Felo API PlatformFelo API Platform
Terug naar modellen
Radixarkmessages

DaisyRose 27B API

RadixArk: DaisyRose27B is een multimodaal redeneermodel voor programmeren, toolgebruik en langlopende agenttaken, met een context van262,144 tokens (256K).

RadixArk: DaisyRose27B is een multimodaal redeneermodel op basis van Qwen3.8-27B, met invoer voor tekst en afbeeldingen. Het is uitsluitend verder getraind met reinforcement learning, zonder supervised fine-tuning of distillatie. De architectuur, tokenizer en chattemplate van het basismodel zijn behouden. De context van262,144 tokens (256K) biedt ruimte voor lange documenten en grote codebases.

Het model is bedoeld voor programmeerwerk, toolgebruik en agenttaken met een lange horizon. Het kan worden ingezet voor codegeneratie en codebewerking, terminaltaken, het volgen van instructies en redeneren. Ook complexe problemen in software-engineering, machine learning en wetenschap behoren tot de beoogde toepassingen. De gerapporteerde scores liggen op alle genoemde benchmarks boven die van het basismodel; op Terminal-Bench4.1 pass@1 is de score12.0%, tegenover5.6% voor het basismodel.

DaisyRose-27B kan dienen als voorbeeld of uitgangspunt voor teams die gespecialiseerde modellen bouwen. De trainingsaanpak gebruikte ongeveer1,200 geselecteerde agenttaken met een lange horizon en het open-source reinforcement-learningframework Miles. Er is geen uitvoerlimiet opgegeven.

Bijgewerkt:

MODEL-ID

daisyrose-27b
Context
262.144K
Max. uitvoer
235.929K
Aanbevolen API
messages
Invoer
text / image
Uitvoer
text

Hoogtepunten

  • Tekst- en afbeeldingsinvoer
  • Context van262,144 tokens (256K)
  • Verder getraind met reinforcement learning
  • Behoudt architectuur en chattemplate
  • Ontworpen voor agenttaken

Aanbieders

Beste prijs
1 aanbieders

Vergelijk API-prijzen tussen aanbieders. Kies een aanbieder om alle kosten en voorwaarden te bekijken.

Aanbieder · Prijsdetails
Beschikbaarheid
$0.2$0.16$2.5$2$0.05$0.04

Wat je voor $10 krijgt

Invoer
50 mln. tokens
Uitvoer
4 mln. tokens

Geschat op basis van de huidige invoer- en uitvoerprijzen, vóór kortingen.

Benchmarks

  • Terminal-Bench4.1 pass@1

    Het basismodel behaalde5.6%.

    12.0%
  • Terminal-Bench2.1

    Het basismodel behaalde73.0.

    75.5
  • DeepSWE v1.1

    Het basismodel behaalde42.2.

    46.2
  • SWE Bench Pro v2

    Het basismodel behaalde91.3.

    94.7
  • HLE (alleen tekst)

    Het basismodel behaalde33.9.

    34.3
  • IFBench

    Het basismodel behaalde79.5; dit was de hoogste score onder de vergeleken modellen.

    82.4
  • GPQA Diamond

    Het basismodel behaalde89.2; het gemiddelde is berekend over8 herhalingen op198 vragen.

    90.7

Scores zoals gepubliceerd door de modelaanbieder.

Redeneervermogen

Standaardinspanning
xhigh
Standaard ingeschakeld
Ja
Altijd ingeschakeld
Nee
Beschikbare inspanningsniveaus
xhigh / medium / low / none

Snelstart

Kant-en-klare code om dit model aan te roepen met de compatibele API's van Felo API Platform. Begin in de Playground als je prompts wilt testen voordat je code schrijft.

1

API-sleutel instellen

Maak een sleutel in je Felo API Platform-account en stel deze in als omgevingsvariabele.

export FELO_API_KEY="YOUR_API_KEY"
2

Je eerste aanvraag doen

Gebruik deze model-ID met het Felo API Platform-endpoint. Optionele requestheaders zoals X-Request-Id helpen bij het oplossen van problemen.

daisyrose-27b

Dit model kan redeneren. Als het gekozen protocol en de modelroute reasoning-besturing bieden, bewaar dan de geretourneerde reasoning-metadata wanneer je het gesprek voortzet.

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());

SDK's van derden gebruiken

Stel in compatibele SDK's baseURL in op https://openapi.felo.ai/api/v1. Gebruik voor clients in Claude-stijl de Anthropic-compatibele basis-URL. https://openapi.felo.ai/api.

3

Streaming inschakelen

Voeg stream: true toe om responses als server-sent events te ontvangen.

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 biedt compatibele oppervlakken voor modelaanroepen. Kies het oppervlak dat je app of agent-client al ondersteunt.

SurfaceMethodURL

Messages

Anthropic-compatibele berichten voor clients in Claude-stijl.

POST

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

Parameters

NaamTypeStandaardBeschrijving
modelstringdaisyrose-27bOpenbare model-ID om aan te roepen.
max_tokensinteger—Maximaal aantal gegenereerde tokens.
messagesarray—Gespreksberichten voor Chat Completions.
seed———
stop———
min_p———
toolsarray—Definities voor tool calling volgens het compatibele schema.
top_k———
top_p———
reasoning———
logit_bias———
temperaturenumber—Bepaalt de variatie in antwoorden wanneer ondersteund.
tool_choicestring or object—Bepaalt of een tool moet worden aangeroepen.
response_formatobject—Vraagt gestructureerde uitvoer aan wanneer ondersteund.
presence_penalty———
reasoning_effort———
frequency_penalty———
include_reasoning———
repetition_penalty———
structured_outputs———

Veelgestelde vragen

Wat is DaisyRose 27B?

RadixArk: DaisyRose27B is een multimodaal redeneermodel op basis van Qwen3.8-27B, met invoer voor tekst en afbeeldingen. Het is uitsluitend verder getraind met reinforcement learning, zonder supervised fine-tuning of distillatie. De architectuur, tokenizer en chattemplate van het basismodel zijn behouden. De context van262,144 tokens (256K) biedt ruimte voor lange documenten en grote codebases. Het model is bedoeld voor programmeerwerk, toolgebruik en agenttaken met een lange horizon. Het kan worden ingezet voor codegeneratie en codebewerking, terminaltaken, het volgen van instructies en redeneren. Ook complexe problemen in software-engineering, machine learning en wetenschap behoren tot de beoogde toepassingen. De gerapporteerde scores liggen op alle genoemde benchmarks boven die van het basismodel; op Terminal-Bench4.1 pass@1 is de score12.0%, tegenover5.6% voor het basismodel. DaisyRose-27B kan dienen als voorbeeld of uitgangspunt voor teams die gespecialiseerde modellen bouwen. De trainingsaanpak gebruikte ongeveer1,200 geselecteerde agenttaken met een lange horizon en het open-source reinforcement-learningframework Miles. Er is geen uitvoerlimiet opgegeven.

Hoe wordt het gebruik gefactureerd?

Je factuur hangt af van de aanbieder die je gebruikt, de prijzen en je verbruik. Langere invoer of andere voorwaarden kunnen andere prijzen hebben.

Welke invoer ondersteunt het model?

Het ondersteunt tekst- en afbeeldingsinvoer.

Hoe groot is het contextvenster en wat is de uitvoerlimiet?

De context is262,144 tokens (256K). Er is geen uitvoerlimiet opgegeven.

Voor welke taken is DaisyRose-27B geschikt?

Het is bedoeld voor programmeren, toolgebruik en langlopende agenttaken, waaronder codegeneratie, codebewerking, terminaltaken en redeneren.

Hoe verschilt het van Qwen3.8-27B?

DaisyRose-27B is gebaseerd op Qwen3.8-27B en is uitsluitend met reinforcement learning verder getraind. Op alle vermelde benchmarks scoort het hoger dan het basismodel.