DaisyRose 27B API
RadixArk: DaisyRose27B è un modello di ragionamento multimodale per programmazione, uso di strumenti e attività agentiche prolungate.
RadixArk: DaisyRose27B è un modello di ragionamento multimodale basato su Qwen3.8-27B. Accetta input testuali e immagini e offre una finestra di contesto di262,144 tokens (256K). Il post-addestramento è stato eseguito esclusivamente con apprendimento per rinforzo, senza fine-tuning supervisionato né distillazione; architettura, tokenizer e modello di chat restano quelli del modello di base.
È pensato per attività di programmazione, uso di strumenti e agenti che devono portare avanti compiti articolati nel tempo. Si presta alla generazione e modifica di codice, al rispetto delle istruzioni e al ragionamento, anche in problemi complessi di ingegneria del software, apprendimento automatico e scienza. La finestra di contesto ampia è utile per elaborare documenti lunghi e analizzare grandi basi di codice.
Nei benchmark elencati, i punteggi riportati superano quelli del modello di base. In particolare, Terminal-Bench4.1 pass@1 raggiunge12.0%, rispetto al5.6% del modello di base. Questi risultati descrivono le prove indicate e non garantiscono prestazioni identiche in ogni attività.
Aggiornato:
ID MODELLO
daisyrose-27b- Contesto
- 262.144K
- Output max
- 235.929K
- API consigliata
- messages
- Input
- text / image
- Output
- text
In evidenza
- Input testuali e immagini
- Contesto di262,144 tokens (256K)
- Post-addestramento solo con apprendimento per rinforzo
- Per programmazione e agenti
- Punteggi superiori al modello di base nei benchmark elencati
Fornitori
Prezzo miglioreConfronta i prezzi delle API tra fornitori. Seleziona un fornitore per vedere tutti i costi e le condizioni.
| Disponibilità | ||||
|---|---|---|---|---|
Le statistiche storiche non sono un controllo in tempo reale. I dati mancanti non indicano un guasto.
Cosa acquisti con $10
- Input
- 50 Mln token
- Output
- 4 Mln token
Stima basata sui prezzi attuali di input e output, esclusi gli sconti.
Benchmark
- 12.0%
Terminal-Bench4.1 pass@1
Il modello di base ha ottenuto5.6%.
- 75.5
Terminal-Bench2.1
Il modello di base ha ottenuto73.0.
- 46.2
DeepSWE v1.1
Il modello di base ha ottenuto42.2.
- 94.7
SWE Bench Pro v2
Il modello di base ha ottenuto91.3.
- 34.3
HLE (solo testo)
Il modello di base ha ottenuto33.9.
- 82.4
IFBench
Il modello di base ha ottenuto79.5; è il punteggio più alto tra i modelli confrontati.
- 90.7
GPQA Diamond
Il modello di base ha ottenuto89.2; media di8 ripetizioni su198 domande.
Punteggi come pubblicati dal fornitore del modello.
Ragionamento
- Sforzo predefinito
- xhigh
- Attivo per impostazione predefinita
- Sì
- Sempre attivo
- No
- Livelli di sforzo disponibili
- xhigh / medium / low / none
Avvio rapido
Codice pronto all'uso per chiamare questo modello con le API compatibili di Felo API Platform. Inizia nel Playground se vuoi testare i prompt prima di scrivere codice.
Imposta la chiave API
Crea una chiave dal tuo account Felo API Platform e impostala come variabile d'ambiente.
export FELO_API_KEY="YOUR_API_KEY"Invia la prima richiesta
Usa questo ID modello con l'endpoint Felo API Platform. Le intestazioni facoltative come X-Request-Id aiutano nella risoluzione dei problemi.
daisyrose-27bQuesto modello è in grado di ragionare. Se il protocollo selezionato e la route del modello espongono controlli di ragionamento, conserva i metadati di ragionamento restituiti quando continui la conversazione.
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());Usare SDK di terze parti
Negli SDK compatibili imposta baseURL su https://openapi.felo.ai/api/v1. Per i client in stile Claude, usa la base URL compatibile con Anthropic. https://openapi.felo.ai/api.
Attiva lo streaming
Aggiungi stream: true per ricevere le risposte come 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 espone superfici compatibili per le chiamate ai modelli. Scegli la superficie che la tua app o il tuo client agente già supporta.
Messages
Messaggi compatibili con Anthropic per i client in stile Claude.
POST
https://openapi.felo.ai/api/v1/messagesParametri
modelstringdaisyrose-27bID pubblico del modello da chiamare.max_tokensinteger—Numero massimo di token generati.messagesarray—Messaggi della conversazione per Chat Completions.seed———stop———min_p———toolsarray—Definizioni di tool calling secondo lo schema compatibile.top_k———top_p———reasoning———logit_bias———temperaturenumber—Controlla la varietà delle risposte quando supportato.tool_choicestring or object—Controlla se uno strumento deve essere chiamato.response_formatobject—Richiede output strutturato quando supportato.presence_penalty———reasoning_effort———frequency_penalty———include_reasoning———repetition_penalty———structured_outputs———Domande frequenti
Cos'è DaisyRose 27B?
RadixArk: DaisyRose27B è un modello di ragionamento multimodale basato su Qwen3.8-27B. Accetta input testuali e immagini e offre una finestra di contesto di262,144 tokens (256K). Il post-addestramento è stato eseguito esclusivamente con apprendimento per rinforzo, senza fine-tuning supervisionato né distillazione; architettura, tokenizer e modello di chat restano quelli del modello di base. È pensato per attività di programmazione, uso di strumenti e agenti che devono portare avanti compiti articolati nel tempo. Si presta alla generazione e modifica di codice, al rispetto delle istruzioni e al ragionamento, anche in problemi complessi di ingegneria del software, apprendimento automatico e scienza. La finestra di contesto ampia è utile per elaborare documenti lunghi e analizzare grandi basi di codice. Nei benchmark elencati, i punteggi riportati superano quelli del modello di base. In particolare, Terminal-Bench4.1 pass@1 raggiunge12.0%, rispetto al5.6% del modello di base. Questi risultati descrivono le prove indicate e non garantiscono prestazioni identiche in ogni attività.
Come viene addebitato l'utilizzo?
La fattura dipende dal fornitore che usi, dai suoi prezzi e dal tuo utilizzo. Input più lunghi o altre condizioni possono avere prezzi diversi.
Quali tipi di input accetta?
Accetta input testuali e immagini.
Qual è la dimensione del contesto e il limite di output?
Il contesto è di262,144 tokens (256K). Il limite di output non è specificato.
Per quali attività è indicato?
È progettato per programmazione, uso di strumenti e compiti agentici prolungati. È inoltre adatto a generare e modificare codice, seguire istruzioni e affrontare problemi complessi.
In cosa differisce da Qwen3.8-27B?
DaisyRose27B è basato su Qwen3.8-27B ed è stato post-addestrato soltanto con apprendimento per rinforzo. Nei benchmark elencati, i suoi punteggi superano quelli del modello di base.