dirinya sendiri secara rekursif. usage yang Anda baca adalah perhitungan pada permintaan Anda ke Fugu, bukan jendela ke setiap model downstream yang mungkin telah dipanggilnya. Struktur harga, menurut Sakana, adalah tingkatan langganan untuk penggunaan sehari-hari ditambah paket bayar sesuai penggunaan untuk beban kerja yang lebih berat dan perusahaan.
Sebagai jangkar perbandingan yang mendasar, harga yang dipublikasikan Anthropic (09-06-2026) menempatkan Fable 5 dan Mythos 5 pada $10 per 1M input dan $50 per 1M output. Panduan API Claude Fable 5 yang menyertainya mencakup endpoint tersebut jika Anda menginginkan baseline model tunggal untuk diuji bersama Fugu dalam proyek Apidog yang sama.
Ukur biaya lompatan orkestrasi dalam latensi
Ini adalah tes yang membenarkan menjalankan kedua varian. Kirim prompt yang sama ke "Fugu seimbang" dan "Fugu Ultra," lalu baca waktu respons yang dilaporkan Apidog di bagian bawah setiap hasil.
Anda biasanya akan melihat varian seimbang kembali lebih cepat. Menurut Sakana, "Fugu" yang seimbang menargetkan latensi rendah dan layanan interaktif, sementara Ultra menargetkan kualitas maksimum untuk pekerjaan tingkat penelitian. Delta latensi adalah pembacaan yang terlihat pada lompatan orkestrasi: ketika Ultra menghabiskan lebih banyak waktu, waktu ekstra itu adalah Fugu yang mengoordinasikan tim daripada menjawab dalam satu lintasan. Waktu per permintaan dan riwayat tersimpan Apidog memungkinkan Anda menjalankan setiap varian beberapa kali dan mengamati apakah jeda stabil atau tergantung pada prompt.
Untuk menekankan perbedaannya, pilih tugas dari daftar aplikasi Sakana sendiri di mana ia mengklaim hasil yang kuat: AutoResearch, desain mekanis, prediksi deret waktu keuangan, atau catur satu kali. Menurut Sakana, Fugu secara konsisten mengungguli Gemini 3.1 Pro, Opus 4.8, dan GPT 5.5 pada aplikasi-aplikasi spesifik tersebut. Baca klaim itu dengan cermat. Fugu mungkin mencapai hasil tersebut dengan memanggil model-model itu sendiri dan menyintesis keluarannya, jadi hasil "mengalahkan Opus 4.8" bisa menjadi hasil model-dari-model, bukan kemenangan model tunggal. Sakana juga menempatkan Fugu Ultra sejajar dengan Fable 5 dan Mythos Preview yang lebih lama di seluruh tolok ukur rekayasa dan penalaran, yang merupakan klaim kesetaraan, bukan klaim "mengalahkan". Uji sendiri dan nilai berdasarkan prompt Anda sendiri.
Perutean agen dan tata kelola yang dapat Anda selidiki
Halaman rilis Fugu menjelaskan mekanisme yang layak diuji secara langsung. Agen dalam kumpulan dapat ditukar. Tim dapat memilih agen tertentu keluar karena alasan data atau kepatuhan. Fugu juga secara dinamis merutekan di sekitar batasan penyedia. Jika konsol Anda mengekspos kontrol kumpulan agen, Anda dapat mengubah model mana yang memenuhi syarat dan menjalankan kembali permintaan Apidog yang disimpan untuk melihat bagaimana perutean dan jawaban bergeser.
Garis keturunan penelitian itu nyata dan dapat dikutip. Dua makalah ICLR 2026 berada di balik pendekatan ini: Trinity, “An Evolved LLM Coordinator”, koordinator di bawah 20K parameter yang dioptimalkan oleh evolusi bebas turunan dengan peran Thinker, Worker, dan Verifier, dan Conductor, “Learning to Orchestrate Agents in Natural Language”, model 7B yang dilatih dengan pembelajaran penguatan yang mempelajari struktur komunikasinya sendiri dan mengklaim mengalahkan Mixture-of-Agents dengan biaya lebih rendah. Mereka menggunakan metode dan ukuran yang berbeda, jadi jangan mencampurkannya, dan catat bahwa memetakan jumlah parameter spesifik apa pun ke produk yang dikirimkan adalah inferensi pihak ketiga daripada angka resmi.
Bagaimana ini sesuai dengan alur kerja Apidog Anda
Tujuan menguji Fugu di Apidog alih-alih curl satu kali adalah pengulangan. Anda menyimpan kedua permintaan varian, menyimpan kunci dan host Anda dalam lingkungan, memutarnya kembali terhadap prompt baru, membandingkan respons secara berdampingan, dan membaca latensi serta usage tanpa meninggalkan alat. Ketika Fugu memutar id model atau Anda beralih dari kunci staging ke produksi, Anda mengubah satu variabel lingkungan dan setiap permintaan yang disimpan mengikuti. Itu adalah lingkaran pengujian dan pengamatan: bangun sekali, lalu amati bagaimana sistem orkestrasi berperilaku saat Anda mendorong prompt yang berbeda melaluinya.
Sakana mengambil namanya dari kata Jepang untuk ikan, dan branding sekumpulan ikan cocok untuk orkestrator yang mengoordinasikan banyak model menjadi satu jawaban. Fugu, ikan buntal, adalah hidangan lezat yang aman hanya jika koki terampil menyiapkannya. Metafora persiapan yang hati-hati adalah cara yang adil untuk memikirkan perutean pekerjaan di seluruh agen, selama Anda ingat itu adalah warna, bukan tolok ukur.
Arahkan permintaan yang kompatibel dengan OpenAI Anda ke Fugu, simpan varian Anda, dan biarkan Apidog menunjukkan kepada Anda apa yang dilakukan orkestrator di bawah beban. Unduh Apidog untuk mengatur lingkungan Fugu pertama Anda, dan mulailah dengan mengirimkan prompt yang sama ke kedua varian untuk melihat lompatan orkestrasi itu sendiri.
Pertanyaan yang Sering Diajukan
URL dasar apa yang saya gunakan untuk menguji Fugu di Apidog?
Salin URL dasar dari console.sakana.ai setelah Anda masuk. Sakana belum mempublikasikan host di halaman publik mana pun per 22-06-2026, jadi jangan menebaknya. Simpan sebagai variabel lingkungan Apidog dan referensikan sebagai {{fugu_base_url}}/chat/completions.
Apakah saya memerlukan SDK khusus untuk memanggil Fugu?
Tidak. Fugu menyediakan satu endpoint yang kompatibel dengan OpenAI, jadi klien OpenAI apa pun atau alat apa pun yang menggunakan format obrolan OpenAI berfungsi hanya dengan perubahan URL dasar dan kunci. Pola pengalihan yang sama muncul dalam panduan Claude Code dengan OpenRouter.
Bagaimana cara menguji respons streaming dari Fugu?
Atur "stream": true di badan permintaan. Respons tiba sebagai text/event-stream dengan potongan data: yang membawa konten delta inkremental, berakhir dengan data: [DONE]. Apidog merender aliran SSE secara langsung sehingga Anda dapat mengamati delta yang mendarat secara real time.
Apa perbedaan antara Fugu dan Fugu Ultra?
Fugu adalah varian seimbang dengan latensi rendah untuk pengkodean, tinjauan, dan chatbot sehari-hari. Fugu Ultra menargetkan kualitas jawaban maksimum untuk penelitian, reproduksi makalah, dan analisis keamanan. Keduanya berjalan melalui titik akhir yang sama, hanya dipisahkan oleh bidang model, itulah yang membuatnya mudah untuk disimpan dan dibandingkan di Apidog.
Mengapa Fugu Ultra lebih lambat dari varian seimbang?
Latensi ekstra adalah lompatan orkestrasi. Menurut Sakana, Fugu dapat menjawab secara langsung atau membentuk tim model, dan Ultra cenderung ke koordinasi yang lebih dalam untuk kualitas. Waktu respons yang lebih lambat yang Anda baca di Apidog adalah sinyal yang terlihat bahwa Fugu mengoordinasikan beberapa model daripada menjawab dalam satu lintasan.
Apakah kemenangan tolok ukur Fugu adalah hasil model tunggal?
Tidak. Fugu adalah orkestrator yang memanggil model frontier vendor lain, termasuk dirinya sendiri secara rekursif. Jadi, hasil yang "mengalahkan Opus 4.8," menurut Sakana, mungkin berasal dari pemanggilan Opus dan sintesis keluarannya. Perlakukan angka Fugu sebagai hasil model-dari-model, bukan kemenangan model tunggal, dan verifikasi terhadap prompt Anda sendiri.