Felo API PlatformFelo API Platform
Voltar aos modelos
Radixarkmessages

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 preço
1 provedores

Compare os preços de API entre provedores. Selecione um provedor para ver todos os preços e condições.

Provedor · Detalhes de preço
Disponibilidade
$0.2$0.16$2.5$2$0.05$0.04

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

  • Terminal-Bench4.1 pass@1

    O modelo-base obteve5.6%.

    12.0%
  • Terminal-Bench2.1

    O modelo-base obteve73.0.

    75.5
  • DeepSWE v1.1

    O modelo-base obteve42.2.

    46.2
  • SWE Bench Pro v2

    O modelo-base obteve91.3.

    94.7
  • HLE (somente texto)

    O modelo-base obteve33.9.

    34.3
  • IFBench

    O modelo-base obteve79.5; foi a maior pontuação entre os modelos comparados.

    82.4
  • GPQA Diamond

    O modelo-base obteve89.2; média de8 repetições em198 questões.

    90.7

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.

1

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"
2

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-27b

Este 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.

3

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.

SurfaceMethodURL

Messages

Mensagens compatíveis com Anthropic para clientes no estilo Claude.

POST

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

Parâmetros

NomeTipoPadrãoDescrição
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.