R
RADIXARK / RadixArk/DaisyRose-27B

DaisyRose 27B

Multimodales RadixArk-Modell, am 18. November vorgestellt. Es basiert auf Qwen3.8-27B und nutzt Verstärkungslernen mit langen Agentenaufgaben. Bildverständnis und 256K-Kontext bleiben erhalten; Trainingssitzungen mit 1M erweitern dieses Limit nicht.

01 / ZUSAMMENFASSUNG

Das Wesentliche

ORIENTIERUNGQwen3.8-Nachtraining durch Verstärkungslernen

Primäre Verwendung angegeben oder vorsichtig aus offizieller Dokumentation abgeleitet.

KONTEXT262.144 Token

Maximale Eingabekapazität bei Veröffentlichung durch die Quelle.

AUSFAHRTText; separates Ausgabemaximum nicht veröffentlicht

Dokumentierte maximale Erzeugungsgrenze.

ZUGANGHugging Face · herunterladbarer Checkpoint

Verifizierte Verfügbarkeitskanäle.

MODELLTYPMultimodal · Code · Text und Begründung

Primäre Funktionsfamilie und verifizierte Spezialisierungen.

LIZENZApache 2.0

Deklarierte Bedingungen für API, Gewichte oder Self-Hosting.

02 / TECHNISCHES DATENBLATT

Limits und Integration

API-IDRadixArk/DaisyRose-27B
ModelltypMultimodal · Code · Text und Begründung
ZugangsmodellOffene Gewichte
LizenzApache 2.0
EinsatzSelbst gehostet
Veröffentlichung18. NOV. 2026
WissensstichtagNicht veröffentlicht
EingangText · Bild
AusfahrtText
Kontextfenster262.144 Token
maximale LeistungText; separates Ausgabemaximum nicht veröffentlicht
SchlussfolgernNicht veröffentlicht
Veröffentlichte Tools
Strukturierte AusflügeNicht veröffentlicht
StapelverarbeitungNicht veröffentlicht
Prompt-CacheNicht veröffentlicht
FeinabstimmungNicht veröffentlicht
Verifizierte PlattformenHugging Face
EIGNET SICH BESSER FÜR

Programmierung, Werkzeugnutzung und Anpassung an Agentenumgebungen.

SOLLTE BEOBACHTET WERDEN

Die Gesamtarchitektur umfasst Bildverarbeitung und Mehrtoken-Vorhersage mit etwa 27,8B Parametern. BF16, FP8 und NVFP4 sind Formate desselben Modells. Lange Trainingsaufgaben garantieren keine Zuverlässigkeit unbegrenzter autonomer Sitzungen.

03 / FÄHIGKEITEN

Was es kann

01

Orientierung

Programmierung, Werkzeugnutzung und Anpassung an Agentenumgebungen.

02

Kontext

262.144 Token · Text; separates Ausgabemaximum nicht veröffentlicht

03

Tools und Integration

Nicht veröffentlicht

04

Zugang

Hugging Face · herunterladbarer Checkpoint

Eingabemodalitäten
TextBild
04 / PREISE

Dokumentierte Kosten

KonzeptWertEinheit/Zustand
StandardeingabeKein offizieller API-Preis veröffentlichtStandardtarif der API
Eingabe aus dem CacheNicht veröffentlichtLesen wiederverwendeter Präfixe
Schreiben oder Speichern im CacheNicht veröffentlichtDie Bedingung variiert je nach Anbieter
StandardausgabeKosten der eigenen InfrastrukturKann Reasoning-Tokens enthalten
Batch-EingabeNicht veröffentlichtAsynchrone Verarbeitung
Batch-AusgabeNicht veröffentlichtAsynchrone Verarbeitung

Kein verifizierter offizieller API-Tarif. Eigenbetrieb benötigt Speicher, Rechenleistung und Wartung; herunterladbare Gewichte machen Inferenz nicht kostenlos.

i Die Preise ändern sich und können von Level, Region oder Kontextlänge abhängen. Überprüfen Sie die Quelle, bevor Sie eine Entscheidung treffen.

05 / BEWERTUNGEN

So lesen Sie die Ergebnisse

“

RadixArk nennt 46,2 % für DeepSWE v1.1 mit acht Wiederholungen je Aufgabe und mini-swe-agent sowie 90,7 % für GPQA Diamond mit acht Wiederholungen von 198 Fragen. Die Tabelle nutzt den besseren BF16-/FP8-Wert; sie ist kein Ergebnis einer einzigen Präzision oder eine Inferama-Bewertung.

BenchmarkErgebnisMetrikQuelle
DeepSWE v1.146,2 %Veröffentlichter WertQuelle öffnen ↗
GPQA Diamond90,7 %Veröffentlichter WertQuelle öffnen ↗

Inferama hebt nur dann ein „bestes Ergebnis“ hervor, wenn Metrik, Testsatz, Konfiguration und Datum einen gleichwertigen Vergleich ermöglichen. Die Zahlen des Lieferanten werden als Angaben aus eigener Quelle dargestellt.

06 / VERSIONEN

Chronologie

radixark/DaisyRose-27B

In den verifizierten Katalog von Inferama aufgenommene Version.

07 / QUELLEN

Rückverfolgbarkeit