DaisyRose 27B API
RadixArk: DaisyRose27B ist ein multimodales Reasoning-Modell für Programmierung, Werkzeugnutzung und anspruchsvolle agentische Aufgaben.
RadixArk: DaisyRose27B ist ein multimodales Reasoning-Modell auf Basis von Qwen3.8-27B. Es verarbeitet Text und Bilder und verfügt über einen Kontext von262,144 tokens (256K). Beim Nachtraining kam ausschließlich Reinforcement Learning zum Einsatz, ohne überwachtes Fine-Tuning oder Destillation. Architektur, Tokenizer und Chat-Vorlage des Basismodells bleiben erhalten.
Das Modell eignet sich für Programmieraufgaben, Werkzeugnutzung und agentische Abläufe mit langem Planungshorizont. Zu den Einsatzgebieten zählen komplexe Aufgaben in Softwareentwicklung, maschinellem Lernen und Wissenschaft sowie terminalbasierte Agenten, Codegenerierung und -bearbeitung, das Befolgen von Anweisungen und Schlussfolgerungen. Der große Kontext unterstützt die Verarbeitung umfangreicher Dokumente und die Analyse großer Codebasen.
In allen aufgeführten Benchmarks lagen die berichteten Ergebnisse über denen des Basismodells. Besonders beim Terminal-Bench4.1 pass@1 stieg der Wert von5.6% auf12.0%.
Aktualisiert:
MODELL-ID
daisyrose-27b- Kontext
- 262.144K
- Max. Ausgabe
- 235.929K
- Empfohlene API
- messages
- Eingabe
- text / image
- Ausgabe
- text
Highlights
- Text- und Bildeingaben
- Kontext mit256K
- Nachtraining nur mit Reinforcement Learning
- Keine Destillation
- Für lang angelegte Agentenaufgaben
Anbieter
Bester PreisVergleichen Sie die API-Preise verschiedener Anbieter. Wählen Sie einen Anbieter aus, um alle Kosten und Bedingungen zu sehen.
| Verfügbarkeit | ||||
|---|---|---|---|---|
Historische Daten sind keine Live-Statusprüfung. Fehlende Daten bedeuten keinen Ausfall.
Was man für $10 bekommt
- Eingabe
- 50 Mio. Token
- Ausgabe
- 4 Mio. Token
Geschätzt anhand der aktuellen Eingabe- und Ausgabepreise, vor Rabatten.
Benchmarks
- 12.0%
Terminal-Bench4.1 pass@1
Das Basismodell erreichte5.6%.
- 75.5
Terminal-Bench2.1
Das Basismodell erreichte73.0.
- 46.2
DeepSWE v1.1
Das Basismodell erreichte42.2.
- 94.7
SWE Bench Pro v2
Das Basismodell erreichte91.3.
- 34.3
HLE (text-only)
Das Basismodell erreichte33.9.
- 82.4
IFBench
Das Basismodell erreichte79.5; dies war der höchste Wert unter den verglichenen Modellen.
- 90.7
GPQA Diamond
Das Basismodell erreichte89.2; der Wert ist der Durchschnitt aus8 Wiederholungen mit198 Fragen.
Werte wie vom Modellanbieter veröffentlicht.
Schlussfolgern
- Standardaufwand
- xhigh
- Standardmäßig aktiviert
- Ja
- Immer aktiviert
- Nein
- Verfügbare Aufwandsstufen
- xhigh / medium / low / none
Schnellstart
Direkt einsetzbarer Code, um dieses Modell über die kompatiblen APIs der Felo API Platform aufzurufen. Testen Sie Prompts im Playground, bevor Sie Code schreiben.
API-Schlüssel hinterlegen
Erstellen Sie einen Schlüssel in Ihrem Konto bei der Felo API Platform und legen Sie ihn als Umgebungsvariable ab.
export FELO_API_KEY="YOUR_API_KEY"Erste Anfrage senden
Verwenden Sie diese Modell-ID mit dem Endpoint der Felo API Platform. Optionale Anfrage-Header wie X-Request-Id helfen bei der Fehlersuche.
daisyrose-27bDieses Modell kann schlussfolgern. Wenn das gewählte Protokoll und die Modellroute Reasoning-Steuerungen bereitstellen, behalten Sie die zurückgegebenen Reasoning-Metadaten bei, wenn Sie das Gespräch fortsetzen.
const response = await fetch("https://openapi.felo.ai/api/v1/messages", {
method: 'POST',
headers: {
Authorization: `Bearer ${process.env.FELO_API_KEY}`,
'Content-Type': 'application/json',
},
body: JSON.stringify({
"model": "daisyrose-27b",
"max_tokens": 1024,
"messages": [
{
"role": "user",
"content": "Hello"
}
]
}),
});
if (!response.ok) throw new Error(await response.text());
console.log(await response.json());Drittanbieter-SDKs verwenden
Setzen Sie in kompatiblen SDKs baseURL auf https://openapi.felo.ai/api/v1. Für Clients im Claude-Stil verwenden Sie die Anthropic-kompatible Basis-URL. https://openapi.felo.ai/api.
Streaming aktivieren
Fügen Sie stream: true hinzu, um Antworten als Server-Sent Events zu erhalten.
curl -N https://openapi.felo.ai/api/v1/messages \
-H "Authorization: Bearer $FELO_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "daisyrose-27b",
"max_tokens": 1024,
"messages": [
{
"role": "user",
"content": "Hello"
}
],
"stream": true
}'Endpoint
Die Felo API Platform stellt kompatible Oberflächen für Modellaufrufe bereit. Wählen Sie die Oberfläche, die Ihre App oder Ihr Agent-Client bereits unterstützt.
Messages
Anthropic-kompatible Nachrichten für Clients im Claude-Stil.
POST
https://openapi.felo.ai/api/v1/messagesParameter
modelstringdaisyrose-27bÖffentliche Modell-ID, die aufgerufen wird.max_tokensinteger—Maximale Anzahl generierter Tokens.messagesarray—Gesprächsnachrichten für Chat Completions.seed———stop———min_p———toolsarray—Tool-Calling-Definitionen nach kompatiblem Schema.top_k———top_p———reasoning———logit_bias———temperaturenumber—Steuert die Vielfalt der Antworten, wenn unterstützt.tool_choicestring or object—Steuert, ob ein Tool aufgerufen werden soll.response_formatobject—Fordert strukturierte Ausgabe an, wenn unterstützt.presence_penalty———reasoning_effort———frequency_penalty———include_reasoning———repetition_penalty———structured_outputs———Häufige Fragen
Was ist DaisyRose 27B?
RadixArk: DaisyRose27B ist ein multimodales Reasoning-Modell auf Basis von Qwen3.8-27B. Es verarbeitet Text und Bilder und verfügt über einen Kontext von262,144 tokens (256K). Beim Nachtraining kam ausschließlich Reinforcement Learning zum Einsatz, ohne überwachtes Fine-Tuning oder Destillation. Architektur, Tokenizer und Chat-Vorlage des Basismodells bleiben erhalten. Das Modell eignet sich für Programmieraufgaben, Werkzeugnutzung und agentische Abläufe mit langem Planungshorizont. Zu den Einsatzgebieten zählen komplexe Aufgaben in Softwareentwicklung, maschinellem Lernen und Wissenschaft sowie terminalbasierte Agenten, Codegenerierung und -bearbeitung, das Befolgen von Anweisungen und Schlussfolgerungen. Der große Kontext unterstützt die Verarbeitung umfangreicher Dokumente und die Analyse großer Codebasen. In allen aufgeführten Benchmarks lagen die berichteten Ergebnisse über denen des Basismodells. Besonders beim Terminal-Bench4.1 pass@1 stieg der Wert von5.6% auf12.0%.
Wie wird die Nutzung abgerechnet?
Ihre Rechnung hängt vom genutzten Anbieter, seinen Preisen und Ihrer Nutzung ab. Längere Eingaben oder andere Bedingungen können andere Preise haben.
Welche Eingaben unterstützt das Modell?
Es unterstützt Texteingaben und Bildeingaben.
Wie groß ist der Kontext, und welche Ausgabelänge ist angegeben?
Der Kontext umfasst262,144 tokens (256K). Eine Ausgabelänge ist nicht angegeben.
Für welche Aufgaben eignet sich DaisyRose27B?
Es ist für Programmierung, Werkzeugnutzung und lang angelegte agentische Aufgaben gedacht. Dazu gehören Codegenerierung und -bearbeitung, terminalbasierte Agenten sowie komplexe Aufgaben in Softwareentwicklung, maschinellem Lernen und Wissenschaft.
Wie unterscheidet es sich von Qwen3.8-27B?
DaisyRose27B basiert auf Qwen3.8-27B und wurde ausschließlich mit Reinforcement Learning nachtrainiert, ohne überwachtes Fine-Tuning oder Destillation. Architektur, Tokenizer und Chat-Vorlage des Basismodells bleiben erhalten.