DaisyRose 27B API
DaisyRose-27B é um modelo multimodal de raciocínio da RadixArk, voltado a programação, uso de ferramentas e tarefas de agentes de longa duração.
Desenvolvido com base no Qwen3.8-27B, DaisyRose-27B combina entrada de texto e imagem para raciocínio multimodal. Seu contexto de262,144 tokens (256K) permite trabalhar com documentos extensos e analisar bases de código grandes. O treinamento posterior usou apenas aprendizado por reforço, sem ajuste fino supervisionado nem destilação, e preservou a arquitetura, o tokenizador e o modelo de chat da base.
O modelo foi pensado para programação, uso de ferramentas e tarefas de agentes com várias etapas. Também pode ser usado para gerar e editar código, seguir instruções e resolver problemas complexos em engenharia de software, aprendizado de máquina e ciência. Entre os resultados informados, Terminal-Bench4.1 pass@1 ficou em12.0%, ante5.6% do modelo-base; a pontuação reportada também foi superior à da base em todos os benchmarks listados.
DaisyRose-27B pode servir como referência para equipes que desenvolvem modelos especializados e buscam explorar dados de alta qualidade e infraestrutura eficiente com recursos computacionais limitados. Sua combinação de contexto amplo, entrada visual e foco em tarefas de agentes o torna adequado a fluxos de trabalho que exigem análise e execução prolongadas.
Atualizado:
ID DO MODELO
daisyrose-27b- Contexto
- 262.144K
- Saída máxima
- 235.929K
- API recomendada
- messages
- Entrada
- text / image
- Saída
- text
Destaques
- Entrada de texto e imagem
- Contexto de262,144 tokens
- Treinamento posterior só com RL
- Foco em agentes de longa duração
- Pontuação superior à base nos benchmarks listados
Provedores
Melhor preçoCompare os preços de API entre provedores. Selecione um provedor para ver todos os preços e condições.
| Disponibilidade | ||||
|---|---|---|---|---|
Estatísticas históricas não são uma verificação em tempo real. Dados ausentes não indicam uma interrupção.
O que $10 compram
- Entrada
- 50 mi tokens
- Saída
- 4 mi tokens
Estimativa com base nos preços atuais de entrada e saída, antes de descontos.
Benchmarks
- 12.0%
Terminal-Bench4.1 pass@1
O modelo-base obteve5.6%.
- 75.5
Terminal-Bench2.1
O modelo-base obteve73.0.
- 46.2
DeepSWE v1.1
O modelo-base obteve42.2.
- 94.7
SWE Bench Pro v2
O modelo-base obteve91.3.
- 34.3
HLE (somente texto)
O modelo-base obteve33.9.
- 82.4
IFBench
O modelo-base obteve79.5; foi a maior pontuação entre os modelos comparados.
- 90.7
GPQA Diamond
O modelo-base obteve89.2; média de8 repetições em198 questões.
Pontuações conforme publicadas pelo fornecedor do modelo.
Raciocínio
- Esforço padrão
- xhigh
- Ativado por padrão
- Sim
- Sempre ativado
- Não
- Níveis de esforço disponíveis
- xhigh / medium / low / none
Início rápido
Código pronto para chamar este modelo com as APIs compatíveis da Felo API Platform. Comece no Playground quando quiser testar prompts antes de escrever código.
Defina sua chave de API
Crie uma chave na sua conta da Felo API Platform e defina-a como variável de ambiente.
export FELO_API_KEY="YOUR_API_KEY"Faça sua primeira requisição
Use este ID de modelo com o endpoint da Felo API Platform. Cabeçalhos opcionais como X-Request-Id ajudam a solucionar problemas.
daisyrose-27bEste modelo tem capacidade de raciocínio. Se o protocolo selecionado e a rota do modelo expuserem controles de raciocínio, preserve os metadados de raciocínio retornados ao continuar a conversa.
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());Usar SDKs de terceiros
Em SDKs compatíveis, defina baseURL como https://openapi.felo.ai/api/v1. Para clientes no estilo Claude, use a base URL compatível com Anthropic. https://openapi.felo.ai/api.
Ative o streaming
Adicione stream: true para receber respostas como 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
A Felo API Platform expõe superfícies compatíveis de chamada de modelos. Escolha a superfície que seu app ou cliente de agente já suporta.
Messages
Mensagens compatíveis com Anthropic para clientes no estilo Claude.
POST
https://openapi.felo.ai/api/v1/messagesParâmetros
modelstringdaisyrose-27bID público do modelo a chamar.max_tokensinteger—Número máximo de tokens gerados.messagesarray—Mensagens da conversa para Chat Completions.seed———stop———min_p———toolsarray—Definições de tool calling seguindo o schema compatível.top_k———top_p———reasoning———logit_bias———temperaturenumber—Controla a variedade das respostas quando compatível.tool_choicestring or object—Controla se uma ferramenta deve ser chamada.response_formatobject—Solicita saída estruturada quando compatível.presence_penalty———reasoning_effort———frequency_penalty———include_reasoning———repetition_penalty———structured_outputs———Perguntas frequentes
O que é DaisyRose 27B?
Desenvolvido com base no Qwen3.8-27B, DaisyRose-27B combina entrada de texto e imagem para raciocínio multimodal. Seu contexto de262,144 tokens (256K) permite trabalhar com documentos extensos e analisar bases de código grandes. O treinamento posterior usou apenas aprendizado por reforço, sem ajuste fino supervisionado nem destilação, e preservou a arquitetura, o tokenizador e o modelo de chat da base. O modelo foi pensado para programação, uso de ferramentas e tarefas de agentes com várias etapas. Também pode ser usado para gerar e editar código, seguir instruções e resolver problemas complexos em engenharia de software, aprendizado de máquina e ciência. Entre os resultados informados, Terminal-Bench4.1 pass@1 ficou em12.0%, ante5.6% do modelo-base; a pontuação reportada também foi superior à da base em todos os benchmarks listados. DaisyRose-27B pode servir como referência para equipes que desenvolvem modelos especializados e buscam explorar dados de alta qualidade e infraestrutura eficiente com recursos computacionais limitados. Sua combinação de contexto amplo, entrada visual e foco em tarefas de agentes o torna adequado a fluxos de trabalho que exigem análise e execução prolongadas.
Como o uso é cobrado?
Sua conta depende do provedor que você usa, dos preços dele e do seu uso. Entradas mais longas ou outras condições podem ter preços diferentes.
Quais tipos de entrada são aceitos?
O modelo aceita entradas de texto e imagem.
Qual é o tamanho do contexto e o limite de saída?
O contexto é de262,144 tokens (256K). O limite de saída não foi informado.
Para quais tarefas o modelo é indicado?
É voltado a programação, uso de ferramentas e tarefas de agentes de longa duração. Também é adequado para geração e edição de código, seguimento de instruções e resolução de problemas complexos.
Como DaisyRose-27B difere do Qwen3.8-27B?
DaisyRose-27B é baseado no Qwen3.8-27B e recebeu treinamento posterior feito apenas com aprendizado por reforço, sem ajuste fino supervisionado ou destilação. A arquitetura, o tokenizador e o modelo de chat da base foram preservados.