Felo API PlatformFelo API Platform
Wróć do modeli
Radixarkmessages

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 cena
1 dostawców

Porównaj ceny API u różnych dostawców. Wybierz dostawcę, aby zobaczyć wszystkie opłaty i warunki.

Dostawca · Szczegóły cen
Dostępność
$0.2$0.16$2.5$2$0.05$0.04

Co można kupić za $10

Wejście
50 mln tokenów
Wyjście
4 mln tokenów

Szacunek na podstawie obecnych cen wejścia i wyjścia, bez rabatów.

Benchmarki

  • Terminal-Bench4.1 pass@1

    Model bazowy uzyskał5.6%.

    12.0%
  • Terminal-Bench2.1

    Model bazowy uzyskał73.0.

    75.5
  • DeepSWE v1.1

    Model bazowy uzyskał42.2.

    46.2
  • SWE Bench Pro v2

    Model bazowy uzyskał91.3.

    94.7
  • HLE (wyłącznie tekst)

    Model bazowy uzyskał33.9.

    34.3
  • IFBench

    Model bazowy uzyskał79.5; był to najwyższy wynik wśród porównywanych modeli.

    82.4
  • GPQA Diamond

    Model bazowy uzyskał89.2; średnia z8 powtórzeń na198 pytaniach.

    90.7

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.

1

Pobierz klucz API

Utwórz klucz w swoim koncie Felo API Platform i ustaw go jako zmienną środowiskową.

export FELO_API_KEY="YOUR_API_KEY"
2

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-27b

Ten 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.

3

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.

InterfejsMetodaURL

Messages

Komunikaty zgodne z Anthropic dla klientów w stylu Claude.

POST

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

Parametry

NazwaTypDomyślnieOpis
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.