DaisyRose 27B API
RadixArk: DaisyRose27B est un modèle de raisonnement multimodal conçu pour le développement logiciel, l’utilisation d’outils et les tâches d’agent prolongées.
RadixArk: DaisyRose27B est un modèle de raisonnement multimodal fondé sur Qwen3.8-27B. Il accepte les entrées textuelles et les images, et dispose d’un contexte de262,144 tokens (256K), adapté au traitement de longs documents et à l’analyse de grandes bases de code. Son entraînement complémentaire repose uniquement sur l’apprentissage par renforcement, sans réglage fin supervisé ni distillation. L’architecture, le tokenizer et le modèle de conversation du modèle de base sont conservés.
Le modèle convient à la génération et à la modification de code, aux tâches d’agent sur terminal, à l’utilisation d’outils, au suivi d’instructions et au raisonnement. Il est également destiné à la résolution de problèmes complexes en génie logiciel, en apprentissage automatique et en sciences. Les résultats rapportés dépassent ceux du modèle de base pour chacun des benchmarks listés, notamment sur Terminal-Bench4.1 pass@1, où il atteint12.0% contre5.6% pour la base. Ces résultats peuvent intéresser les équipes qui souhaitent construire des modèles spécialisés ou analyser de grandes bases de code.
Mis à jour:
ID DU MODÈLE
daisyrose-27b- Contexte
- 262.144K
- Sortie max.
- 235.929K
- API recommandée
- messages
- Entrée
- text / image
- Sortie
- text
Points clés
- Raisonnement multimodal
- Entrées texte et image
- Contexte de262,144 tokens (256K)
- Entraînement complémentaire par renforcement
- Conçu pour les agents prolongés
Fournisseurs
Meilleur prixComparez les prix des API entre fournisseurs. Sélectionnez un fournisseur pour voir tous les tarifs et conditions.
| Disponibilité | ||||
|---|---|---|---|---|
Les statistiques historiques ne sont pas un contrôle en direct. Une donnée manquante ne signifie pas une panne.
Ce que $10 permettent d'acheter
- Entrée
- 50 M tokens
- Sortie
- 4 M tokens
Estimation d'après les prix actuels d'entrée et de sortie, hors remises.
Benchmarks
- 12.0%
Terminal-Bench4.1 pass@1
Le modèle de base a obtenu5.6%.
- 75.5
Terminal-Bench2.1
Le modèle de base a obtenu73.0.
- 46.2
DeepSWE v1.1
Le modèle de base a obtenu42.2.
- 94.7
SWE Bench Pro v2
Le modèle de base a obtenu91.3.
- 34.3
HLE (text-only)
Le modèle de base a obtenu33.9.
- 82.4
IFBench
Le modèle de base a obtenu79.5 ; c’est le meilleur résultat parmi les modèles comparés.
- 90.7
GPQA Diamond
Le modèle de base a obtenu89.2 ; la moyenne porte sur8 répétitions et198 questions.
Scores tels que publiés par le fournisseur du modèle.
Raisonnement
- Niveau d'effort par défaut
- xhigh
- Activé par défaut
- Oui
- Toujours activé
- Non
- Niveaux d'effort disponibles
- xhigh / medium / low / none
Démarrage rapide
Un code prêt à l'emploi pour appeler ce modèle avec les API compatibles de Felo API Platform. Commencez dans le Playground pour tester des prompts avant d'écrire du code.
Configurer votre clé API
Créez une clé depuis votre compte Felo API Platform et définissez-la comme variable d'environnement.
export FELO_API_KEY="YOUR_API_KEY"Effectuer votre première requête
Utilisez cet ID de modèle avec le point de terminaison Felo API Platform. Les en-têtes de requête facultatifs comme X-Request-Id facilitent le diagnostic.
daisyrose-27bCe modèle est capable de raisonnement. Si le protocole sélectionné et la route du modèle exposent des contrôles de raisonnement, conservez les métadonnées de raisonnement renvoyées lorsque vous poursuivez la conversation.
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());Utiliser des SDK tiers
Avec les SDK compatibles, définissez baseURL sur https://openapi.felo.ai/api/v1. Pour les clients de style Claude, utilisez l'URL de base compatible Anthropic. https://openapi.felo.ai/api.
Activer le streaming
Ajoutez stream: true pour recevoir les réponses sous forme de 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 expose des surfaces d'appel de modèles compatibles. Choisissez la surface que votre application ou votre client agent prend déjà en charge.
Messages
Messages compatibles Anthropic pour les clients de style Claude.
POST
https://openapi.felo.ai/api/v1/messagesParamètres
modelstringdaisyrose-27bID public du modèle à appeler.max_tokensinteger—Nombre maximal de tokens générés.messagesarray—Messages de la conversation pour Chat Completions.seed———stop———min_p———toolsarray—Définitions de tool calling conformes au schéma compatible.top_k———top_p———reasoning———logit_bias———temperaturenumber—Contrôle la variété des réponses lorsque c'est pris en charge.tool_choicestring or object—Contrôle si un outil doit être appelé.response_formatobject—Demande une sortie structurée lorsque c'est pris en charge.presence_penalty———reasoning_effort———frequency_penalty———include_reasoning———repetition_penalty———structured_outputs———Questions fréquentes
Qu'est-ce que DaisyRose 27B?
RadixArk: DaisyRose27B est un modèle de raisonnement multimodal fondé sur Qwen3.8-27B. Il accepte les entrées textuelles et les images, et dispose d’un contexte de262,144 tokens (256K), adapté au traitement de longs documents et à l’analyse de grandes bases de code. Son entraînement complémentaire repose uniquement sur l’apprentissage par renforcement, sans réglage fin supervisé ni distillation. L’architecture, le tokenizer et le modèle de conversation du modèle de base sont conservés. Le modèle convient à la génération et à la modification de code, aux tâches d’agent sur terminal, à l’utilisation d’outils, au suivi d’instructions et au raisonnement. Il est également destiné à la résolution de problèmes complexes en génie logiciel, en apprentissage automatique et en sciences. Les résultats rapportés dépassent ceux du modèle de base pour chacun des benchmarks listés, notamment sur Terminal-Bench4.1 pass@1, où il atteint12.0% contre5.6% pour la base. Ces résultats peuvent intéresser les équipes qui souhaitent construire des modèles spécialisés ou analyser de grandes bases de code.
Comment l'usage est-il facturé ?
Votre facture dépend du fournisseur utilisé, de ses tarifs et de votre usage. Des entrées plus longues ou d'autres conditions peuvent avoir des tarifs différents.
Quels types d’entrées accepte le modèle ?
Il accepte le texte et les images.
Quelle est la longueur de contexte disponible ?
Son contexte est de262,144 tokens (256K). La limite de sortie n’est pas précisée.
Pour quelles tâches est-il adapté ?
Il est conçu pour le développement logiciel, l’utilisation d’outils et les tâches d’agent prolongées. Il convient aussi à la génération et à la modification de code, au suivi d’instructions et au raisonnement.
En quoi diffère-t-il de Qwen3.8-27B ?
DaisyRose27B est fondé sur Qwen3.8-27B et a été entraîné davantage uniquement par apprentissage par renforcement, sans réglage fin supervisé ni distillation. Les résultats rapportés dépassent ceux du modèle de base sur tous les benchmarks listés.