Cohere: North Mini Code (free)

North Mini Code 1.0 est le modèle de Cohere pour le génie logiciel agentique, les tâches en terminal et la génération de code. Il reçoit du texte et produit du texte, notamment du code, des explications et des demandes d’outils. Le fabricant a publié ses poids sous licence Apache 2.0 et le présente comme le premier modèle de la famille d’agents de programmation North. Il s’agit d’un profil spécialisé en programmation plutôt que d’un modèle de compréhension d’images ou d’un évaluateur générique de décisions.

Architecture clairsemée et préparation à la programmation

Le modèle compte 30 milliards de paramètres au total, dont environ 3 milliards actifs. Son Transformer à décodeur seul utilise un mélange d’experts clairsemé avec 128 experts, dont huit activés par token, et une couche dense avant les couches clairsemées. L’attention à fenêtre glissante avec positions rotatives alterne avec une attention globale sans embeddings positionnels selon un rapport de 3:1. Le nombre de paramètres actifs décrit le calcul utilisé pour un token, pas l’ensemble des poids à stocker.

Le post-entraînement de Cohere utilise deux étapes d’ajustement supervisé, suivies d’un apprentissage par renforcement avec récompenses vérifiables, axé sur le génie logiciel et le travail en terminal. L’éditeur décrit un entraînement sur plusieurs environnements d’agents plutôt que sur une seule structure fixe. Cela permet de préparer une tâche autour du comportement requis et des outils disponibles, tandis que l’environnement d’exécution reste chargé d’obtenir les fichiers, d’exécuter les commandes et de renvoyer les observations.

Préparer une modification à l’échelle du dépôt

Fournissez le code et le comportement actuels, la modification demandée, les limites pertinentes des fichiers ou interfaces et les éléments qui permettront d’établir l’achèvement. Pour un bug, incluez l’erreur observée ou l’entrée qui échoue, ainsi que le résultat attendu. Pour une fonctionnalité, précisez le comportement requis et les contraintes de compatibilité. Un livrable final utile est une proposition de modification du code accompagnée d’une explication et des résultats des vérifications réellement exécutées.

Une demande illustrative peut consister à adapter un analyseur à une entrée supplémentaire prise en charge, tout en préservant les formats existants. Identifiez des entrées représentatives et la partie du dépôt qui définit le comportement de l’analyseur. Le modèle peut utiliser le code et les observations des outils pour élaborer la modification ; un correctif généré ou une affirmation selon laquelle une commande devrait fonctionner ne prouve pas que cette commande a réussi.

Outils de terminal et observations structurées

La fiche native du modèle documente son entraînement à l’utilisation d’outils et recommande des descriptions d’outils en schéma JSON via le gabarit de conversation. Décrivez clairement la finalité et les arguments d’un outil. Un outil d’exécution de commandes peut renvoyer la sortie et le statut réels, tandis qu’un outil d’inspection de fichiers peut renvoyer les éléments nécessaires à l’étape suivante. Gardez chaque résultat d’outil associé à l’identifiant de son appel, afin que l’analyse ultérieure utilise l’observation prévue.

L’exemple de l’éditeur conserve un appel d’outil et le raisonnement de l’assistant dans l’historique, exécute l’outil et ajoute son résultat avant de générer à nouveau. Son exemple de gabarit natif utilise un dictionnaire structuré pour le résultat de l’outil. Préservez cette représentation conformément à l’intégration documentée, plutôt que de supposer que toutes les autres API sérialisent les résultats d’outils de la même manière. Un schéma JSON décrivant les arguments d’un outil ne constitue pas une affirmation de prise en charge de sorties finales contraintes par un schéma arbitraire.

Raisonnement entrelacé et historique sur plusieurs tours

North Mini Code prend en charge le raisonnement entrelacé, dont l’éditeur recommande l’activation pour le travail agentique. Reportez le raisonnement généré par le modèle et les appels d’outils dans les étapes d’agent et les tours de conversation suivants. L’exemple natif conserve un champ de raisonnement avec le message de l’assistant, puis renvoie l’observation d’outil correspondante. Cela préserve les informations utilisées par le modèle pour décider de ce qu’il faut inspecter ou modifier ensuite.

Conservez l’objectif actuel, les sources et les observations réelles dans l’historique de la tâche. Pour une tâche de dépôt plus longue, résumez le résultat final autour du comportement modifié et du livrable utile, tout en gardant les éléments nécessaires à sa révision. Le raisonnement entrelacé n’implique pas qu’une réponse visible courte n’a nécessité aucune analyse, et n’établit pas non plus qu’une action décrite par le modèle a déjà eu lieu.

Tâches autonomes de code et d’explication

Le fabricant mentionne également la programmation scientifique et le raisonnement algorithmique en dehors d’une boucle d’agent. Fournissez la définition du problème, les formats d’entrée et de sortie, les contraintes, les hypothèses numériques pertinentes et le comportement attendu aux limites. Demandez une fonction ou un programme complet lorsque c’est le livrable requis, avec une explication au niveau utile pour le lecteur.

Pour une explication de code, fournissez l’implémentation et le comportement ou la dépendance précis à éclaircir. Pour du code de visualisation de données, identifiez les champs fournis et la comparaison recherchée plutôt que de laisser la finalité du graphique implicite. Les exemples de développement de l’éditeur comprennent l’explication de code, l’édition, la visualisation et l’implémentation à partir d’une spécification. Ce sont des schémas de tâches de génération ou de modification de code, pas une promesse de résultats corrects pour chaque dépôt ou framework.

Contexte, sortie et paramètres de génération

La fiche du modèle et la page API du fabricant indiquent une fenêtre de contexte de 256K tokens et une sortie maximale de 64K tokens. Préparez les contenus de dépôt volumineux en tenant compte de ces capacités distinctes et de la taille du livrable final. Préservez les limites et les identifiants des sources, et supprimez les éléments non pertinents plutôt que de supposer qu’une grande fenêtre dispense d’un brief ciblé.

La fiche native du modèle recommande temperature 1.0 et top_p 0.95 pour la génération et utilise le gabarit de conversation du modèle, y compris une invite de génération, pour les processus textuels et avec outils. Les limites de sortie de ses exemples sont des réglages propres à ces exemples, pas un remplacement du maximum publié du modèle. Cohere publie des poids BF16 et un livrable FP8 nommé séparément. Choisissez le livrable adapté lorsque vous préparez un déploiement.

Un résultat North Mini Code utile est un livrable de code inspectable ou une explication technique reliée aux exigences fournies. Comparez le résultat au comportement initial et aux sorties réelles des outils, vérifiez les hypothèses qui influencent le code et conservez les sources et observations nécessaires à la révision. Le modèle de programmation exclusivement textuel fournit un raisonnement et du contenu généré ; l’application environnante réalise les opérations qui transforment ces propositions en une tâche logicielle achevée.