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.
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.
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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Dünn besetzte Architektur und Vorbereitung auf Programmieraufgaben\n\nDas 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.\n\nCoheres 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.\n\n### Eine repositoryweite Änderung vorbereiten\n\nStellen 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.\n\nEine 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.\n\n### Terminalwerkzeuge und strukturierte Beobachtungen\n\nDie 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.\n\nDas 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.\n\n### Verschachtelte Denkphasen und mehrstufiger Dialogverlauf\n\nNorth 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.\n\nHalten 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.\n\n### Eigenständige Code- und Erklärungsaufgaben\n\nDer 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.\n\nStellen 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.\n\n### Kontext, Ausgabe und Erzeugungseinstellungen\n\nModellkarte 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.\n\nDie 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.\n\nEin 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "afb1e9890232dcf196cbd38f58910555347b392e6cd979c03e8d0aeb880b4bb0", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "cohere/north-mini-code:freeNorth Mini Code 1.0 ist Coheres reines Textmodell für Codeerzeugung, Repository-Änderungen und terminalgestützte Agentenaufgaben. Seine dünn besetzte Architektur mit insgesamt 30B und 3B aktiven Parametern unterstützt Werkzeugnutzung und verschachtelte Denkphasen, mit dokumentiertem 256K-Kontext und 64K-Ausgabebudget.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
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.
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.
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.
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.
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.
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.
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.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits cohere/north-mini-code:free | Standard— |
Feldmessages | Typarray | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits false | Standardfalse |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Maximum: 64 000 | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Maximum: 64 000 | Standard— |
Feldn | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Maximum: 128 | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldseed | Typinteger | AnforderungOptional | Werte und Limits | Standard— |
Feldstop | Typ | AnforderungOptional | Werte und Limits | Standard— |
Feldfrequency_penalty | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldpresence_penalty | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Felduser | Typstring | AnforderungOptional | Werte und Limits | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parameteroptional | Vertragstream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Parametermaterial_types | Vertragtext |
Parameterconditions | VertragUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 256000 bytes. |
Lebenszyklus: synchronous_json
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Tokens | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "cohere/north-mini-code:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra cohere/north-mini-code:free
Verwenden Sie die oben angezeigten Methodenpfade.
cohere/north-mini-code:freeNorth Mini Code 1.0 ist Coheres reines Textmodell für Codeerzeugung, Repository-Änderungen und terminalgestützte Agentenaufgaben. Seine dünn besetzte Architektur mit insgesamt 30B und 3B aktiven Parametern unterstützt Werkzeugnutzung und verschachtelte Denkphasen, mit dokumentiertem 256K-Kontext und 64K-Ausgabebudget.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
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.
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.
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.
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.
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.
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.
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.
POST /v1/messagestexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits cohere/north-mini-code:free | Standard— |
Feldmessages | Typarray | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits false | Standardfalse |
Feldsystem | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits Minimum: 1 Maximum: 64 000 | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits | Standard— |
Feldtop_k | Typinteger | AnforderungOptional | Werte und Limits | Standard— |
Feldstop_sequences | Typarray | AnforderungOptional | Werte und Limits | Standard— |
Feldmetadata | Typobject | AnforderungOptional | Werte und Limits | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional | Vertragstream, system, temperature, top_p, top_k, stop_sequences, metadata |
Parametermaterial_types | Vertragtext |
Parameterconditions | VertragUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 256000 bytes. |
Lebenszyklus: synchronous_json
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Tokens | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "cohere/north-mini-code:free", "messages": [{"role": "user", "content": "Summarize the supplied text in three concise points."}], "stream": false, "max_tokens": 256}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nJSON
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Retain the complete response, all actual results, original identifiers, usage and response headers.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Ailoot Ultra cohere/north-mini-code:free
Verwenden Sie die oben angezeigten Methodenpfade.