Felo API PlatformFelo API Platform
กลับไปที่โมเดล
Radixarkmessages

DaisyRose 27B API

DaisyRose-27B เป็นโมเดลให้เหตุผลหลายรูปแบบที่เน้นงานเขียนโค้ด การใช้เครื่องมือ และงานเอเจนต์ระยะยาว

DaisyRose-27B จาก RadixArk เป็นโมเดลให้เหตุผลหลายรูปแบบที่พัฒนาบน Qwen3.8-27B และรับข้อมูลได้ทั้งข้อความกับภาพ การฝึกหลังการพัฒนาใช้การเรียนรู้แบบเสริมกำลังเท่านั้น โดยไม่ใช้การปรับแต่งแบบมีผู้สอนหรือการกลั่นความรู้ พร้อมคงสถาปัตยกรรม ตัวตัดคำ และรูปแบบแชตของโมเดลฐานไว้ หน้าต่างบริบทมีขนาด262,144 tokens (256K) จึงรองรับการทำงานกับเอกสารยาวและการวิเคราะห์คลังโค้ดขนาดใหญ่

โมเดลนี้เหมาะกับการเขียนและแก้ไขโค้ด การใช้เครื่องมือ งานเอเจนต์ที่ดำเนินหลายขั้นตอน และการทำงานผ่านเทอร์มินัล รวมถึงการทำตามคำสั่งและการให้เหตุผลกับโจทย์ซับซ้อนในวิศวกรรมซอฟต์แวร์ การเรียนรู้ของเครื่อง และวิทยาศาสตร์ ผลที่รายงานสูงกว่าโมเดลฐานในทุกเกณฑ์ที่ระบุ โดย Terminal-Bench4.1 pass@1 เพิ่มจาก5.6% เป็น12.0% จึงเป็นตัวเลือกสำหรับงานที่ต้องจัดการปัญหาเป็นลำดับและใช้โค้ดหรือเครื่องมือประกอบ

อัปเดต:

ID โมเดล

daisyrose-27b
บริบท
262.144K
เอาต์พุตสูงสุด
235.929K
API ที่แนะนำ
messages
อินพุต
text / image
เอาต์พุต
text

จุดเด่น

  • รับข้อมูลข้อความและภาพ
  • บริบท262,144 tokens (256K)
  • ฝึกด้วยการเรียนรู้แบบเสริมกำลังเท่านั้น
  • เน้นงานเขียนโค้ดและเอเจนต์
  • คงรูปแบบแชตของโมเดลฐาน

ผู้ให้บริการ

ราคาที่ดีที่สุด
1 ผู้ให้บริการ

เปรียบเทียบราคา API ระหว่างผู้ให้บริการ เลือกผู้ให้บริการเพื่อดูค่าใช้จ่ายและเงื่อนไขทั้งหมด

ผู้ให้บริการ · รายละเอียดราคา
อัตราความพร้อมใช้งาน
$0.2$0.16$2.5$2$0.05$0.04

ซื้ออะไรได้ด้วย $10

อินพุต
50M token
เอาต์พุต
4M token

ประมาณจากราคาอินพุตและเอาต์พุตปัจจุบัน ก่อนหักส่วนลด

เบนช์มาร์ก

  • Terminal-Bench4.1 pass@1

    โมเดลฐานได้5.6%

    12.0%
  • Terminal-Bench2.1

    โมเดลฐานได้73.0

    75.5
  • DeepSWE v1.1

    โมเดลฐานได้42.2

    46.2
  • SWE Bench Pro v2

    โมเดลฐานได้91.3

    94.7
  • HLE (text-only)

    โมเดลฐานได้33.9

    34.3
  • IFBench

    โมเดลฐานได้79.5 และเป็นคะแนนสูงสุดในบรรดาโมเดลที่นำมาเปรียบเทียบ

    82.4
  • GPQA Diamond

    โมเดลฐานได้89.2 โดยเฉลี่ยจากการทำซ้ำ8 ครั้งกับคำถาม198 ข้อ

    90.7

คะแนนตามที่ผู้ให้บริการโมเดลเผยแพร่

การให้เหตุผล

ระดับความพยายามเริ่มต้น
xhigh
เปิดใช้งานโดยค่าเริ่มต้น
ใช่
เปิดใช้งานตลอด
ไม่ใช่
ระดับความพยายามที่ใช้ได้
xhigh / medium / low / none

เริ่มต้นอย่างรวดเร็ว

โค้ดพร้อมใช้สำหรับเรียกโมเดลนี้ด้วย API ที่เข้ากันได้ของ Felo API Platform เริ่มใน Playground เมื่อคุณต้องการทดสอบพรอมต์ก่อนเขียนโค้ด

1

ตั้งค่าคีย์ API

สร้างคีย์จากบัญชี Felo API Platform ของคุณและตั้งเป็นตัวแปรสภาพแวดล้อม

export FELO_API_KEY="YOUR_API_KEY"
2

ส่งคำขอแรก

ใช้ ID โมเดลนี้กับ endpoint ของ Felo API Platform ส่วนหัวคำขอแบบไม่บังคับ เช่น X-Request-Id ช่วยในการแก้ไขปัญหา

daisyrose-27b

โมเดลนี้มีความสามารถในการให้เหตุผล หากโปรโตคอลและเส้นทางโมเดลที่คุณเลือกเปิดการควบคุมการให้เหตุผล ให้เก็บเมทาดาทาการให้เหตุผลที่ส่งคืนไว้เมื่อสนทนาต่อ

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());

การใช้ SDK ของบุคคลที่สาม

ใน SDK ที่เข้ากันได้ ให้ตั้ง baseURL เป็น https://openapi.felo.ai/api/v1. สำหรับไคลเอนต์สไตล์ Claude ให้ใช้ base URL ที่เข้ากันได้กับ Anthropic https://openapi.felo.ai/api.

3

เปิดใช้สตรีมมิ่ง

เพิ่ม stream: true เพื่อรับการตอบกลับเป็น 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 มีอินเทอร์เฟซสำหรับเรียกโมเดลที่เข้ากันได้ เลือกอินเทอร์เฟซที่แอปหรือไคลเอนต์เอเจนต์ของคุณรองรับอยู่แล้ว

อินเทอร์เฟซเมธอดURL

Messages

ข้อความที่เข้ากันได้กับ Anthropic สำหรับไคลเอนต์สไตล์ Claude

POST

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

พารามิเตอร์

ชื่อชนิดค่าเริ่มต้นคำอธิบาย
modelstringdaisyrose-27bID โมเดลสาธารณะที่ต้องการเรียก
max_tokensinteger—จำนวนโทเคนสูงสุดที่สร้าง
messagesarray—ข้อความสนทนาสำหรับ Chat Completions
seed———
stop———
min_p———
toolsarray—นิยาม tool calling ตามสคีมาที่เข้ากันได้
top_k———
top_p———
reasoning———
logit_bias———
temperaturenumber—ควบคุมความหลากหลายของการตอบกลับเมื่อรองรับ
tool_choicestring or object—ควบคุมว่าควรเรียกเครื่องมือหรือไม่
response_formatobject—ขอเอาต์พุตแบบมีโครงสร้างเมื่อรองรับ
presence_penalty———
reasoning_effort———
frequency_penalty———
include_reasoning———
repetition_penalty———
structured_outputs———

คำถามที่พบบ่อย

รู้จัก DaisyRose 27B?

DaisyRose-27B จาก RadixArk เป็นโมเดลให้เหตุผลหลายรูปแบบที่พัฒนาบน Qwen3.8-27B และรับข้อมูลได้ทั้งข้อความกับภาพ การฝึกหลังการพัฒนาใช้การเรียนรู้แบบเสริมกำลังเท่านั้น โดยไม่ใช้การปรับแต่งแบบมีผู้สอนหรือการกลั่นความรู้ พร้อมคงสถาปัตยกรรม ตัวตัดคำ และรูปแบบแชตของโมเดลฐานไว้ หน้าต่างบริบทมีขนาด262,144 tokens (256K) จึงรองรับการทำงานกับเอกสารยาวและการวิเคราะห์คลังโค้ดขนาดใหญ่ โมเดลนี้เหมาะกับการเขียนและแก้ไขโค้ด การใช้เครื่องมือ งานเอเจนต์ที่ดำเนินหลายขั้นตอน และการทำงานผ่านเทอร์มินัล รวมถึงการทำตามคำสั่งและการให้เหตุผลกับโจทย์ซับซ้อนในวิศวกรรมซอฟต์แวร์ การเรียนรู้ของเครื่อง และวิทยาศาสตร์ ผลที่รายงานสูงกว่าโมเดลฐานในทุกเกณฑ์ที่ระบุ โดย Terminal-Bench4.1 pass@1 เพิ่มจาก5.6% เป็น12.0% จึงเป็นตัวเลือกสำหรับงานที่ต้องจัดการปัญหาเป็นลำดับและใช้โค้ดหรือเครื่องมือประกอบ

การใช้งานถูกเรียกเก็บเงินอย่างไร

ค่าใช้จ่ายขึ้นอยู่กับผู้ให้บริการที่คุณใช้ ราคาของผู้ให้บริการนั้น และปริมาณการใช้งาน อินพุตที่ยาวขึ้นหรือเงื่อนไขอื่นอาจมีราคาแตกต่างกัน

รองรับข้อมูลนำเข้าประเภทใดบ้าง?

รองรับทั้งข้อความและภาพ

มีขนาดบริบทและขีดจำกัดผลลัพธ์เท่าใด?

บริบทมีขนาด262,144 tokens (256K) ส่วนข้อมูลไม่ได้ระบุขีดจำกัดความยาวผลลัพธ์

เหมาะกับงานประเภทใด?

เหมาะกับการเขียนและแก้ไขโค้ด การใช้เครื่องมือ งานเอเจนต์ระยะยาว และการทำงานผ่านเทอร์มินัล รวมถึงโจทย์ซับซ้อนด้านวิศวกรรมซอฟต์แวร์ การเรียนรู้ของเครื่อง และวิทยาศาสตร์

แตกต่างจาก Qwen3.8-27B อย่างไร?

DaisyRose-27B พัฒนาบน Qwen3.8-27B โดยฝึกหลังการพัฒนาด้วยการเรียนรู้แบบเสริมกำลังเท่านั้น และยังคงสถาปัตยกรรม ตัวตัดคำ และรูปแบบแชตของโมเดลฐานไว้ คะแนนที่รายงานสูงกว่าโมเดลฐานในทุกเกณฑ์ที่ระบุ