DaisyRose 27B API
RadixArk: DaisyRose27B to multimodalny model rozumujący przeznaczony do programowania, pracy z narzędziami i złożonych zadań agentowych.
RadixArk: DaisyRose27B to multimodalny model rozumujący oparty na Qwen3.8-27B. Przyjmuje tekst i obrazy, a kontekst o długości262,144 tokens (256K) pozwala mu analizować obszerne dokumenty oraz duże bazy kodu. Model zachowuje architekturę, tokenizer i szablon rozmowy modelu bazowego. Dostosowano go wyłącznie za pomocą uczenia ze wzmocnieniem, bez nadzorowanego dostrajania ani destylacji.
Model sprawdzi się w generowaniu i edycji kodu, obsłudze narzędzi oraz zadaniach agentowych wymagających wielu etapów działania, w tym pracy w terminalu. Jest przeznaczony także do złożonego rozwiązywania problemów z zakresu inżynierii oprogramowania, uczenia maszynowego i nauki. Może być użyteczny przy wykonywaniu instrukcji oraz rozumowaniu w kontekście długich dokumentów i dużych projektów programistycznych.
Wszystkie podane wyniki modelu przewyższają wyniki modelu bazowego w wymienionych testach. W Terminal-Bench4.1 pass@1 uzyskał12.0%, podczas gdy model bazowy osiągnął5.6%. W IFBench wynik wyniósł82.4, co było najwyższym rezultatem wśród porównywanych modeli. Dostępny kontekst sprzyja pracy z dużą ilością informacji, a wejście obrazowe rozszerza zakres zadań poza analizę samego tekstu.
Zaktualizowano:
MODEL ID
daisyrose-27b- Kontekst
- 262.144K
- Maks. wyjście
- 235.929K
- Polecane API
- messages
- Wejście
- text / image
- Wyjście
- text
Najważniejsze informacje
- Wejście tekstowe i obrazowe
- Kontekst262,144 tokens (256K)
- Dostrajanie wyłącznie przez RL
- Zachowana architektura bazowa
- Wyniki wyższe od modelu bazowego
Dostawcy
Najlepsza cenaPorównaj ceny API u różnych dostawców. Wybierz dostawcę, aby zobaczyć wszystkie opłaty i warunki.
| Dostępność | ||||
|---|---|---|---|---|
Dane historyczne nie są kontrolą na żywo. Brak danych nie oznacza awarii.
Co można kupić za $10
- Wejście
- 50 mln tokenów
- Wyjście
- 4 mln tokenów
Szacunek na podstawie obecnych cen wejścia i wyjścia, bez rabatów.
Benchmarki
- 12.0%
Terminal-Bench4.1 pass@1
Model bazowy uzyskał5.6%.
- 75.5
Terminal-Bench2.1
Model bazowy uzyskał73.0.
- 46.2
DeepSWE v1.1
Model bazowy uzyskał42.2.
- 94.7
SWE Bench Pro v2
Model bazowy uzyskał91.3.
- 34.3
HLE (wyłącznie tekst)
Model bazowy uzyskał33.9.
- 82.4
IFBench
Model bazowy uzyskał79.5; był to najwyższy wynik wśród porównywanych modeli.
- 90.7
GPQA Diamond
Model bazowy uzyskał89.2; średnia z8 powtórzeń na198 pytaniach.
Wyniki zgodnie z publikacją dostawcy modelu.
Rozumowanie
- Domyślny poziom wysiłku
- xhigh
- Włączone domyślnie
- Tak
- Zawsze włączone
- Nie
- Dostępne poziomy wysiłku
- xhigh / medium / low / none
Szybki start
Gotowy kod do wywołania tego modelu przez zgodne API Felo API Platform. Zacznij w Playground, gdy chcesz przetestować prompty przed pisaniem kodu.
Pobierz klucz API
Utwórz klucz w swoim koncie Felo API Platform i ustaw go jako zmienną środowiskową.
export FELO_API_KEY="YOUR_API_KEY"Wyślij pierwsze żądanie
Użyj tego identyfikatora modelu z endpointem Felo API Platform. Opcjonalne nagłówki żądania, takie jak X-Request-Id, mogą pomóc w diagnostyce.
daisyrose-27bTen model obsługuje rozumowanie. Jeśli wybrany protokół i trasa modelu udostępniają elementy sterujące rozumowaniem, zachowaj zwrócone metadane rozumowania podczas kontynuowania rozmowy.
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());Korzystanie z zewnętrznych SDK
Używaj zgodnych SDK, ustawiając baseURL na https://openapi.felo.ai/api/v1. Użyj bazowego adresu URL zgodnego z Anthropic dla klientów w stylu Claude. https://openapi.felo.ai/api.
Włącz strumieniowanie
Dodaj stream: true, aby otrzymywać odpowiedzi jako 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 udostępnia zgodne interfejsy wywoływania modeli. Wybierz ten, który Twoja aplikacja lub klient agenta już obsługuje.
Messages
Komunikaty zgodne z Anthropic dla klientów w stylu Claude.
POST
https://openapi.felo.ai/api/v1/messagesParametry
modelstringdaisyrose-27bPubliczny identyfikator modelu do wywołania.max_tokensinteger—Maksymalna liczba generowanych tokenów.messagesarray—Komunikaty rozmowy dla Chat Completions.seed———stop———min_p———toolsarray—Definicje wywoływania narzędzi zgodne z obsługiwanym schematem.top_k———top_p———reasoning———logit_bias———temperaturenumber—Steruje różnorodnością odpowiedzi, gdy jest obsługiwane.tool_choicestring or object—Steruje tym, czy narzędzie powinno zostać wywołane.response_formatobject—Żąda ustrukturyzowanego wyniku, gdy jest obsługiwany.presence_penalty———reasoning_effort———frequency_penalty———include_reasoning———repetition_penalty———structured_outputs———Często zadawane pytania
Co to jest DaisyRose 27B?
RadixArk: DaisyRose27B to multimodalny model rozumujący oparty na Qwen3.8-27B. Przyjmuje tekst i obrazy, a kontekst o długości262,144 tokens (256K) pozwala mu analizować obszerne dokumenty oraz duże bazy kodu. Model zachowuje architekturę, tokenizer i szablon rozmowy modelu bazowego. Dostosowano go wyłącznie za pomocą uczenia ze wzmocnieniem, bez nadzorowanego dostrajania ani destylacji. Model sprawdzi się w generowaniu i edycji kodu, obsłudze narzędzi oraz zadaniach agentowych wymagających wielu etapów działania, w tym pracy w terminalu. Jest przeznaczony także do złożonego rozwiązywania problemów z zakresu inżynierii oprogramowania, uczenia maszynowego i nauki. Może być użyteczny przy wykonywaniu instrukcji oraz rozumowaniu w kontekście długich dokumentów i dużych projektów programistycznych. Wszystkie podane wyniki modelu przewyższają wyniki modelu bazowego w wymienionych testach. W Terminal-Bench4.1 pass@1 uzyskał12.0%, podczas gdy model bazowy osiągnął5.6%. W IFBench wynik wyniósł82.4, co było najwyższym rezultatem wśród porównywanych modeli. Dostępny kontekst sprzyja pracy z dużą ilością informacji, a wejście obrazowe rozszerza zakres zadań poza analizę samego tekstu.
Jak rozliczane jest użycie?
Rachunek zależy od wybranego dostawcy, jego cen i faktycznego zużycia. Dłuższe dane wejściowe lub inne warunki mogą mieć inne ceny.
Jakie rodzaje danych wejściowych obsługuje model?
Obsługuje wejście tekstowe i obrazowe.
Jaki jest rozmiar kontekstu i limit wyjścia?
Kontekst wynosi262,144 tokens (256K). Nie podano limitu długości wyjścia.
Do jakich zadań jest przeznaczony?
Nadaje się do programowania, korzystania z narzędzi i wieloetapowych zadań agentowych, a także do rozwiązywania złożonych problemów w inżynierii oprogramowania, uczeniu maszynowym i nauce.
Czym różni się od Qwen3.8-27B?
DaisyRose27B bazuje na Qwen3.8-27B i zostało dostrojone wyłącznie za pomocą uczenia ze wzmocnieniem, bez nadzorowanego dostrajania ani destylacji. W każdym wymienionym teście uzyskało wynik wyższy niż model bazowy.