DaisyRose 27B API
RadixArk: DaisyRose27B مدلی چندوجهی برای استدلال، کدنویسی و کارهای عاملمحور طولانی است و ورودی متن و تصویر را میپذیرد.
RadixArk: DaisyRose27B مدلی چندوجهی برای استدلال است که بر پایهٔ Qwen3.8-27B ساخته شده است. این مدل تنها با یادگیری تقویتی پسآموزش دیده و از ریزتنظیم نظارتشده یا تقطیر استفاده نکرده است؛ معماری، توکنساز و قالب گفتوگوی مدل پایه را نیز حفظ میکند. ورودیهای آن متن و تصویر هستند و پنجرهٔ زمینهاش262,144 tokens (256K) است.
این مدل برای کدنویسی، استفاده از ابزارها و کارهای عاملمحور بلندمدت طراحی شده است. از کاربردهای مناسب آن میتوان به حل مسئلههای پیچیده در مهندسی نرمافزار، یادگیری ماشین و علوم، انجام کارهای عاملمحور در محیط ترمینال، تولید و ویرایش کد، پیروی از دستورها و استدلال اشاره کرد. پنجرهٔ زمینهٔ گسترده نیز پردازش اسناد طولانی و تحلیل پایگاههای کد بزرگ را پشتیبانی میکند.
در همهٔ معیارهای فهرستشده، امتیاز گزارششده از مدل پایه بالاتر بوده است؛ از جمله بهبود Terminal-Bench4.1 pass@1 از5.6% به12.0%. این مدل برای تیمهایی نیز بهعنوان الگویی جهت ساخت مدلهای تخصصی مطرح شده است.
بهروزرسانی:
MODEL ID
daisyrose-27b- زمینه
- 262.144K
- حداکثر خروجی
- 235.929K
- API پیشنهادی
- messages
- ورودی
- text / image
- خروجی
- text
نکات برجسته
- ورودی متن و تصویر
- زمینهٔ262,144 tokens
- پسآموزش فقط با یادگیری تقویتی
- مناسب کارهای عاملمحور طولانی
- بهبود در همهٔ معیارهای فهرستشده
ارائهدهندگان
بهترین قیمتقیمت API را بین ارائهدهندگان مقایسه کنید. یک ارائهدهنده را انتخاب کنید تا همه هزینهها و شرایط را ببینید.
| دسترسپذیری | ||||
|---|---|---|---|---|
آمار تاریخی بررسی زنده وضعیت نیست. نبود داده به معنی قطعی نیست.
با $10 چه میتوان خرید
- ورودی
- ۵۰ میلیون توکن
- خروجی
- ۴ میلیون توکن
برآورد بر اساس قیمتهای فعلی ورودی و خروجی، پیش از تخفیف.
بنچمارکها
- 12.0%
Terminal-Bench4.1 pass@1
مدل پایه5.6% امتیاز گرفت.
- 75.5
Terminal-Bench2.1
امتیاز مدل پایه73.0 بود.
- 46.2
DeepSWE v1.1
امتیاز مدل پایه42.2 بود.
- 94.7
SWE Bench Pro v2
امتیاز مدل پایه91.3 بود.
- 34.3
HLE (text-only)
امتیاز مدل پایه33.9 بود.
- 82.4
IFBench
امتیاز مدل پایه79.5 بود و این نتیجه بالاترین امتیاز میان مدلهای مقایسهشده بود.
- 90.7
GPQA Diamond
امتیاز مدل پایه89.2 بود؛ میانگین8 بار تکرار روی198 پرسش.
امتیازها همانگونه که ارائهدهنده مدل منتشر کرده است.
استدلال
- سطح تلاش پیشفرض
- xhigh
- بهطور پیشفرض فعال
- بله
- همیشه فعال
- خیر
- سطوح تلاش موجود
- xhigh / medium / low / none
شروع سریع
کد آماده برای فراخوانی این مدل با APIهای سازگار با Felo API Platform. وقتی میخواهید پرامپتها را پیش از نوشتن کد آزمایش کنید، از Playground شروع کنید.
کلید API خود را بگیرید
از حساب Felo API Platform خود کلیدی بسازید و آن را بهعنوان متغیر محیطی تنظیم کنید.
export FELO_API_KEY="YOUR_API_KEY"اولین درخواست خود را بفرستید
این شناسه مدل را با endpoint Felo API Platform به کار ببرید. سرآیندهای اختیاری درخواست مانند X-Request-Id میتوانند در عیبیابی کمک کنند.
daisyrose-27bاین مدل توان استدلال دارد. اگر پروتکل و مسیر مدل انتخابشده کنترلهای استدلال ارائه میدهند، هنگام ادامه گفتگو فراداده استدلال بازگشتی را نگه دارید.
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());استفاده از SDKهای شخص ثالث
از SDKهای سازگار با تنظیم baseURL روی این نشانی استفاده کنید: https://openapi.felo.ai/api/v1. برای کلاینتهای به سبک Claude از نشانی پایه سازگار با Anthropic استفاده کنید. https://openapi.felo.ai/api.
جریان را فعال کنید
برای دریافت پاسخها بهصورت رویدادهای ارسالی از سرور، stream: true را اضافه کنید.
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 سطوح سازگار برای فراخوانی مدل ارائه میکند. سطحی را انتخاب کنید که برنامه یا کلاینت عامل شما از قبل پشتیبانی میکند.
Messages
پیامهای سازگار با Anthropic برای کلاینتهای به سبک Claude.
POST
https://openapi.felo.ai/api/v1/messagesپارامترها
modelstringdaisyrose-27bشناسه عمومی مدل برای فراخوانی.max_tokensinteger—حداکثر token تولیدی.messagesarray—پیامهای گفتگو برای Chat Completions.seed———stop———min_p———toolsarray—تعریفهای فراخوانی ابزار بر پایه طرحواره سازگار.top_k———top_p———reasoning———logit_bias———temperaturenumber—در صورت پشتیبانی، تنوع پاسخ را کنترل میکند.tool_choicestring or object—کنترل میکند آیا ابزاری باید فراخوانی شود.response_formatobject—در صورت پشتیبانی، خروجی ساختاریافته درخواست میکند.presence_penalty———reasoning_effort———frequency_penalty———include_reasoning———repetition_penalty———structured_outputs———پرسشهای متداول
معرفی مدل: DaisyRose 27B?
RadixArk: DaisyRose27B مدلی چندوجهی برای استدلال است که بر پایهٔ Qwen3.8-27B ساخته شده است. این مدل تنها با یادگیری تقویتی پسآموزش دیده و از ریزتنظیم نظارتشده یا تقطیر استفاده نکرده است؛ معماری، توکنساز و قالب گفتوگوی مدل پایه را نیز حفظ میکند. ورودیهای آن متن و تصویر هستند و پنجرهٔ زمینهاش262,144 tokens (256K) است. این مدل برای کدنویسی، استفاده از ابزارها و کارهای عاملمحور بلندمدت طراحی شده است. از کاربردهای مناسب آن میتوان به حل مسئلههای پیچیده در مهندسی نرمافزار، یادگیری ماشین و علوم، انجام کارهای عاملمحور در محیط ترمینال، تولید و ویرایش کد، پیروی از دستورها و استدلال اشاره کرد. پنجرهٔ زمینهٔ گسترده نیز پردازش اسناد طولانی و تحلیل پایگاههای کد بزرگ را پشتیبانی میکند. در همهٔ معیارهای فهرستشده، امتیاز گزارششده از مدل پایه بالاتر بوده است؛ از جمله بهبود Terminal-Bench4.1 pass@1 از5.6% به12.0%. این مدل برای تیمهایی نیز بهعنوان الگویی جهت ساخت مدلهای تخصصی مطرح شده است.
هزینه استفاده چگونه محاسبه میشود؟
صورتحساب شما به ارائهدهندهای که استفاده میکنید، قیمتهای آن و میزان مصرف شما بستگی دارد. ورودیهای طولانیتر یا شرایط دیگر ممکن است قیمت متفاوتی داشته باشند.
چه نوع ورودیهایی را میپذیرد؟
ورودی متن و تصویر را میپذیرد.
اندازهٔ زمینه و محدودیت خروجی آن چقدر است؟
پنجرهٔ زمینه262,144 tokens (256K) است. محدودیت طول خروجی در اطلاعات ارائهشده مشخص نشده است.
برای چه کارهایی مناسب است؟
برای کدنویسی، استفاده از ابزارها، کارهای عاملمحور بلندمدت، پیروی از دستورها و استدلال مناسب است. همچنین برای پردازش اسناد طولانی و تحلیل پایگاههای کد بزرگ کاربرد دارد.
چه تفاوتی با Qwen3.8-27B دارد؟
DaisyRose27B بر پایهٔ Qwen3.8-27B ساخته شده و تنها با یادگیری تقویتی پسآموزش دیده است؛ در همهٔ معیارهای فهرستشده امتیاز بالاتری از مدل پایه گزارش شده است.