> ## Documentation Index
> Fetch the complete documentation index at: https://docs.tess.im/llms.txt
> Use this file to discover all available pages before exploring further.
# Fugu Ultra v2.0
> Conheça como o Fugu Ultra v2.0 coordena especialistas de IA para resolver tarefas complexas de pesquisa, software e análise.
Fugu Ultra v2.0 é o modelo da Sakana AI voltado a trabalhos em que **qualidade, profundidade e continuidade importam mais do que uma resposta rápida**. Ele se apresenta como um único modelo, mas coordena diferentes especialistas de IA para pesquisar, desenvolver, revisar e verificar partes de um mesmo problema.
Na Tess, essa abordagem é especialmente útil quando uma tarefa envolve várias fontes, ferramentas e decisões: reproduzir um artigo científico, investigar um repositório completo, comparar patentes ou conduzir uma análise técnica que precisa permanecer consistente por muitas etapas.
| **Modelo do provider**
`fugu-ultra-v2.0` | **Contexto**
1M tokens | **Provider**
Sakana AI | **Entrada**
Texto + imagem |
| :--------------------------------------------------------------------------------------- | :-------------------------------- | :--------------------------------------------- | :---------------------------------------------------------------------- |
| **Configurações na Tess**
`fugu-ultra-v2.0-high`
`fugu-ultra-v2.0-xhigh` | **Saída**
Texto | **Tools**
Busca, funções e execução | **Créditos**
0.28 input · 1.68 output
a cada 100 tokens |
## Um sistema multiagente com experiência de modelo
Em vez de depender de um único modelo para executar todo o trabalho, o Fugu Ultra pode acionar de um a três especialistas e coordenar como eles colaboram. Um pode explorar caminhos, outro executar uma parte técnica e outro verificar o resultado. A composição muda conforme a tarefa.
Para o usuário, porém, a experiência continua simples: você seleciona **Fugu Ultra** e descreve o objetivo. A escolha dos especialistas, a divisão do trabalho e a troca de informações acontecem nos bastidores.
O pool de especialistas do Fugu Ultra é fixo e o roteamento interno não é exibido. Isso preserva a experiência de um único modelo, mas significa que não é possível escolher ou remover individualmente os modelos participantes.
## O que a versão 2.0 prioriza
A versão 2.0 foi desenvolvida para maximizar a qualidade em tarefas difíceis e de alto impacto. Seus principais avanços aparecem em:
* **reasoning com várias etapas:** mantém hipóteses, decisões e verificações ao longo de trabalhos extensos;
* **pesquisa autônoma:** consulta fontes, relaciona evidências e aprofunda pontos que exigem investigação adicional;
* **engenharia de software:** navega por repositórios, implementa mudanças, executa testes e revisa o próprio resultado;
* **dados visuais e estruturados:** interpreta gráficos, documentos, imagens e informações organizadas em diferentes formatos;
* **consistência:** permanece entre os modelos mais fortes em diferentes categorias de tarefas agênticas, não apenas em um benchmark isolado.
O modelo aceita texto e imagem, oferece contexto de até 1 milhão de tokens e suporta reasoning em níveis altos. Na implementação do provider, `high` equilibra desempenho e tempo de resposta, enquanto `xhigh` aprofunda a análise de problemas complexos.
## O que os benchmarks mostram
Nos resultados publicados pela Sakana AI, o Fugu Ultra v2.0 obteve a melhor pontuação, isolada ou empatada, em **cinco de oito benchmarks** e ficou entre os dois primeiros em **sete de oito**.
| Avaliação | Resultado publicado | O que ela testa |
| ------------ | ------------------: | ----------------------------------------- |
| Chartography | **48,3** | Reasoning visual e interpretação de dados |
| DeepSWE | **74,3** | Engenharia de software em cenários reais |
| GDP.pdf | Melhor ou empatado | Análise de documentos e dados complexos |
| Toolathon | Melhor ou empatado | Uso de tools em tarefas com várias etapas |
| SWEFish | Melhor ou empatado | Desafios internos de coding da Sakana AI |
No Chartography, a Sakana reporta 48,3 pontos para o Fugu Ultra v2.0, contra 27,3 do Claude Opus 5 e 29,5 do Claude Fable 5. No DeepSWE, o modelo alcança 74,3 pontos.
**O sinal mais relevante não é vencer um teste isolado.** O Fugu Ultra v2.0 combina resultados fortes em software, documentos, tools e interpretação visual — exatamente a mistura encontrada em trabalhos complexos de ponta a ponta.
Esses benchmarks foram publicados pela Sakana AI e dependem da infraestrutura, das ferramentas e dos parâmetros utilizados. De acordo com o fornecedor, Claude Fable 5, Claude Fable 5.1 e GPT-6 Astra não fazem parte do conjunto de modelos compatíveis com o Fugu Ultra v2.0. Valide o modelo em seu próprio fluxo de trabalho antes de substituí-lo por uma configuração de produção.
## Onde ele gera mais valor
### Uma pesquisa que precisa virar decisão
O trabalho começa com artigos, patentes, relatórios e perguntas ainda abertas. O Fugu Ultra pode distribuir a investigação entre especialistas, confrontar conclusões e entregar uma análise que conecta as fontes, explicita lacunas e recomenda o próximo passo.
**Resultado esperado:** um documento de decisão com evidências rastreáveis, divergências e riscos — não apenas um resumo das fontes.
### Uma mudança de software que precisa funcionar
Em um repositório grande, encontrar o arquivo certo é apenas o começo. O modelo pode mapear o fluxo, localizar dependências, implementar a alteração, executar testes e revisar o diff antes de concluir.
**Resultado esperado:** código alterado, comportamento validado, testes executados e riscos restantes documentados.
### Uma análise em que o erro custa caro
Em auditorias, segurança e avaliações técnicas, uma primeira resposta não é suficiente. O Fugu Ultra pode explorar hipóteses concorrentes, procurar evidências contrárias e usar uma etapa de verificação antes de consolidar o resultado.
**Resultado esperado:** conclusões sustentadas por evidências, nível de confiança e pontos que ainda exigem validação humana.
## Como aplicar na Tess
Prefira tarefas com múltiplas fontes, decisões encadeadas ou necessidade de validação. Para reescritas simples e respostas rápidas, um modelo mais leve tende a ser mais eficiente.
Inclua arquivos, repositórios, critérios internos e as ferramentas necessárias. Não use 1M de contexto como meta: forneça apenas o material relevante para a execução.
Informe testes que devem passar, fontes obrigatórias, formato da entrega e condições que precisam ser verificadas.
Comece em High. Use XHigh quando a tarefa exigir mais investigação, comparação de hipóteses ou ciclos de execução e verificação.
Exija aprovação antes de publicar, excluir, enviar, alterar sistemas produtivos ou executar qualquer ação irreversível.
## Três playbooks para começar
### 1. Reprodução de pesquisa técnica
**Entrada:** artigo, dados disponíveis, ambiente de execução e resultado esperado.
**Tools:** busca, arquivos, código e terminal.
```text theme={null}
Leia o artigo e transforme a metodologia em um plano reproduzível. Identifique
pré-requisitos, dados ausentes e decisões ambíguas antes de implementar. Execute
o experimento, registre cada desvio em relação ao artigo e compare os resultados.
Não trate uma execução incompleta como reprodução bem-sucedida.
```
**Pronto quando:** o método pode ser repetido, os resultados foram comparados e as diferenças estão explicadas.
### 2. Mudança full-stack com validação
**Entrada:** repositório, comportamento atual, resultado desejado e padrões do projeto.
**Tools:** código, terminal, testes e documentação técnica.
```text theme={null}
Mapeie o fluxo de ponta a ponta antes de editar. Localize frontend, backend,
persistência e testes relacionados. Implemente a menor mudança coerente, execute
as validações relevantes e revise o diff em busca de regressões. Entregue o que
mudou, as evidências de funcionamento e os riscos restantes.
```
**Pronto quando:** o fluxo funciona de ponta a ponta e as validações relevantes passam.
### 3. Investigação com fontes conflitantes
**Entrada:** documentos, planilhas, imagens e critérios de decisão.
**Tools:** busca nos arquivos, web e geração de documentos.
```text theme={null}
Crie hipóteses concorrentes e procure evidências favoráveis e contrárias para
cada uma. Relacione toda conclusão à sua fonte, diferencie fato de interpretação
e não preencha lacunas por suposição. Gere uma recomendação priorizada com nível
de confiança e próximos passos de validação.
```
**Pronto quando:** cada conclusão é rastreável e as incertezas relevantes estão explícitas.
## Limitações e boas práticas
* Reserve o Fugu Ultra para tarefas em que a qualidade compense maior latência e custo.
* O modelo pode coordenar várias chamadas internas; trabalhos profundos tendem a consumir mais tokens do que uma resposta direta.
* Não é possível visualizar quais especialistas foram usados em cada solicitação.
* Resultados em pesquisa, segurança, finanças e decisões críticas exigem revisão humana.
* Defina limites claros para tools e confirmação obrigatória para ações irreversíveis.
* Compare o resultado com modelos mais leves antes de padronizar o Fugu Ultra em tarefas cotidianas.
Veja também: [Modelos e Custos](/pt/models-and-cost) · [Sakana Fugu](https://sakana.ai/fugu/) · [Fugu Ultra v2.0 — anúncio técnico](https://sakana.ai/fugu-max-release/).