North Mini Code 1.0 est le modèle de Cohere pour l’ingénierie logicielle agentique, les tâches de 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. C’est un profil spécialisé en programmation plutôt qu’un modèle de compréhension d’images ou un évaluateur généraliste de décisions.
Le modèle compte 30 milliards de paramètres au total, dont environ 3 milliards actifs. Son Transformer à décodeur seul utilise un mélange d’experts parcimonieux de 128 experts, avec huit experts activés par token et une couche dense avant les couches parcimonieuses. L’attention à fenêtre glissante avec positions rotatives alterne avec une attention globale sans représentations vectorielles positionnelles dans 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 comporte deux étapes d’affinage supervisé, suivies d’un apprentissage par renforcement à récompenses vérifiables, centrés sur l’ingénierie logicielle et le terminal. Le producteur décrit un entraînement dans plusieurs environnements d’orchestration d’agents plutôt que sur une structure fixe unique. Cela permet de préparer une tâche autour du comportement requis et des outils disponibles, tandis que l’environnement reste chargé d’obtenir les fichiers, d’exécuter les commandes et de renvoyer les observations.
Fournissez le code et le comportement actuels, la modification demandée, les frontières pertinentes des fichiers ou interfaces et les éléments qui établiront l’achèvement. Pour un bug, incluez l’erreur observée ou l’entrée défaillante et le résultat attendu. Pour une fonctionnalité, précisez le comportement requis et les contraintes de compatibilité. Un artefact final utile est une modification de code proposée, accompagnée d’une explication et des résultats des vérifications réellement exécutées.
Une demande illustrative peut porter sur l’adaptation d’un analyseur à une entrée supplémentaire prise en charge, tout en conservant 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 d’outils pour développer la modification; un correctif généré ou l’affirmation qu’une commande devrait fonctionner ne prouve pas qu’elle a réussi.
La fiche native documente l’entraînement à l’utilisation d’outils et recommande des descriptions JSON Schema dans le modèle de conversation. Décrivez clairement l’objectif 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 le contenu nécessaire à l’étape suivante. Associez chaque résultat à son identifiant d’appel afin que l’analyse ultérieure utilise l’observation voulue.
L’exemple du producteur 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 modèle natif utilise un dictionnaire structuré pour le résultat de l’outil. Conservez cette représentation conformément à l’intégration documentée, au lieu de supposer que toute autre API sérialise les résultats de la même façon. Un schéma JSON décrivant les arguments d’un outil diffère d’une prise en charge de sorties finales arbitrairement contraintes par un schéma.
North Mini Code prend en charge la réflexion entrelacée, que le producteur recommande d’activer pour le travail agentique. Reportez le contenu de réflexion généré par le modèle et les appels d’outils dans les étapes d’agent et tours de conversation suivants. L’exemple natif conserve un champ de raisonnement dans le message de l’assistant et renvoie ensuite l’observation d’outil correspondante. Cela préserve les informations utilisées par le modèle pour décider quoi examiner ou modifier ensuite.
Gardez 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 de l’artefact utile, tout en conservant les éléments nécessaires à sa revue. Le raisonnement entrelacé ne signifie pas qu’une courte réponse visible n’a requis aucune analyse, ni qu’une action décrite par le modèle a déjà eu lieu.
Le fabricant mentionne aussi la programmation scientifique et le raisonnement algorithmique hors 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 si tel est l’artefact requis, avec une explication adaptée au lecteur.
Pour expliquer du code, fournissez l’implémentation et le comportement ou la dépendance précise à clarifier. Pour du code de visualisation de données, identifiez les champs fournis et la comparaison visée au lieu de laisser le but du graphique implicite. Les exemples de développement du producteur couvrent l’explication, l’édition, la visualisation et l’implémentation à partir d’une spécification. Ce sont des schémas de tâches pour générer ou modifier du code, pas une promesse de résultats corrects pour chaque dépôt ou framework.
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 le contenu substantiel du dépôt en tenant compte de ces limites distinctes et de la taille de l’artefact final. Conservez les frontières et identifiants des sources et retirez le contenu non pertinent, plutôt que de supposer qu’une grande fenêtre élimine la nécessité d’un brief ciblé.
La fiche native recommande une température de 1,0 et top_p à 0,95 pour la génération et utilise le modèle de conversation du modèle, avec une invite de génération, pour les processus textuels et d’outils. Les limites de sortie de ses exemples sont des réglages propres à ces exemples, pas un remplacement du maximum publié. Cohere publie des poids BF16 et un artefact FP8 nommé séparément. Choisissez l’artefact adapté lors de la préparation d’un déploiement.
Un résultat North Mini Code utile est un artefact de code ou une explication technique inspectable et reliée aux exigences fournies. Comparez-le au comportement d’origine et aux sorties réelles des outils, vérifiez les hypothèses qui affectent le code et conservez les sources et observations nécessaires à la revue. Le modèle de programmation textuel fournit le raisonnement et le contenu généré; l’application environnante exécute les opérations qui transforment ces propositions en tâche logicielle achevée.
", "aboutText": "North Mini Code 1.0 est le modèle de Cohere pour l’ingénierie logicielle agentique, les tâches de 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. C’est un profil spécialisé en programmation plutôt qu’un modèle de compréhension d’images ou un évaluateur généraliste de décisions.\n\n### Architecture parcimonieuse et préparation à la programmation\n\nLe modèle compte 30 milliards de paramètres au total, dont environ 3 milliards actifs. Son Transformer à décodeur seul utilise un mélange d’experts parcimonieux de 128 experts, avec huit experts activés par token et une couche dense avant les couches parcimonieuses. L’attention à fenêtre glissante avec positions rotatives alterne avec une attention globale sans représentations vectorielles positionnelles dans un rapport de 3:1. Le nombre de paramètres actifs décrit le calcul utilisé pour un token, pas l’ensemble des poids à stocker.\n\nLe post-entraînement de Cohere comporte deux étapes d’affinage supervisé, suivies d’un apprentissage par renforcement à récompenses vérifiables, centrés sur l’ingénierie logicielle et le terminal. Le producteur décrit un entraînement dans plusieurs environnements d’orchestration d’agents plutôt que sur une structure fixe unique. Cela permet de préparer une tâche autour du comportement requis et des outils disponibles, tandis que l’environnement reste chargé d’obtenir les fichiers, d’exécuter les commandes et de renvoyer les observations.\n\n### Préparer une modification à l’échelle du dépôt\n\nFournissez le code et le comportement actuels, la modification demandée, les frontières pertinentes des fichiers ou interfaces et les éléments qui établiront l’achèvement. Pour un bug, incluez l’erreur observée ou l’entrée défaillante et le résultat attendu. Pour une fonctionnalité, précisez le comportement requis et les contraintes de compatibilité. Un artefact final utile est une modification de code proposée, accompagnée d’une explication et des résultats des vérifications réellement exécutées.\n\nUne demande illustrative peut porter sur l’adaptation d’un analyseur à une entrée supplémentaire prise en charge, tout en conservant 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 d’outils pour développer la modification; un correctif généré ou l’affirmation qu’une commande devrait fonctionner ne prouve pas qu’elle a réussi.\n\n### Outils de terminal et observations structurées\n\nLa fiche native documente l’entraînement à l’utilisation d’outils et recommande des descriptions JSON Schema dans le modèle de conversation. Décrivez clairement l’objectif 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 le contenu nécessaire à l’étape suivante. Associez chaque résultat à son identifiant d’appel afin que l’analyse ultérieure utilise l’observation voulue.\n\nL’exemple du producteur 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 modèle natif utilise un dictionnaire structuré pour le résultat de l’outil. Conservez cette représentation conformément à l’intégration documentée, au lieu de supposer que toute autre API sérialise les résultats de la même façon. Un schéma JSON décrivant les arguments d’un outil diffère d’une prise en charge de sorties finales arbitrairement contraintes par un schéma.\n\n### Réflexion entrelacée et historique multitour\n\nNorth Mini Code prend en charge la réflexion entrelacée, que le producteur recommande d’activer pour le travail agentique. Reportez le contenu de réflexion généré par le modèle et les appels d’outils dans les étapes d’agent et tours de conversation suivants. L’exemple natif conserve un champ de raisonnement dans le message de l’assistant et renvoie ensuite l’observation d’outil correspondante. Cela préserve les informations utilisées par le modèle pour décider quoi examiner ou modifier ensuite.\n\nGardez 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 de l’artefact utile, tout en conservant les éléments nécessaires à sa revue. Le raisonnement entrelacé ne signifie pas qu’une courte réponse visible n’a requis aucune analyse, ni qu’une action décrite par le modèle a déjà eu lieu.\n\n### Tâches autonomes de code et d’explication\n\nLe fabricant mentionne aussi la programmation scientifique et le raisonnement algorithmique hors 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 si tel est l’artefact requis, avec une explication adaptée au lecteur.\n\nPour expliquer du code, fournissez l’implémentation et le comportement ou la dépendance précise à clarifier. Pour du code de visualisation de données, identifiez les champs fournis et la comparaison visée au lieu de laisser le but du graphique implicite. Les exemples de développement du producteur couvrent l’explication, l’édition, la visualisation et l’implémentation à partir d’une spécification. Ce sont des schémas de tâches pour générer ou modifier du code, pas une promesse de résultats corrects pour chaque dépôt ou framework.\n\n### Contexte, sortie et réglages de génération\n\nLa 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 le contenu substantiel du dépôt en tenant compte de ces limites distinctes et de la taille de l’artefact final. Conservez les frontières et identifiants des sources et retirez le contenu non pertinent, plutôt que de supposer qu’une grande fenêtre élimine la nécessité d’un brief ciblé.\n\nLa fiche native recommande une température de 1,0 et top_p à 0,95 pour la génération et utilise le modèle de conversation du modèle, avec une invite de génération, pour les processus textuels et d’outils. Les limites de sortie de ses exemples sont des réglages propres à ces exemples, pas un remplacement du maximum publié. Cohere publie des poids BF16 et un artefact FP8 nommé séparément. Choisissez l’artefact adapté lors de la préparation d’un déploiement.\n\nUn résultat North Mini Code utile est un artefact de code ou une explication technique inspectable et reliée aux exigences fournies. Comparez-le au comportement d’origine et aux sorties réelles des outils, vérifiez les hypothèses qui affectent le code et conservez les sources et observations nécessaires à la revue. Le modèle de programmation textuel fournit le raisonnement et le contenu généré; l’application environnante exécute les opérations qui transforment ces propositions en tâche logicielle achevée.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a1a7a4f089bf63b8167fcbec2325db54e1b5de4455834678252fcec49b2f35ed", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "cohere/north-mini-code:freeNorth Mini Code 1.0 est le modèle exclusivement textuel de Cohere pour la génération de code, les modifications de dépôts et les tâches d’agent pilotées par terminal. Son architecture parcimonieuse de 30 milliards de paramètres au total, dont 3 milliards actifs, prend en charge les outils et la réflexion entrelacée, avec un contexte documenté de 256K et une sortie autorisée de 64K.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
North Mini Code 1.0 est le modèle de Cohere pour l’ingénierie logicielle agentique, les tâches de 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. C’est un profil spécialisé en programmation plutôt qu’un modèle de compréhension d’images ou un évaluateur généraliste de décisions.
Le modèle compte 30 milliards de paramètres au total, dont environ 3 milliards actifs. Son Transformer à décodeur seul utilise un mélange d’experts parcimonieux de 128 experts, avec huit experts activés par token et une couche dense avant les couches parcimonieuses. L’attention à fenêtre glissante avec positions rotatives alterne avec une attention globale sans représentations vectorielles positionnelles dans 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 comporte deux étapes d’affinage supervisé, suivies d’un apprentissage par renforcement à récompenses vérifiables, centrés sur l’ingénierie logicielle et le terminal. Le producteur décrit un entraînement dans plusieurs environnements d’orchestration d’agents plutôt que sur une structure fixe unique. Cela permet de préparer une tâche autour du comportement requis et des outils disponibles, tandis que l’environnement reste chargé d’obtenir les fichiers, d’exécuter les commandes et de renvoyer les observations.
Fournissez le code et le comportement actuels, la modification demandée, les frontières pertinentes des fichiers ou interfaces et les éléments qui établiront l’achèvement. Pour un bug, incluez l’erreur observée ou l’entrée défaillante et le résultat attendu. Pour une fonctionnalité, précisez le comportement requis et les contraintes de compatibilité. Un artefact final utile est une modification de code proposée, accompagnée d’une explication et des résultats des vérifications réellement exécutées.
Une demande illustrative peut porter sur l’adaptation d’un analyseur à une entrée supplémentaire prise en charge, tout en conservant 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 d’outils pour développer la modification; un correctif généré ou l’affirmation qu’une commande devrait fonctionner ne prouve pas qu’elle a réussi.
La fiche native documente l’entraînement à l’utilisation d’outils et recommande des descriptions JSON Schema dans le modèle de conversation. Décrivez clairement l’objectif 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 le contenu nécessaire à l’étape suivante. Associez chaque résultat à son identifiant d’appel afin que l’analyse ultérieure utilise l’observation voulue.
L’exemple du producteur 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 modèle natif utilise un dictionnaire structuré pour le résultat de l’outil. Conservez cette représentation conformément à l’intégration documentée, au lieu de supposer que toute autre API sérialise les résultats de la même façon. Un schéma JSON décrivant les arguments d’un outil diffère d’une prise en charge de sorties finales arbitrairement contraintes par un schéma.
North Mini Code prend en charge la réflexion entrelacée, que le producteur recommande d’activer pour le travail agentique. Reportez le contenu de réflexion généré par le modèle et les appels d’outils dans les étapes d’agent et tours de conversation suivants. L’exemple natif conserve un champ de raisonnement dans le message de l’assistant et renvoie ensuite l’observation d’outil correspondante. Cela préserve les informations utilisées par le modèle pour décider quoi examiner ou modifier ensuite.
Gardez 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 de l’artefact utile, tout en conservant les éléments nécessaires à sa revue. Le raisonnement entrelacé ne signifie pas qu’une courte réponse visible n’a requis aucune analyse, ni qu’une action décrite par le modèle a déjà eu lieu.
Le fabricant mentionne aussi la programmation scientifique et le raisonnement algorithmique hors 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 si tel est l’artefact requis, avec une explication adaptée au lecteur.
Pour expliquer du code, fournissez l’implémentation et le comportement ou la dépendance précise à clarifier. Pour du code de visualisation de données, identifiez les champs fournis et la comparaison visée au lieu de laisser le but du graphique implicite. Les exemples de développement du producteur couvrent l’explication, l’édition, la visualisation et l’implémentation à partir d’une spécification. Ce sont des schémas de tâches pour générer ou modifier du code, pas une promesse de résultats corrects pour chaque dépôt ou framework.
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 le contenu substantiel du dépôt en tenant compte de ces limites distinctes et de la taille de l’artefact final. Conservez les frontières et identifiants des sources et retirez le contenu non pertinent, plutôt que de supposer qu’une grande fenêtre élimine la nécessité d’un brief ciblé.
La fiche native recommande une température de 1,0 et top_p à 0,95 pour la génération et utilise le modèle de conversation du modèle, avec une invite de génération, pour les processus textuels et d’outils. Les limites de sortie de ses exemples sont des réglages propres à ces exemples, pas un remplacement du maximum publié. Cohere publie des poids BF16 et un artefact FP8 nommé séparément. Choisissez l’artefact adapté lors de la préparation d’un déploiement.
Un résultat North Mini Code utile est un artefact de code ou une explication technique inspectable et reliée aux exigences fournies. Comparez-le au comportement d’origine et aux sorties réelles des outils, vérifiez les hypothèses qui affectent le code et conservez les sources et observations nécessaires à la revue. Le modèle de programmation textuel fournit le raisonnement et le contenu généré; l’application environnante exécute les opérations qui transforment ces propositions en tâche logicielle achevée.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites cohere/north-mini-code:free | Par défaut— |
Champmessages | Typearray | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites false | Par défautfalse |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Maximum: 64'000 | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Maximum: 64'000 | Par défaut— |
Champn | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Maximum: 128 | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champseed | Typeinteger | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champstop | Type | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champfrequency_penalty | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champpresence_penalty | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champuser | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètreoptional | Contratstream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Paramètrematerial_types | Contrattext |
Paramètreconditions | ContratUse 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. |
Cycle de vie : synchronous_json
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
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
Utilisez les chemins de méthode indiqués ci-dessus.
cohere/north-mini-code:freeNorth Mini Code 1.0 est le modèle exclusivement textuel de Cohere pour la génération de code, les modifications de dépôts et les tâches d’agent pilotées par terminal. Son architecture parcimonieuse de 30 milliards de paramètres au total, dont 3 milliards actifs, prend en charge les outils et la réflexion entrelacée, avec un contexte documenté de 256K et une sortie autorisée de 64K.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
North Mini Code 1.0 est le modèle de Cohere pour l’ingénierie logicielle agentique, les tâches de 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. C’est un profil spécialisé en programmation plutôt qu’un modèle de compréhension d’images ou un évaluateur généraliste de décisions.
Le modèle compte 30 milliards de paramètres au total, dont environ 3 milliards actifs. Son Transformer à décodeur seul utilise un mélange d’experts parcimonieux de 128 experts, avec huit experts activés par token et une couche dense avant les couches parcimonieuses. L’attention à fenêtre glissante avec positions rotatives alterne avec une attention globale sans représentations vectorielles positionnelles dans 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 comporte deux étapes d’affinage supervisé, suivies d’un apprentissage par renforcement à récompenses vérifiables, centrés sur l’ingénierie logicielle et le terminal. Le producteur décrit un entraînement dans plusieurs environnements d’orchestration d’agents plutôt que sur une structure fixe unique. Cela permet de préparer une tâche autour du comportement requis et des outils disponibles, tandis que l’environnement reste chargé d’obtenir les fichiers, d’exécuter les commandes et de renvoyer les observations.
Fournissez le code et le comportement actuels, la modification demandée, les frontières pertinentes des fichiers ou interfaces et les éléments qui établiront l’achèvement. Pour un bug, incluez l’erreur observée ou l’entrée défaillante et le résultat attendu. Pour une fonctionnalité, précisez le comportement requis et les contraintes de compatibilité. Un artefact final utile est une modification de code proposée, accompagnée d’une explication et des résultats des vérifications réellement exécutées.
Une demande illustrative peut porter sur l’adaptation d’un analyseur à une entrée supplémentaire prise en charge, tout en conservant 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 d’outils pour développer la modification; un correctif généré ou l’affirmation qu’une commande devrait fonctionner ne prouve pas qu’elle a réussi.
La fiche native documente l’entraînement à l’utilisation d’outils et recommande des descriptions JSON Schema dans le modèle de conversation. Décrivez clairement l’objectif 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 le contenu nécessaire à l’étape suivante. Associez chaque résultat à son identifiant d’appel afin que l’analyse ultérieure utilise l’observation voulue.
L’exemple du producteur 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 modèle natif utilise un dictionnaire structuré pour le résultat de l’outil. Conservez cette représentation conformément à l’intégration documentée, au lieu de supposer que toute autre API sérialise les résultats de la même façon. Un schéma JSON décrivant les arguments d’un outil diffère d’une prise en charge de sorties finales arbitrairement contraintes par un schéma.
North Mini Code prend en charge la réflexion entrelacée, que le producteur recommande d’activer pour le travail agentique. Reportez le contenu de réflexion généré par le modèle et les appels d’outils dans les étapes d’agent et tours de conversation suivants. L’exemple natif conserve un champ de raisonnement dans le message de l’assistant et renvoie ensuite l’observation d’outil correspondante. Cela préserve les informations utilisées par le modèle pour décider quoi examiner ou modifier ensuite.
Gardez 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 de l’artefact utile, tout en conservant les éléments nécessaires à sa revue. Le raisonnement entrelacé ne signifie pas qu’une courte réponse visible n’a requis aucune analyse, ni qu’une action décrite par le modèle a déjà eu lieu.
Le fabricant mentionne aussi la programmation scientifique et le raisonnement algorithmique hors 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 si tel est l’artefact requis, avec une explication adaptée au lecteur.
Pour expliquer du code, fournissez l’implémentation et le comportement ou la dépendance précise à clarifier. Pour du code de visualisation de données, identifiez les champs fournis et la comparaison visée au lieu de laisser le but du graphique implicite. Les exemples de développement du producteur couvrent l’explication, l’édition, la visualisation et l’implémentation à partir d’une spécification. Ce sont des schémas de tâches pour générer ou modifier du code, pas une promesse de résultats corrects pour chaque dépôt ou framework.
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 le contenu substantiel du dépôt en tenant compte de ces limites distinctes et de la taille de l’artefact final. Conservez les frontières et identifiants des sources et retirez le contenu non pertinent, plutôt que de supposer qu’une grande fenêtre élimine la nécessité d’un brief ciblé.
La fiche native recommande une température de 1,0 et top_p à 0,95 pour la génération et utilise le modèle de conversation du modèle, avec une invite de génération, pour les processus textuels et d’outils. Les limites de sortie de ses exemples sont des réglages propres à ces exemples, pas un remplacement du maximum publié. Cohere publie des poids BF16 et un artefact FP8 nommé séparément. Choisissez l’artefact adapté lors de la préparation d’un déploiement.
Un résultat North Mini Code utile est un artefact de code ou une explication technique inspectable et reliée aux exigences fournies. Comparez-le au comportement d’origine et aux sorties réelles des outils, vérifiez les hypothèses qui affectent le code et conservez les sources et observations nécessaires à la revue. Le modèle de programmation textuel fournit le raisonnement et le contenu généré; l’application environnante exécute les opérations qui transforment ces propositions en tâche logicielle achevée.
POST /v1/messagestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites cohere/north-mini-code:free | Par défaut— |
Champmessages | Typearray | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites false | Par défautfalse |
Champsystem | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites Minimum: 1 Maximum: 64'000 | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtop_k | Typeinteger | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champstop_sequences | Typearray | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmetadata | Typeobject | ExigenceFacultatif | Valeurs et limites | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional | Contratstream, system, temperature, top_p, top_k, stop_sequences, metadata |
Paramètrematerial_types | Contrattext |
Paramètreconditions | ContratUse 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. |
Cycle de vie : synchronous_json
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0 / 1K tokens Sortie · Tokens en sortie $0 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
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
Utilisez les chemins de méthode indiqués ci-dessus.