Cohere: North Mini Code (free)

North Mini Code 1.0 ist Coheres Modell für agentische Softwareentwicklung, Terminalaufgaben und Codeerzeugung. Es nimmt Text entgegen und erzeugt Text, einschließlich Code, Erklärungen und Werkzeuganfragen. Der Hersteller hat seine Gewichte unter Apache 2.0 veröffentlicht und bezeichnet es als erstes Modell der North-Codeagentenfamilie. Es ist ein spezialisiertes Programmierprofil, kein Modell für Bildverständnis oder allgemeine Entscheidungsbewertung.

Dünn besetzte Architektur und Vorbereitung auf Programmieraufgaben

Das Modell hat insgesamt 30 Milliarden Parameter, davon etwa 3 Milliarden aktive. Sein Decoder-only-Transformer verwendet eine dünn besetzte Mixture-of-Experts-Architektur mit 128 Experten, von denen acht pro Token aktiviert werden, und eine dichte Schicht vor den dünn besetzten Schichten. Sliding-Window-Attention mit rotierenden Positionen wechselt sich mit globaler Attention ohne Positions-Embeddings im Verhältnis 3:1 ab. Die Zahl aktiver Parameter beschreibt die für ein Token verwendete Berechnung, nicht die gesamte zu speichernde Gewichtsmenge.

Coheres Nachtraining verwendet zwei Phasen überwachten Fine-Tunings, gefolgt von Reinforcement Learning mit überprüfbaren Belohnungen und Schwerpunkt auf Softwareentwicklung und Terminalarbeit. Der Hersteller beschreibt Training über mehrere Agentenumgebungen hinweg statt in einem festen Gerüst. Das unterstützt die Vorbereitung einer Aufgabe anhand des erforderlichen Verhaltens und der verfügbaren Werkzeuge, während die umgebende Agentenumgebung für das Beschaffen von Dateien, das Ausführen von Befehlen und das Zurückgeben von Beobachtungen verantwortlich bleibt.

Eine repositoryweite Änderung vorbereiten

Stellen Sie den aktuellen Code und das Verhalten, die gewünschte Änderung, relevante Datei- oder Schnittstellengrenzen und die Belege bereit, die den Abschluss nachweisen. Fügen Sie bei einem Fehler den beobachteten Fehler oder die fehlschlagende Eingabe und das erwartete Ergebnis bei. Nennen Sie bei einer Funktion das erforderliche Verhalten und die Kompatibilitätsbedingungen. Ein hilfreiches Endergebnis ist eine vorgeschlagene Codeänderung mit Erklärung und Ergebnissen von tatsächlich ausgeführten Prüfungen.

Eine beispielhafte Anfrage kann verlangen, einen Parser für eine zusätzliche unterstützte Eingabe zu aktualisieren und bestehende Formate zu bewahren. Benennen Sie repräsentative Eingaben und den Repository-Teil, der das Parserverhalten definiert. Das Modell kann Code und Werkzeugbeobachtungen nutzen, um die Änderung zu entwickeln; ein erzeugter Patch oder die Aussage, ein Befehl sollte laufen, belegt keinen erfolgreichen Befehl.

Terminalwerkzeuge und strukturierte Beobachtungen

Die native Modellkarte dokumentiert Training für Werkzeugnutzung und empfiehlt Werkzeugbeschreibungen in JSON-Schema über die Chatvorlage des Modells. Beschreiben Sie Zweck und Argumente eines Werkzeugs klar. Ein Werkzeug zur Befehlsausführung kann die tatsächliche Ausgabe und den Status zurückgeben; ein Werkzeug zur Dateiprüfung kann das für den nächsten Schritt benötigte Material liefern. Ordnen Sie jedes Werkzeugergebnis seiner Aufrufkennung zu, damit spätere Analysen die beabsichtigte Beobachtung verwenden.

Das Herstellerbeispiel bewahrt einen Werkzeugaufruf und den Denkprozess des Assistenten im Verlauf, führt das Werkzeug aus und ergänzt sein Ergebnis vor der nächsten Erzeugung. Das Beispiel der nativen Vorlage verwendet ein strukturiertes Dictionary für das Werkzeugergebnis. Bewahren Sie diese Darstellung gemäß der dokumentierten Integration, statt anzunehmen, jede andere API serialisiere Werkzeugergebnisse gleich. Ein JSON-Schema für Werkzeugargumente unterscheidet sich von der Behauptung, beliebige schemabeschränkte Endausgaben zu unterstützen.

Verschachtelte Denkphasen und mehrstufiger Dialogverlauf

North Mini Code unterstützt verschachtelte Denkphasen, deren Aktivierung der Hersteller für agentische Arbeit empfiehlt. Übernehmen Sie vom Modell erzeugte Denkinhalte und Werkzeugaufrufe in nachfolgende Agentenschritte und Dialogbeiträge. Das native Beispiel bewahrt ein reasoning-Feld in der Assistentennachricht und gibt danach die zugehörige Werkzeugbeobachtung zurück. Das erhält die Informationen, die das Modell bei der Entscheidung verwendet hat, was als Nächstes geprüft oder geändert werden soll.

Halten Sie das aktuelle Ziel, das Ausgangsmaterial und tatsächliche Beobachtungen im Aufgabenverlauf fest. Fassen Sie bei einer längeren Repository-Aufgabe das Endergebnis anhand des geänderten Verhaltens und des hilfreichen Arbeitsergebnisses zusammen und bewahren Sie zugleich die zur Prüfung nötigen Belege. Verschachteltes Schlussfolgern bedeutet weder, dass eine kurze sichtbare Antwort keine Analyse benötigte, noch belegt es, dass eine vom Modell beschriebene Aktion bereits stattgefunden hat.

Eigenständige Code- und Erklärungsaufgaben

Der Hersteller nennt auch wissenschaftliches Programmieren und algorithmisches Schlussfolgern außerhalb einer Agentenschleife. Stellen Sie Problemdefinition, Eingabe- und Ausgabeformat, Einschränkungen, relevante numerische Annahmen und erwartetes Verhalten in Randfällen bereit. Fordern Sie bei Bedarf eine vollständige Funktion oder ein vollständiges Programm samt einer Erklärung auf dem für die Leserschaft nötigen Niveau an.

Stellen Sie für eine Codeerklärung die Implementierung und das konkrete zu klärende Verhalten oder die Abhängigkeit bereit. Benennen Sie bei Code zur Datenvisualisierung die bereitgestellten Felder und den beabsichtigten Vergleich, statt den Diagrammzweck unausgesprochen zu lassen. Die Entwicklungsbeispiele des Herstellers umfassen Codeerklärung, Bearbeitung, Visualisierung und Implementierung anhand einer Spezifikation. Das sind Aufgabenmuster zum Erzeugen oder Ändern von Code, kein Versprechen richtiger Ergebnisse für jedes Repository oder Framework.

Kontext, Ausgabe und Erzeugungseinstellungen

Modellkarte und API-Seite des Herstellers nennen ein Kontextfenster von 256K Tokens und eine maximale Ausgabe von 64K Tokens. Bereiten Sie umfangreiches Repository-Material anhand dieser getrennten Budgets und der Größe des Endergebnisses vor. Bewahren Sie Quellgrenzen und Kennungen und entfernen Sie irrelevantes Material, statt anzunehmen, ein großes Fenster ersetze einen gezielten Auftrag.

Die native Modellkarte empfiehlt temperature 1,0 und top_p 0,95 für die Erzeugung und verwendet die Chatvorlage des Modells einschließlich eines Erzeugungsprompts für Text- und Werkzeugabläufe. Ihre beispielhaften Ausgabegrenzen sind Einstellungen für diese Beispiele und ersetzen nicht das veröffentlichte Modellmaximum. Cohere veröffentlicht BF16-Gewichte und ein separat benanntes FP8-Artefakt. Wählen Sie bei der Bereitstellungsvorbereitung das passende Artefakt.

Ein hilfreiches Ergebnis von North Mini Code ist prüfbarer Code oder eine technische Erklärung mit Bezug zu den bereitgestellten Anforderungen. Vergleichen Sie das Ergebnis mit dem ursprünglichen Verhalten und der tatsächlichen Werkzeugausgabe, prüfen Sie codewirksame Annahmen und bewahren Sie die zur Prüfung nötigen Quellen und Beobachtungen. Das reine Textmodell für Programmierung liefert Schlussfolgerungen und erzeugte Inhalte; die umgebende Anwendung führt die Operationen aus, die aus diesen Vorschlägen eine abgeschlossene Softwareaufgabe machen.