DaisyRose 27B API
RadixArk: DaisyRose27B es un modelo multimodal de razonamiento, ajustado con aprendizaje por refuerzo para programación, uso de herramientas y tareas de agentes prolongadas.
RadixArk: DaisyRose27B es un modelo multimodal de razonamiento basado en Qwen3.8-27B. Admite entradas de texto e imágenes y ofrece un contexto de262,144 tokens (256K), útil para procesar documentos extensos y analizar bases de código grandes. Conserva la arquitectura, el tokenizador y la plantilla de chat del modelo base.
Su entrenamiento posterior utilizó únicamente aprendizaje por refuerzo, sin ajuste fino supervisado ni destilación. Está pensado para programación, generación y edición de código, seguimiento de instrucciones, uso de herramientas y tareas de agentes con objetivos prolongados. También puede emplearse para resolver problemas complejos en ingeniería de software, aprendizaje automático y ciencia.
En las métricas enumeradas, sus resultados superan los del modelo base. Por ejemplo, obtuvo12.0% en Terminal-Bench4.1 pass@1, frente a5.6% del modelo base. También registró mejoras en Terminal-Bench2.1, DeepSWE v1.1, SWE Bench Pro v2, HLE (text-only), IFBench y GPQA Diamond. Es una opción para flujos de trabajo que combinan razonamiento y tareas técnicas de varios pasos.
Actualizado:
ID DEL MODELO
daisyrose-27b- Contexto
- 262.144K
- Salida máx.
- 235.929K
- API recomendada
- messages
- Entrada
- text / image
- Salida
- text
Aspectos destacados
- Entrenamiento posterior solo con aprendizaje por refuerzo
- Entrada de texto e imágenes
- Contexto de262,144 tokens (256K)
- Razonamiento multimodal
- Supera al modelo base en las métricas listadas
Proveedores
Mejor precioCompara los precios de API entre proveedores. Selecciona un proveedor para ver todos los cargos y condiciones.
| Disponibilidad | ||||
|---|---|---|---|---|
Las estadísticas históricas no son una comprobación en tiempo real. La falta de datos no implica una interrupción.
Qué puedes comprar con $10
- Entrada
- 50 M tokens
- Salida
- 4 M tokens
Estimado a partir de los precios actuales de entrada y salida, antes de descuentos.
Benchmarks
- 12.0%
Terminal-Bench4.1 pass@1
El modelo base obtuvo5.6%.
- 75.5
Terminal-Bench2.1
El modelo base obtuvo73.0.
- 46.2
DeepSWE v1.1
El modelo base obtuvo42.2.
- 94.7
SWE Bench Pro v2
El modelo base obtuvo91.3.
- 34.3
HLE (solo texto)
El modelo base obtuvo33.9.
- 82.4
IFBench
El modelo base obtuvo79.5; es la puntuación más alta entre los modelos comparados.
- 90.7
GPQA Diamond
El modelo base obtuvo89.2; el resultado se promedió en8 repeticiones sobre198 preguntas.
Puntuaciones según lo publicado por el proveedor del modelo.
Razonamiento
- Esfuerzo predeterminado
- xhigh
- Activado por defecto
- Sí
- Siempre activado
- No
- Niveles de esfuerzo disponibles
- xhigh / medium / low / none
Inicio rápido
Código listo para llamar a este modelo con las APIs compatibles de Felo API Platform. Empieza en el Playground si quieres probar prompts antes de escribir código.
Configura tu clave de API
Crea una clave en tu cuenta de Felo API Platform y configúrala como variable de entorno.
export FELO_API_KEY="YOUR_API_KEY"Haz tu primera solicitud
Usa este ID de modelo con el endpoint de Felo API Platform. Las cabeceras opcionales como X-Request-Id ayudan a diagnosticar problemas.
daisyrose-27bEste modelo puede razonar. Si el protocolo seleccionado y la ruta del modelo exponen controles de razonamiento, conserva los metadatos de razonamiento devueltos al continuar la conversación.
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());Usar SDK de terceros
En los SDK compatibles, define baseURL como https://openapi.felo.ai/api/v1. Para clientes de estilo Claude, usa la URL base compatible con Anthropic. https://openapi.felo.ai/api.
Activa el streaming
Añade stream: true para recibir respuestas como server-sent events.
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
Felo API Platform expone superficies compatibles para llamar a modelos. Elige la superficie que tu app o cliente de agente ya admite.
Messages
Mensajes compatibles con Anthropic para clientes de estilo Claude.
POST
https://openapi.felo.ai/api/v1/messagesParámetros
modelstringdaisyrose-27bID público del modelo que se va a llamar.max_tokensinteger—Número máximo de tokens generados.messagesarray—Mensajes de la conversación para Chat Completions.seed———stop———min_p———toolsarray—Definiciones de tool calling según el esquema compatible.top_k———top_p———reasoning———logit_bias———temperaturenumber—Controla la variedad de las respuestas cuando es compatible.tool_choicestring or object—Controla si se debe llamar a una herramienta.response_formatobject—Solicita salida estructurada cuando es compatible.presence_penalty———reasoning_effort———frequency_penalty———include_reasoning———repetition_penalty———structured_outputs———Preguntas frecuentes
¿Qué es DaisyRose 27B?
RadixArk: DaisyRose27B es un modelo multimodal de razonamiento basado en Qwen3.8-27B. Admite entradas de texto e imágenes y ofrece un contexto de262,144 tokens (256K), útil para procesar documentos extensos y analizar bases de código grandes. Conserva la arquitectura, el tokenizador y la plantilla de chat del modelo base. Su entrenamiento posterior utilizó únicamente aprendizaje por refuerzo, sin ajuste fino supervisado ni destilación. Está pensado para programación, generación y edición de código, seguimiento de instrucciones, uso de herramientas y tareas de agentes con objetivos prolongados. También puede emplearse para resolver problemas complejos en ingeniería de software, aprendizaje automático y ciencia. En las métricas enumeradas, sus resultados superan los del modelo base. Por ejemplo, obtuvo12.0% en Terminal-Bench4.1 pass@1, frente a5.6% del modelo base. También registró mejoras en Terminal-Bench2.1, DeepSWE v1.1, SWE Bench Pro v2, HLE (text-only), IFBench y GPQA Diamond. Es una opción para flujos de trabajo que combinan razonamiento y tareas técnicas de varios pasos.
¿Cómo se cobra el uso?
Tu factura depende del proveedor que uses, de sus precios y de tu uso. Las entradas más largas u otras condiciones pueden tener precios distintos.
¿Qué tipos de entrada admite?
Admite entradas de texto e imágenes.
¿Cuál es su longitud de contexto y de salida?
El contexto es de262,144 tokens (256K). No se especifica un límite de salida.
¿Para qué tareas está diseñado?
Está pensado para programación, uso de herramientas y tareas prolongadas de agentes, además de generación y edición de código y resolución de problemas técnicos complejos.
¿En qué se diferencia de Qwen3.8-27B?
Se basa en Qwen3.8-27B y recibió entrenamiento posterior únicamente con aprendizaje por refuerzo, sin ajuste fino supervisado ni destilación. Superó al modelo base en todas las métricas enumeradas.