North Mini Code 1.0 es el modelo de Cohere para ingeniería de software con agentes, tareas de terminal y generación de código. Recibe texto y produce texto, incluidos código, explicaciones y solicitudes de herramientas. El fabricante publicó sus pesos bajo Apache 2.0 y lo identifica como el primer modelo de la familia de agentes de programación North. Es un perfil especializado en programación, no un modelo de comprensión de imágenes ni un evaluador genérico de decisiones.
El modelo tiene 30 mil millones de parámetros totales y unos 3 mil millones activos. Su Transformer solo decodificador utiliza una mezcla dispersa de expertos con 128 expertos, ocho activados por token, y una capa densa antes de las capas dispersas. La atención de ventana deslizante con posiciones rotatorias se intercala con atención global sin embeddings posicionales en una proporción de 3:1. La cifra de parámetros activos describe el cálculo empleado para un token, no el conjunto total de pesos que debe almacenarse.
El posentrenamiento de Cohere utiliza dos etapas de ajuste fino supervisado seguidas de aprendizaje por refuerzo con recompensas verificables, centrado en ingeniería de software y trabajo de terminal. El productor describe un entrenamiento con múltiples entornos de ejecución de agentes en lugar de una única estructura fija. Esto permite preparar una tarea alrededor del comportamiento requerido y las herramientas disponibles, mientras que el entorno que lo rodea sigue siendo responsable de obtener archivos, ejecutar comandos y devolver observaciones.
Proporciona el código y el comportamiento actuales, el cambio solicitado, los límites pertinentes de archivos o interfaces y las pruebas que permitirán establecer que la tarea está completa. Para un error, incluye el fallo observado o la entrada que lo provoca y el resultado esperado. Para una función, indica el comportamiento requerido y las restricciones de compatibilidad. Un resultado final útil es una propuesta de cambio de código con una explicación y los resultados de comprobaciones que realmente se hayan ejecutado.
Una solicitud ilustrativa puede pedir que se actualice un analizador para admitir una entrada adicional conservando los formatos existentes. Identifica entradas representativas y la parte del repositorio que define el comportamiento del analizador. El modelo puede utilizar código y observaciones de herramientas para desarrollar el cambio; un parche generado o una afirmación de que un comando debería ejecutarse no demuestran que el comando haya tenido éxito.
La ficha nativa del modelo documenta el entrenamiento para usar herramientas y recomienda describirlas mediante esquemas JSON a través de la plantilla de chat del modelo. Describe con claridad la función y los argumentos de cada herramienta. Una herramienta de ejecución de comandos puede devolver la salida y el estado reales, mientras que una herramienta de inspección de archivos puede devolver el material que necesita el siguiente paso. Mantén cada resultado asociado al identificador de su llamada para que el análisis posterior utilice la observación prevista.
El ejemplo del productor conserva en el historial una llamada a herramienta y el razonamiento del asistente, ejecuta la herramienta y añade su resultado antes de generar de nuevo. El ejemplo de la plantilla nativa utiliza un diccionario estructurado para el resultado de la herramienta. Conserva esa representación conforme a la integración documentada en lugar de suponer que cualquier API ajena serializa los resultados de herramientas de la misma manera. Un esquema JSON que describe los argumentos de una herramienta no equivale a afirmar que se admite cualquier salida final restringida por un esquema.
North Mini Code admite razonamiento intercalado, que el productor recomienda activar para el trabajo con agentes. Lleva el contenido de razonamiento generado por el modelo y las llamadas a herramientas a los pasos posteriores del agente y los turnos de conversación. El ejemplo nativo conserva un campo de razonamiento en el mensaje del asistente y devuelve después la observación de la herramienta correspondiente. Así se conserva la información que utilizó el modelo al decidir qué inspeccionar o cambiar a continuación.
Mantén el objetivo actual, el material fuente y las observaciones reales en el historial de la tarea. Para una tarea de repositorio más larga, resume el resultado final alrededor del comportamiento cambiado y el artefacto útil, conservando las pruebas necesarias para revisarlo. El razonamiento intercalado no implica que una respuesta visible breve no haya requerido análisis, ni demuestra que una acción descrita por el modelo ya se haya realizado.
El fabricante también menciona la programación científica y el razonamiento algorítmico fuera de un bucle de agente. Proporciona la definición del problema, el formato de entrada y salida, las restricciones, las hipótesis numéricas pertinentes y el comportamiento esperado en los límites. Solicita una función o un programa completo cuando ese sea el resultado necesario, con una explicación adaptada a las necesidades del lector.
Para explicar código, proporciona la implementación y el comportamiento o la dependencia concretos que quieras aclarar. Para código de visualización de datos, identifica los campos proporcionados y la comparación deseada, en lugar de dejar implícito el propósito del gráfico. Los ejemplos de desarrollo del productor incluyen explicación y edición de código, visualización e implementación a partir de una especificación. Son patrones de tareas para generar o modificar código, no una promesa de resultados correctos para cualquier repositorio o framework.
La ficha del fabricante y la página de la API indican una ventana de contexto de 256K tokens y una salida máxima de 64K tokens. Prepara el material abundante del repositorio teniendo en cuenta esos límites por separado y el tamaño del resultado final. Mantén intactos los límites e identificadores de las fuentes y elimina el material irrelevante en lugar de suponer que una ventana grande elimina la necesidad de instrucciones enfocadas.
La ficha nativa recomienda temperatura 1.0 y top_p 0.95 para la generación y utiliza la plantilla de chat del modelo, incluido un prompt de generación, en flujos de texto y herramientas. Los límites de salida de sus ejemplos son ajustes de esos ejemplos, no sustitutos del máximo publicado del modelo. Cohere publica pesos BF16 y un artefacto FP8 identificado por separado. Selecciona el artefacto apropiado al preparar un despliegue.
Un resultado útil de North Mini Code es un artefacto de código inspeccionable o una explicación técnica vinculados a los requisitos proporcionados. Compara el resultado con el comportamiento original y la salida real de las herramientas, comprueba las hipótesis que afectan al código y conserva las fuentes y observaciones necesarias para la revisión. El modelo textual de programación aporta razonamiento y contenido generado; la aplicación que lo rodea realiza las operaciones que convierten esas propuestas en una tarea de software completada.
", "aboutText": "North Mini Code 1.0 es el modelo de Cohere para ingeniería de software con agentes, tareas de terminal y generación de código. Recibe texto y produce texto, incluidos código, explicaciones y solicitudes de herramientas. El fabricante publicó sus pesos bajo Apache 2.0 y lo identifica como el primer modelo de la familia de agentes de programación North. Es un perfil especializado en programación, no un modelo de comprensión de imágenes ni un evaluador genérico de decisiones.\n\n### Arquitectura dispersa y preparación para programación\n\nEl modelo tiene 30 mil millones de parámetros totales y unos 3 mil millones activos. Su Transformer solo decodificador utiliza una mezcla dispersa de expertos con 128 expertos, ocho activados por token, y una capa densa antes de las capas dispersas. La atención de ventana deslizante con posiciones rotatorias se intercala con atención global sin embeddings posicionales en una proporción de 3:1. La cifra de parámetros activos describe el cálculo empleado para un token, no el conjunto total de pesos que debe almacenarse.\n\nEl posentrenamiento de Cohere utiliza dos etapas de ajuste fino supervisado seguidas de aprendizaje por refuerzo con recompensas verificables, centrado en ingeniería de software y trabajo de terminal. El productor describe un entrenamiento con múltiples entornos de ejecución de agentes en lugar de una única estructura fija. Esto permite preparar una tarea alrededor del comportamiento requerido y las herramientas disponibles, mientras que el entorno que lo rodea sigue siendo responsable de obtener archivos, ejecutar comandos y devolver observaciones.\n\n### Prepara un cambio en el repositorio\n\nProporciona el código y el comportamiento actuales, el cambio solicitado, los límites pertinentes de archivos o interfaces y las pruebas que permitirán establecer que la tarea está completa. Para un error, incluye el fallo observado o la entrada que lo provoca y el resultado esperado. Para una función, indica el comportamiento requerido y las restricciones de compatibilidad. Un resultado final útil es una propuesta de cambio de código con una explicación y los resultados de comprobaciones que realmente se hayan ejecutado.\n\nUna solicitud ilustrativa puede pedir que se actualice un analizador para admitir una entrada adicional conservando los formatos existentes. Identifica entradas representativas y la parte del repositorio que define el comportamiento del analizador. El modelo puede utilizar código y observaciones de herramientas para desarrollar el cambio; un parche generado o una afirmación de que un comando debería ejecutarse no demuestran que el comando haya tenido éxito.\n\n### Herramientas de terminal y observaciones estructuradas\n\nLa ficha nativa del modelo documenta el entrenamiento para usar herramientas y recomienda describirlas mediante esquemas JSON a través de la plantilla de chat del modelo. Describe con claridad la función y los argumentos de cada herramienta. Una herramienta de ejecución de comandos puede devolver la salida y el estado reales, mientras que una herramienta de inspección de archivos puede devolver el material que necesita el siguiente paso. Mantén cada resultado asociado al identificador de su llamada para que el análisis posterior utilice la observación prevista.\n\nEl ejemplo del productor conserva en el historial una llamada a herramienta y el razonamiento del asistente, ejecuta la herramienta y añade su resultado antes de generar de nuevo. El ejemplo de la plantilla nativa utiliza un diccionario estructurado para el resultado de la herramienta. Conserva esa representación conforme a la integración documentada en lugar de suponer que cualquier API ajena serializa los resultados de herramientas de la misma manera. Un esquema JSON que describe los argumentos de una herramienta no equivale a afirmar que se admite cualquier salida final restringida por un esquema.\n\n### Razonamiento intercalado e historial de varios turnos\n\nNorth Mini Code admite razonamiento intercalado, que el productor recomienda activar para el trabajo con agentes. Lleva el contenido de razonamiento generado por el modelo y las llamadas a herramientas a los pasos posteriores del agente y los turnos de conversación. El ejemplo nativo conserva un campo de razonamiento en el mensaje del asistente y devuelve después la observación de la herramienta correspondiente. Así se conserva la información que utilizó el modelo al decidir qué inspeccionar o cambiar a continuación.\n\nMantén el objetivo actual, el material fuente y las observaciones reales en el historial de la tarea. Para una tarea de repositorio más larga, resume el resultado final alrededor del comportamiento cambiado y el artefacto útil, conservando las pruebas necesarias para revisarlo. El razonamiento intercalado no implica que una respuesta visible breve no haya requerido análisis, ni demuestra que una acción descrita por el modelo ya se haya realizado.\n\n### Tareas independientes de código y explicación\n\nEl fabricante también menciona la programación científica y el razonamiento algorítmico fuera de un bucle de agente. Proporciona la definición del problema, el formato de entrada y salida, las restricciones, las hipótesis numéricas pertinentes y el comportamiento esperado en los límites. Solicita una función o un programa completo cuando ese sea el resultado necesario, con una explicación adaptada a las necesidades del lector.\n\nPara explicar código, proporciona la implementación y el comportamiento o la dependencia concretos que quieras aclarar. Para código de visualización de datos, identifica los campos proporcionados y la comparación deseada, en lugar de dejar implícito el propósito del gráfico. Los ejemplos de desarrollo del productor incluyen explicación y edición de código, visualización e implementación a partir de una especificación. Son patrones de tareas para generar o modificar código, no una promesa de resultados correctos para cualquier repositorio o framework.\n\n### Contexto, salida y ajustes de generación\n\nLa ficha del fabricante y la página de la API indican una ventana de contexto de 256K tokens y una salida máxima de 64K tokens. Prepara el material abundante del repositorio teniendo en cuenta esos límites por separado y el tamaño del resultado final. Mantén intactos los límites e identificadores de las fuentes y elimina el material irrelevante en lugar de suponer que una ventana grande elimina la necesidad de instrucciones enfocadas.\n\nLa ficha nativa recomienda temperatura 1.0 y top_p 0.95 para la generación y utiliza la plantilla de chat del modelo, incluido un prompt de generación, en flujos de texto y herramientas. Los límites de salida de sus ejemplos son ajustes de esos ejemplos, no sustitutos del máximo publicado del modelo. Cohere publica pesos BF16 y un artefacto FP8 identificado por separado. Selecciona el artefacto apropiado al preparar un despliegue.\n\nUn resultado útil de North Mini Code es un artefacto de código inspeccionable o una explicación técnica vinculados a los requisitos proporcionados. Compara el resultado con el comportamiento original y la salida real de las herramientas, comprueba las hipótesis que afectan al código y conserva las fuentes y observaciones necesarias para la revisión. El modelo textual de programación aporta razonamiento y contenido generado; la aplicación que lo rodea realiza las operaciones que convierten esas propuestas en una tarea de software completada.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "51333a67509640baf11fd91a43bce88201b5cad6a5c919e141e80da95d802ac1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "cohere/north-mini-code:freeNorth Mini Code 1.0 es el modelo de Cohere exclusivamente textual para generación de código, cambios en repositorios y tareas de agentes mediante terminal. Su diseño disperso de 30B de parámetros totales y 3B activos admite herramientas y razonamiento intercalado, con un contexto documentado de 256K y una salida de hasta 64K.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
North Mini Code 1.0 es el modelo de Cohere para ingeniería de software con agentes, tareas de terminal y generación de código. Recibe texto y produce texto, incluidos código, explicaciones y solicitudes de herramientas. El fabricante publicó sus pesos bajo Apache 2.0 y lo identifica como el primer modelo de la familia de agentes de programación North. Es un perfil especializado en programación, no un modelo de comprensión de imágenes ni un evaluador genérico de decisiones.
El modelo tiene 30 mil millones de parámetros totales y unos 3 mil millones activos. Su Transformer solo decodificador utiliza una mezcla dispersa de expertos con 128 expertos, ocho activados por token, y una capa densa antes de las capas dispersas. La atención de ventana deslizante con posiciones rotatorias se intercala con atención global sin embeddings posicionales en una proporción de 3:1. La cifra de parámetros activos describe el cálculo empleado para un token, no el conjunto total de pesos que debe almacenarse.
El posentrenamiento de Cohere utiliza dos etapas de ajuste fino supervisado seguidas de aprendizaje por refuerzo con recompensas verificables, centrado en ingeniería de software y trabajo de terminal. El productor describe un entrenamiento con múltiples entornos de ejecución de agentes en lugar de una única estructura fija. Esto permite preparar una tarea alrededor del comportamiento requerido y las herramientas disponibles, mientras que el entorno que lo rodea sigue siendo responsable de obtener archivos, ejecutar comandos y devolver observaciones.
Proporciona el código y el comportamiento actuales, el cambio solicitado, los límites pertinentes de archivos o interfaces y las pruebas que permitirán establecer que la tarea está completa. Para un error, incluye el fallo observado o la entrada que lo provoca y el resultado esperado. Para una función, indica el comportamiento requerido y las restricciones de compatibilidad. Un resultado final útil es una propuesta de cambio de código con una explicación y los resultados de comprobaciones que realmente se hayan ejecutado.
Una solicitud ilustrativa puede pedir que se actualice un analizador para admitir una entrada adicional conservando los formatos existentes. Identifica entradas representativas y la parte del repositorio que define el comportamiento del analizador. El modelo puede utilizar código y observaciones de herramientas para desarrollar el cambio; un parche generado o una afirmación de que un comando debería ejecutarse no demuestran que el comando haya tenido éxito.
La ficha nativa del modelo documenta el entrenamiento para usar herramientas y recomienda describirlas mediante esquemas JSON a través de la plantilla de chat del modelo. Describe con claridad la función y los argumentos de cada herramienta. Una herramienta de ejecución de comandos puede devolver la salida y el estado reales, mientras que una herramienta de inspección de archivos puede devolver el material que necesita el siguiente paso. Mantén cada resultado asociado al identificador de su llamada para que el análisis posterior utilice la observación prevista.
El ejemplo del productor conserva en el historial una llamada a herramienta y el razonamiento del asistente, ejecuta la herramienta y añade su resultado antes de generar de nuevo. El ejemplo de la plantilla nativa utiliza un diccionario estructurado para el resultado de la herramienta. Conserva esa representación conforme a la integración documentada en lugar de suponer que cualquier API ajena serializa los resultados de herramientas de la misma manera. Un esquema JSON que describe los argumentos de una herramienta no equivale a afirmar que se admite cualquier salida final restringida por un esquema.
North Mini Code admite razonamiento intercalado, que el productor recomienda activar para el trabajo con agentes. Lleva el contenido de razonamiento generado por el modelo y las llamadas a herramientas a los pasos posteriores del agente y los turnos de conversación. El ejemplo nativo conserva un campo de razonamiento en el mensaje del asistente y devuelve después la observación de la herramienta correspondiente. Así se conserva la información que utilizó el modelo al decidir qué inspeccionar o cambiar a continuación.
Mantén el objetivo actual, el material fuente y las observaciones reales en el historial de la tarea. Para una tarea de repositorio más larga, resume el resultado final alrededor del comportamiento cambiado y el artefacto útil, conservando las pruebas necesarias para revisarlo. El razonamiento intercalado no implica que una respuesta visible breve no haya requerido análisis, ni demuestra que una acción descrita por el modelo ya se haya realizado.
El fabricante también menciona la programación científica y el razonamiento algorítmico fuera de un bucle de agente. Proporciona la definición del problema, el formato de entrada y salida, las restricciones, las hipótesis numéricas pertinentes y el comportamiento esperado en los límites. Solicita una función o un programa completo cuando ese sea el resultado necesario, con una explicación adaptada a las necesidades del lector.
Para explicar código, proporciona la implementación y el comportamiento o la dependencia concretos que quieras aclarar. Para código de visualización de datos, identifica los campos proporcionados y la comparación deseada, en lugar de dejar implícito el propósito del gráfico. Los ejemplos de desarrollo del productor incluyen explicación y edición de código, visualización e implementación a partir de una especificación. Son patrones de tareas para generar o modificar código, no una promesa de resultados correctos para cualquier repositorio o framework.
La ficha del fabricante y la página de la API indican una ventana de contexto de 256K tokens y una salida máxima de 64K tokens. Prepara el material abundante del repositorio teniendo en cuenta esos límites por separado y el tamaño del resultado final. Mantén intactos los límites e identificadores de las fuentes y elimina el material irrelevante en lugar de suponer que una ventana grande elimina la necesidad de instrucciones enfocadas.
La ficha nativa recomienda temperatura 1.0 y top_p 0.95 para la generación y utiliza la plantilla de chat del modelo, incluido un prompt de generación, en flujos de texto y herramientas. Los límites de salida de sus ejemplos son ajustes de esos ejemplos, no sustitutos del máximo publicado del modelo. Cohere publica pesos BF16 y un artefacto FP8 identificado por separado. Selecciona el artefacto apropiado al preparar un despliegue.
Un resultado útil de North Mini Code es un artefacto de código inspeccionable o una explicación técnica vinculados a los requisitos proporcionados. Compara el resultado con el comportamiento original y la salida real de las herramientas, comprueba las hipótesis que afectan al código y conserva las fuentes y observaciones necesarias para la revisión. El modelo textual de programación aporta razonamiento y contenido generado; la aplicación que lo rodea realiza las operaciones que convierten esas propuestas en una tarea de software completada.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites cohere/north-mini-code:free | Predeterminado— |
Campomessages | Tipoarray | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites false | Predeterminadofalse |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Máximo: 64.000 | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Máximo: 64.000 | Predeterminado— |
Campon | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Máximo: 128 | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites | Predeterminado— |
Camposeed | Tipointeger | RequisitoOpcional | Valores y límites | Predeterminado— |
Campostop | Tipo | RequisitoOpcional | Valores y límites | Predeterminado— |
Campofrequency_penalty | Tiponumber | RequisitoOpcional | Valores y límites | Predeterminado— |
Campopresence_penalty | Tiponumber | RequisitoOpcional | Valores y límites | Predeterminado— |
Campouser | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetrooptional | Contratostream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Parámetromaterial_types | Contratotext |
Parámetroconditions | ContratoUse 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. |
Ciclo de vida: synchronous_json
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
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
Usa las rutas de método indicadas arriba.
cohere/north-mini-code:freeNorth Mini Code 1.0 es el modelo de Cohere exclusivamente textual para generación de código, cambios en repositorios y tareas de agentes mediante terminal. Su diseño disperso de 30B de parámetros totales y 3B activos admite herramientas y razonamiento intercalado, con un contexto documentado de 256K y una salida de hasta 64K.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
North Mini Code 1.0 es el modelo de Cohere para ingeniería de software con agentes, tareas de terminal y generación de código. Recibe texto y produce texto, incluidos código, explicaciones y solicitudes de herramientas. El fabricante publicó sus pesos bajo Apache 2.0 y lo identifica como el primer modelo de la familia de agentes de programación North. Es un perfil especializado en programación, no un modelo de comprensión de imágenes ni un evaluador genérico de decisiones.
El modelo tiene 30 mil millones de parámetros totales y unos 3 mil millones activos. Su Transformer solo decodificador utiliza una mezcla dispersa de expertos con 128 expertos, ocho activados por token, y una capa densa antes de las capas dispersas. La atención de ventana deslizante con posiciones rotatorias se intercala con atención global sin embeddings posicionales en una proporción de 3:1. La cifra de parámetros activos describe el cálculo empleado para un token, no el conjunto total de pesos que debe almacenarse.
El posentrenamiento de Cohere utiliza dos etapas de ajuste fino supervisado seguidas de aprendizaje por refuerzo con recompensas verificables, centrado en ingeniería de software y trabajo de terminal. El productor describe un entrenamiento con múltiples entornos de ejecución de agentes en lugar de una única estructura fija. Esto permite preparar una tarea alrededor del comportamiento requerido y las herramientas disponibles, mientras que el entorno que lo rodea sigue siendo responsable de obtener archivos, ejecutar comandos y devolver observaciones.
Proporciona el código y el comportamiento actuales, el cambio solicitado, los límites pertinentes de archivos o interfaces y las pruebas que permitirán establecer que la tarea está completa. Para un error, incluye el fallo observado o la entrada que lo provoca y el resultado esperado. Para una función, indica el comportamiento requerido y las restricciones de compatibilidad. Un resultado final útil es una propuesta de cambio de código con una explicación y los resultados de comprobaciones que realmente se hayan ejecutado.
Una solicitud ilustrativa puede pedir que se actualice un analizador para admitir una entrada adicional conservando los formatos existentes. Identifica entradas representativas y la parte del repositorio que define el comportamiento del analizador. El modelo puede utilizar código y observaciones de herramientas para desarrollar el cambio; un parche generado o una afirmación de que un comando debería ejecutarse no demuestran que el comando haya tenido éxito.
La ficha nativa del modelo documenta el entrenamiento para usar herramientas y recomienda describirlas mediante esquemas JSON a través de la plantilla de chat del modelo. Describe con claridad la función y los argumentos de cada herramienta. Una herramienta de ejecución de comandos puede devolver la salida y el estado reales, mientras que una herramienta de inspección de archivos puede devolver el material que necesita el siguiente paso. Mantén cada resultado asociado al identificador de su llamada para que el análisis posterior utilice la observación prevista.
El ejemplo del productor conserva en el historial una llamada a herramienta y el razonamiento del asistente, ejecuta la herramienta y añade su resultado antes de generar de nuevo. El ejemplo de la plantilla nativa utiliza un diccionario estructurado para el resultado de la herramienta. Conserva esa representación conforme a la integración documentada en lugar de suponer que cualquier API ajena serializa los resultados de herramientas de la misma manera. Un esquema JSON que describe los argumentos de una herramienta no equivale a afirmar que se admite cualquier salida final restringida por un esquema.
North Mini Code admite razonamiento intercalado, que el productor recomienda activar para el trabajo con agentes. Lleva el contenido de razonamiento generado por el modelo y las llamadas a herramientas a los pasos posteriores del agente y los turnos de conversación. El ejemplo nativo conserva un campo de razonamiento en el mensaje del asistente y devuelve después la observación de la herramienta correspondiente. Así se conserva la información que utilizó el modelo al decidir qué inspeccionar o cambiar a continuación.
Mantén el objetivo actual, el material fuente y las observaciones reales en el historial de la tarea. Para una tarea de repositorio más larga, resume el resultado final alrededor del comportamiento cambiado y el artefacto útil, conservando las pruebas necesarias para revisarlo. El razonamiento intercalado no implica que una respuesta visible breve no haya requerido análisis, ni demuestra que una acción descrita por el modelo ya se haya realizado.
El fabricante también menciona la programación científica y el razonamiento algorítmico fuera de un bucle de agente. Proporciona la definición del problema, el formato de entrada y salida, las restricciones, las hipótesis numéricas pertinentes y el comportamiento esperado en los límites. Solicita una función o un programa completo cuando ese sea el resultado necesario, con una explicación adaptada a las necesidades del lector.
Para explicar código, proporciona la implementación y el comportamiento o la dependencia concretos que quieras aclarar. Para código de visualización de datos, identifica los campos proporcionados y la comparación deseada, en lugar de dejar implícito el propósito del gráfico. Los ejemplos de desarrollo del productor incluyen explicación y edición de código, visualización e implementación a partir de una especificación. Son patrones de tareas para generar o modificar código, no una promesa de resultados correctos para cualquier repositorio o framework.
La ficha del fabricante y la página de la API indican una ventana de contexto de 256K tokens y una salida máxima de 64K tokens. Prepara el material abundante del repositorio teniendo en cuenta esos límites por separado y el tamaño del resultado final. Mantén intactos los límites e identificadores de las fuentes y elimina el material irrelevante en lugar de suponer que una ventana grande elimina la necesidad de instrucciones enfocadas.
La ficha nativa recomienda temperatura 1.0 y top_p 0.95 para la generación y utiliza la plantilla de chat del modelo, incluido un prompt de generación, en flujos de texto y herramientas. Los límites de salida de sus ejemplos son ajustes de esos ejemplos, no sustitutos del máximo publicado del modelo. Cohere publica pesos BF16 y un artefacto FP8 identificado por separado. Selecciona el artefacto apropiado al preparar un despliegue.
Un resultado útil de North Mini Code es un artefacto de código inspeccionable o una explicación técnica vinculados a los requisitos proporcionados. Compara el resultado con el comportamiento original y la salida real de las herramientas, comprueba las hipótesis que afectan al código y conserva las fuentes y observaciones necesarias para la revisión. El modelo textual de programación aporta razonamiento y contenido generado; la aplicación que lo rodea realiza las operaciones que convierten esas propuestas en una tarea de software completada.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites cohere/north-mini-code:free | Predeterminado— |
Campomessages | Tipoarray | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites false | Predeterminadofalse |
Camposystem | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites Mínimo: 1 Máximo: 64.000 | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotop_k | Tipointeger | RequisitoOpcional | Valores y límites | Predeterminado— |
Campostop_sequences | Tipoarray | RequisitoOpcional | Valores y límites | Predeterminado— |
Campometadata | Tipoobject | RequisitoOpcional | Valores y límites | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional | Contratostream, system, temperature, top_p, top_k, stop_sequences, metadata |
Parámetromaterial_types | Contratotext |
Parámetroconditions | ContratoUse 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. |
Ciclo de vida: synchronous_json
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
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
Usa las rutas de método indicadas arriba.