Felo API PlatformFelo API Platform
Torna ai modelli
Radixarkmessages

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 migliore
1 fornitori

Confronta i prezzi delle API tra fornitori. Seleziona un fornitore per vedere tutti i costi e le condizioni.

Fornitore · Dettagli dei prezzi
Disponibilità
$0.2$0.16$2.5$2$0.05$0.04

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

  • Terminal-Bench4.1 pass@1

    Il modello di base ha ottenuto5.6%.

    12.0%
  • Terminal-Bench2.1

    Il modello di base ha ottenuto73.0.

    75.5
  • DeepSWE v1.1

    Il modello di base ha ottenuto42.2.

    46.2
  • SWE Bench Pro v2

    Il modello di base ha ottenuto91.3.

    94.7
  • HLE (solo testo)

    Il modello di base ha ottenuto33.9.

    34.3
  • IFBench

    Il modello di base ha ottenuto79.5; è il punteggio più alto tra i modelli confrontati.

    82.4
  • GPQA Diamond

    Il modello di base ha ottenuto89.2; media di8 ripetizioni su198 domande.

    90.7

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.

1

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"
2

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-27b

Questo 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.

3

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.

SurfaceMethodURL

Messages

Messaggi compatibili con Anthropic per i client in stile Claude.

POST

https://openapi.felo.ai/api/v1/messages

Parametri

NomeTipoPredefinitoDescrizione
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.