North Mini Code 1.0 is het model van Cohere voor software-engineering met agents, terminaltaken en codegeneratie. Het ontvangt tekst en produceert tekst, waaronder code, uitleg en toolaanvragen. De fabrikant bracht de gewichten uit onder Apache 2.0 en noemt het het eerste model binnen de North-familie van code-agents. Het is een gespecialiseerd programmeerprofiel, geen model voor beeldbegrip of algemeen model voor het scoren van beslissingen.
Het model heeft in totaal 30 miljard parameters, waarvan ongeveer 3 miljard actief zijn. De decoder-only Transformer gebruikt een sparse Mixture of Experts met 128 experts, waarvan er acht per token worden geactiveerd, en een dense laag vóór de sparse lagen. Sliding-window-attention met roterende posities wordt in een verhouding van 3:1 afgewisseld met globale attention zonder positie-embeddings. Het aantal actieve parameters beschrijft de berekening voor een token, niet de volledige verzameling gewichten die moet worden opgeslagen.
De natraining van Cohere gebruikt twee fasen supervised fine-tuning, gevolgd door reinforcement learning met verifieerbare beloningen, gericht op software-engineering en terminalwerk. De producent beschrijft training met meerdere agentomgevingen in plaats van één vaste structuur. Dat ondersteunt het voorbereiden van een taak rond het vereiste gedrag en de beschikbare tools, terwijl de omringende agentomgeving verantwoordelijk blijft voor het verkrijgen van bestanden, uitvoeren van opdrachten en teruggeven van waarnemingen.
Lever de huidige code en het gedrag, de gevraagde wijziging, de relevante bestands- of interfacegrenzen en het bewijs waarmee voltooiing wordt vastgesteld. Voeg voor een bug de waargenomen fout of falende invoer en het verwachte resultaat toe. Vermeld voor een nieuwe functie het vereiste gedrag en de compatibiliteitsbeperkingen. Een bruikbaar eindresultaat is een voorgestelde codewijziging met uitleg en resultaten van controles die daadwerkelijk zijn uitgevoerd.
Een illustratieve aanvraag kan vragen een parser bij te werken voor een extra ondersteunde invoer, met behoud van bestaande formaten. Identificeer representatieve invoeren en het deel van de repository dat het parsergedrag bepaalt. Het model kan code en toolwaarnemingen gebruiken om de wijziging uit te werken; een gegenereerde patch of de uitspraak dat een opdracht zou moeten draaien, bewijst niet dat die opdracht is geslaagd.
De eigen modelkaart documenteert training voor toolgebruik en beveelt toolbeschrijvingen volgens JSON-schema aan via het chatsjabloon van het model. Beschrijf het doel en de argumenten van een tool duidelijk. Een tool voor opdrachtuitvoering kan de daadwerkelijke uitvoer en status teruggeven, terwijl een tool voor bestandsinspectie het materiaal kan teruggeven dat de volgende stap nodig heeft. Houd elk toolresultaat gekoppeld aan de aanroepidentificator, zodat latere analyse de bedoelde waarneming gebruikt.
Het voorbeeld van de producent behoudt een toolaanroep en de redenering van de assistent in de geschiedenis, voert de tool uit en voegt het resultaat toe vóór een nieuwe generatie. Het eigen sjabloonvoorbeeld gebruikt een gestructureerde dictionary voor het toolresultaat. Behoud die representatie volgens de gedocumenteerde integratie, in plaats van aan te nemen dat elke niet-gerelateerde API toolresultaten op dezelfde manier serialiseert. Een JSON-schema dat de argumenten van een tool beschrijft, verschilt van een claim dat willekeurige door schema’s begrensde einduitvoer wordt ondersteund.
North Mini Code ondersteunt verweven redenering, die de producent aanbeveelt in te schakelen voor agentwerk. Neem door het model gegenereerde redeneerinhoud en toolaanroepen mee naar volgende agentstappen en gespreksbeurten. Het eigen voorbeeld bewaart een reasoning-veld bij het assistentbericht en geeft daarna de overeenkomstige toolwaarneming terug. Zo blijft de informatie behouden die het model gebruikte om te bepalen wat het vervolgens moest inspecteren of wijzigen.
Houd het huidige doel, het bronmateriaal en de daadwerkelijke waarnemingen in de taakgeschiedenis. Vat voor een langere repositorytaak het eindresultaat samen rond het gewijzigde gedrag en het bruikbare werkstuk, met behoud van het bewijs dat voor beoordeling nodig is. Verweven redenering betekent niet dat een kort zichtbaar antwoord geen analyse vergde, en stelt evenmin vast dat een door het model beschreven actie al heeft plaatsgevonden.
De maker noemt ook wetenschappelijk programmeren en algoritmisch redeneren buiten een agentlus. Lever de probleemdefinitie, het invoer- en uitvoerformaat, de beperkingen, relevante numerieke aannames en het verwachte gedrag in randgevallen. Vraag om een volledige functie of een volledig programma wanneer dat het vereiste resultaat is, met uitleg op het niveau dat de lezer nodig heeft.
Geef voor code-uitleg de implementatie en het specifieke gedrag of de afhankelijkheid die moet worden verduidelijkt. Identificeer voor code voor datavisualisatie de aangeleverde velden en de beoogde vergelijking, in plaats van het doel van de grafiek impliciet te laten. De ontwikkelvoorbeelden van de producent omvatten code-uitleg, bewerking, visualisatie en implementatie op basis van een specificatie. Dit zijn taakpatronen voor het genereren of wijzigen van code, geen belofte van correcte resultaten voor elke repository of elk framework.
De modelkaart en API-pagina van de fabrikant vermelden een contextvenster van 256K tokens en een maximale uitvoer van 64K tokens. Bereid omvangrijk repositorymateriaal voor rond die afzonderlijke budgetten en de omvang van het eindresultaat. Houd brongrenzen en identificatoren intact en verwijder irrelevant materiaal, in plaats van aan te nemen dat een groot venster de noodzaak van een gerichte opdracht wegneemt.
De eigen modelkaart beveelt temperature 1,0 en top_p 0,95 aan voor generatie en gebruikt het chatsjabloon van het model, inclusief een generatieprompt, voor tekst- en toolworkflows. De uitvoerlimieten uit de voorbeelden zijn instellingen voor die voorbeelden, geen vervanging voor het gepubliceerde maximum van het model. Cohere publiceert BF16-gewichten en een afzonderlijk benoemd FP8-modelbestand. Selecteer het passende modelbestand wanneer je een implementatie voorbereidt.
Een bruikbaar North Mini Code-resultaat is een inspecteerbaar codewerkstuk of een technische uitleg die met de aangeleverde vereisten is verbonden. Vergelijk het resultaat met het oorspronkelijke gedrag en de daadwerkelijke tooluitvoer, controleer aannames die de code beïnvloeden en bewaar de bron en waarnemingen die voor beoordeling nodig zijn. Het tekstuele programmeermodel levert redenering en gegenereerde inhoud; de omringende applicatie voert de bewerkingen uit die die voorstellen in een voltooide softwaretaak omzetten.
", "aboutText": "North Mini Code 1.0 is het model van Cohere voor software-engineering met agents, terminaltaken en codegeneratie. Het ontvangt tekst en produceert tekst, waaronder code, uitleg en toolaanvragen. De fabrikant bracht de gewichten uit onder Apache 2.0 en noemt het het eerste model binnen de North-familie van code-agents. Het is een gespecialiseerd programmeerprofiel, geen model voor beeldbegrip of algemeen model voor het scoren van beslissingen.\n\n### Sparse architectuur en programmeervoorbereiding\n\nHet model heeft in totaal 30 miljard parameters, waarvan ongeveer 3 miljard actief zijn. De decoder-only Transformer gebruikt een sparse Mixture of Experts met 128 experts, waarvan er acht per token worden geactiveerd, en een dense laag vóór de sparse lagen. Sliding-window-attention met roterende posities wordt in een verhouding van 3:1 afgewisseld met globale attention zonder positie-embeddings. Het aantal actieve parameters beschrijft de berekening voor een token, niet de volledige verzameling gewichten die moet worden opgeslagen.\n\nDe natraining van Cohere gebruikt twee fasen supervised fine-tuning, gevolgd door reinforcement learning met verifieerbare beloningen, gericht op software-engineering en terminalwerk. De producent beschrijft training met meerdere agentomgevingen in plaats van één vaste structuur. Dat ondersteunt het voorbereiden van een taak rond het vereiste gedrag en de beschikbare tools, terwijl de omringende agentomgeving verantwoordelijk blijft voor het verkrijgen van bestanden, uitvoeren van opdrachten en teruggeven van waarnemingen.\n\n### Bereid een wijziging op repositoryniveau voor\n\nLever de huidige code en het gedrag, de gevraagde wijziging, de relevante bestands- of interfacegrenzen en het bewijs waarmee voltooiing wordt vastgesteld. Voeg voor een bug de waargenomen fout of falende invoer en het verwachte resultaat toe. Vermeld voor een nieuwe functie het vereiste gedrag en de compatibiliteitsbeperkingen. Een bruikbaar eindresultaat is een voorgestelde codewijziging met uitleg en resultaten van controles die daadwerkelijk zijn uitgevoerd.\n\nEen illustratieve aanvraag kan vragen een parser bij te werken voor een extra ondersteunde invoer, met behoud van bestaande formaten. Identificeer representatieve invoeren en het deel van de repository dat het parsergedrag bepaalt. Het model kan code en toolwaarnemingen gebruiken om de wijziging uit te werken; een gegenereerde patch of de uitspraak dat een opdracht zou moeten draaien, bewijst niet dat die opdracht is geslaagd.\n\n### Terminaltools en gestructureerde waarnemingen\n\nDe eigen modelkaart documenteert training voor toolgebruik en beveelt toolbeschrijvingen volgens JSON-schema aan via het chatsjabloon van het model. Beschrijf het doel en de argumenten van een tool duidelijk. Een tool voor opdrachtuitvoering kan de daadwerkelijke uitvoer en status teruggeven, terwijl een tool voor bestandsinspectie het materiaal kan teruggeven dat de volgende stap nodig heeft. Houd elk toolresultaat gekoppeld aan de aanroepidentificator, zodat latere analyse de bedoelde waarneming gebruikt.\n\nHet voorbeeld van de producent behoudt een toolaanroep en de redenering van de assistent in de geschiedenis, voert de tool uit en voegt het resultaat toe vóór een nieuwe generatie. Het eigen sjabloonvoorbeeld gebruikt een gestructureerde dictionary voor het toolresultaat. Behoud die representatie volgens de gedocumenteerde integratie, in plaats van aan te nemen dat elke niet-gerelateerde API toolresultaten op dezelfde manier serialiseert. Een JSON-schema dat de argumenten van een tool beschrijft, verschilt van een claim dat willekeurige door schema’s begrensde einduitvoer wordt ondersteund.\n\n### Verweven redenering en geschiedenis over meerdere beurten\n\nNorth Mini Code ondersteunt verweven redenering, die de producent aanbeveelt in te schakelen voor agentwerk. Neem door het model gegenereerde redeneerinhoud en toolaanroepen mee naar volgende agentstappen en gespreksbeurten. Het eigen voorbeeld bewaart een reasoning-veld bij het assistentbericht en geeft daarna de overeenkomstige toolwaarneming terug. Zo blijft de informatie behouden die het model gebruikte om te bepalen wat het vervolgens moest inspecteren of wijzigen.\n\nHoud het huidige doel, het bronmateriaal en de daadwerkelijke waarnemingen in de taakgeschiedenis. Vat voor een langere repositorytaak het eindresultaat samen rond het gewijzigde gedrag en het bruikbare werkstuk, met behoud van het bewijs dat voor beoordeling nodig is. Verweven redenering betekent niet dat een kort zichtbaar antwoord geen analyse vergde, en stelt evenmin vast dat een door het model beschreven actie al heeft plaatsgevonden.\n\n### Losstaande code- en uitlegtaken\n\nDe maker noemt ook wetenschappelijk programmeren en algoritmisch redeneren buiten een agentlus. Lever de probleemdefinitie, het invoer- en uitvoerformaat, de beperkingen, relevante numerieke aannames en het verwachte gedrag in randgevallen. Vraag om een volledige functie of een volledig programma wanneer dat het vereiste resultaat is, met uitleg op het niveau dat de lezer nodig heeft.\n\nGeef voor code-uitleg de implementatie en het specifieke gedrag of de afhankelijkheid die moet worden verduidelijkt. Identificeer voor code voor datavisualisatie de aangeleverde velden en de beoogde vergelijking, in plaats van het doel van de grafiek impliciet te laten. De ontwikkelvoorbeelden van de producent omvatten code-uitleg, bewerking, visualisatie en implementatie op basis van een specificatie. Dit zijn taakpatronen voor het genereren of wijzigen van code, geen belofte van correcte resultaten voor elke repository of elk framework.\n\n### Context, uitvoer en generatie-instellingen\n\nDe modelkaart en API-pagina van de fabrikant vermelden een contextvenster van 256K tokens en een maximale uitvoer van 64K tokens. Bereid omvangrijk repositorymateriaal voor rond die afzonderlijke budgetten en de omvang van het eindresultaat. Houd brongrenzen en identificatoren intact en verwijder irrelevant materiaal, in plaats van aan te nemen dat een groot venster de noodzaak van een gerichte opdracht wegneemt.\n\nDe eigen modelkaart beveelt temperature 1,0 en top_p 0,95 aan voor generatie en gebruikt het chatsjabloon van het model, inclusief een generatieprompt, voor tekst- en toolworkflows. De uitvoerlimieten uit de voorbeelden zijn instellingen voor die voorbeelden, geen vervanging voor het gepubliceerde maximum van het model. Cohere publiceert BF16-gewichten en een afzonderlijk benoemd FP8-modelbestand. Selecteer het passende modelbestand wanneer je een implementatie voorbereidt.\n\nEen bruikbaar North Mini Code-resultaat is een inspecteerbaar codewerkstuk of een technische uitleg die met de aangeleverde vereisten is verbonden. Vergelijk het resultaat met het oorspronkelijke gedrag en de daadwerkelijke tooluitvoer, controleer aannames die de code beïnvloeden en bewaar de bron en waarnemingen die voor beoordeling nodig zijn. Het tekstuele programmeermodel levert redenering en gegenereerde inhoud; de omringende applicatie voert de bewerkingen uit die die voorstellen in een voltooide softwaretaak omzetten.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "168ad2514d5e86913329b9412a2dd857a8f86f062ea23e99e17015e0862a7a48", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl-be", "methods": [ { "html": "cohere/north-mini-code:freeNorth Mini Code 1.0 is het tekstmodel van Cohere voor codegeneratie, repositorywijzigingen en agenttaken via de terminal. Het sparse ontwerp met 30B parameters in totaal en 3B actieve parameters ondersteunt toolgebruik en verweven redenering, met een gedocumenteerde context van 256K en een uitvoerbudget van 64K.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
North Mini Code 1.0 is het model van Cohere voor software-engineering met agents, terminaltaken en codegeneratie. Het ontvangt tekst en produceert tekst, waaronder code, uitleg en toolaanvragen. De fabrikant bracht de gewichten uit onder Apache 2.0 en noemt het het eerste model binnen de North-familie van code-agents. Het is een gespecialiseerd programmeerprofiel, geen model voor beeldbegrip of algemeen model voor het scoren van beslissingen.
Het model heeft in totaal 30 miljard parameters, waarvan ongeveer 3 miljard actief zijn. De decoder-only Transformer gebruikt een sparse Mixture of Experts met 128 experts, waarvan er acht per token worden geactiveerd, en een dense laag vóór de sparse lagen. Sliding-window-attention met roterende posities wordt in een verhouding van 3:1 afgewisseld met globale attention zonder positie-embeddings. Het aantal actieve parameters beschrijft de berekening voor een token, niet de volledige verzameling gewichten die moet worden opgeslagen.
De natraining van Cohere gebruikt twee fasen supervised fine-tuning, gevolgd door reinforcement learning met verifieerbare beloningen, gericht op software-engineering en terminalwerk. De producent beschrijft training met meerdere agentomgevingen in plaats van één vaste structuur. Dat ondersteunt het voorbereiden van een taak rond het vereiste gedrag en de beschikbare tools, terwijl de omringende agentomgeving verantwoordelijk blijft voor het verkrijgen van bestanden, uitvoeren van opdrachten en teruggeven van waarnemingen.
Lever de huidige code en het gedrag, de gevraagde wijziging, de relevante bestands- of interfacegrenzen en het bewijs waarmee voltooiing wordt vastgesteld. Voeg voor een bug de waargenomen fout of falende invoer en het verwachte resultaat toe. Vermeld voor een nieuwe functie het vereiste gedrag en de compatibiliteitsbeperkingen. Een bruikbaar eindresultaat is een voorgestelde codewijziging met uitleg en resultaten van controles die daadwerkelijk zijn uitgevoerd.
Een illustratieve aanvraag kan vragen een parser bij te werken voor een extra ondersteunde invoer, met behoud van bestaande formaten. Identificeer representatieve invoeren en het deel van de repository dat het parsergedrag bepaalt. Het model kan code en toolwaarnemingen gebruiken om de wijziging uit te werken; een gegenereerde patch of de uitspraak dat een opdracht zou moeten draaien, bewijst niet dat die opdracht is geslaagd.
De eigen modelkaart documenteert training voor toolgebruik en beveelt toolbeschrijvingen volgens JSON-schema aan via het chatsjabloon van het model. Beschrijf het doel en de argumenten van een tool duidelijk. Een tool voor opdrachtuitvoering kan de daadwerkelijke uitvoer en status teruggeven, terwijl een tool voor bestandsinspectie het materiaal kan teruggeven dat de volgende stap nodig heeft. Houd elk toolresultaat gekoppeld aan de aanroepidentificator, zodat latere analyse de bedoelde waarneming gebruikt.
Het voorbeeld van de producent behoudt een toolaanroep en de redenering van de assistent in de geschiedenis, voert de tool uit en voegt het resultaat toe vóór een nieuwe generatie. Het eigen sjabloonvoorbeeld gebruikt een gestructureerde dictionary voor het toolresultaat. Behoud die representatie volgens de gedocumenteerde integratie, in plaats van aan te nemen dat elke niet-gerelateerde API toolresultaten op dezelfde manier serialiseert. Een JSON-schema dat de argumenten van een tool beschrijft, verschilt van een claim dat willekeurige door schema’s begrensde einduitvoer wordt ondersteund.
North Mini Code ondersteunt verweven redenering, die de producent aanbeveelt in te schakelen voor agentwerk. Neem door het model gegenereerde redeneerinhoud en toolaanroepen mee naar volgende agentstappen en gespreksbeurten. Het eigen voorbeeld bewaart een reasoning-veld bij het assistentbericht en geeft daarna de overeenkomstige toolwaarneming terug. Zo blijft de informatie behouden die het model gebruikte om te bepalen wat het vervolgens moest inspecteren of wijzigen.
Houd het huidige doel, het bronmateriaal en de daadwerkelijke waarnemingen in de taakgeschiedenis. Vat voor een langere repositorytaak het eindresultaat samen rond het gewijzigde gedrag en het bruikbare werkstuk, met behoud van het bewijs dat voor beoordeling nodig is. Verweven redenering betekent niet dat een kort zichtbaar antwoord geen analyse vergde, en stelt evenmin vast dat een door het model beschreven actie al heeft plaatsgevonden.
De maker noemt ook wetenschappelijk programmeren en algoritmisch redeneren buiten een agentlus. Lever de probleemdefinitie, het invoer- en uitvoerformaat, de beperkingen, relevante numerieke aannames en het verwachte gedrag in randgevallen. Vraag om een volledige functie of een volledig programma wanneer dat het vereiste resultaat is, met uitleg op het niveau dat de lezer nodig heeft.
Geef voor code-uitleg de implementatie en het specifieke gedrag of de afhankelijkheid die moet worden verduidelijkt. Identificeer voor code voor datavisualisatie de aangeleverde velden en de beoogde vergelijking, in plaats van het doel van de grafiek impliciet te laten. De ontwikkelvoorbeelden van de producent omvatten code-uitleg, bewerking, visualisatie en implementatie op basis van een specificatie. Dit zijn taakpatronen voor het genereren of wijzigen van code, geen belofte van correcte resultaten voor elke repository of elk framework.
De modelkaart en API-pagina van de fabrikant vermelden een contextvenster van 256K tokens en een maximale uitvoer van 64K tokens. Bereid omvangrijk repositorymateriaal voor rond die afzonderlijke budgetten en de omvang van het eindresultaat. Houd brongrenzen en identificatoren intact en verwijder irrelevant materiaal, in plaats van aan te nemen dat een groot venster de noodzaak van een gerichte opdracht wegneemt.
De eigen modelkaart beveelt temperature 1,0 en top_p 0,95 aan voor generatie en gebruikt het chatsjabloon van het model, inclusief een generatieprompt, voor tekst- en toolworkflows. De uitvoerlimieten uit de voorbeelden zijn instellingen voor die voorbeelden, geen vervanging voor het gepubliceerde maximum van het model. Cohere publiceert BF16-gewichten en een afzonderlijk benoemd FP8-modelbestand. Selecteer het passende modelbestand wanneer je een implementatie voorbereidt.
Een bruikbaar North Mini Code-resultaat is een inspecteerbaar codewerkstuk of een technische uitleg die met de aangeleverde vereisten is verbonden. Vergelijk het resultaat met het oorspronkelijke gedrag en de daadwerkelijke tooluitvoer, controleer aannames die de code beïnvloeden en bewaar de bron en waarnemingen die voor beoordeling nodig zijn. Het tekstuele programmeermodel levert redenering en gegenereerde inhoud; de omringende applicatie voert de bewerkingen uit die die voorstellen in een voltooide softwaretaak omzetten.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten cohere/north-mini-code:free | Standaard— |
Veldmessages | Typearray | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten false | Standaardfalse |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Maximum: 64.000 | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Maximum: 64.000 | Standaard— |
Veldn | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Maximum: 128 | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldseed | Typeinteger | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldstop | Type | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldfrequency_penalty | Typenumber | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldpresence_penalty | Typenumber | VereisteOptioneel | Waarden en limieten | Standaard— |
Velduser | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parameteroptional | Contractstream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Parametermaterial_types | Contracttext |
Parameterconditions | ContractUse 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. |
Levenscyclus: synchronous_json
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0 / 1K tokens Uitvoer · Uitvoertokens $0 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
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
Gebruik de hierboven getoonde methodepaden.
cohere/north-mini-code:freeNorth Mini Code 1.0 is het tekstmodel van Cohere voor codegeneratie, repositorywijzigingen en agenttaken via de terminal. Het sparse ontwerp met 30B parameters in totaal en 3B actieve parameters ondersteunt toolgebruik en verweven redenering, met een gedocumenteerde context van 256K en een uitvoerbudget van 64K.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
North Mini Code 1.0 is het model van Cohere voor software-engineering met agents, terminaltaken en codegeneratie. Het ontvangt tekst en produceert tekst, waaronder code, uitleg en toolaanvragen. De fabrikant bracht de gewichten uit onder Apache 2.0 en noemt het het eerste model binnen de North-familie van code-agents. Het is een gespecialiseerd programmeerprofiel, geen model voor beeldbegrip of algemeen model voor het scoren van beslissingen.
Het model heeft in totaal 30 miljard parameters, waarvan ongeveer 3 miljard actief zijn. De decoder-only Transformer gebruikt een sparse Mixture of Experts met 128 experts, waarvan er acht per token worden geactiveerd, en een dense laag vóór de sparse lagen. Sliding-window-attention met roterende posities wordt in een verhouding van 3:1 afgewisseld met globale attention zonder positie-embeddings. Het aantal actieve parameters beschrijft de berekening voor een token, niet de volledige verzameling gewichten die moet worden opgeslagen.
De natraining van Cohere gebruikt twee fasen supervised fine-tuning, gevolgd door reinforcement learning met verifieerbare beloningen, gericht op software-engineering en terminalwerk. De producent beschrijft training met meerdere agentomgevingen in plaats van één vaste structuur. Dat ondersteunt het voorbereiden van een taak rond het vereiste gedrag en de beschikbare tools, terwijl de omringende agentomgeving verantwoordelijk blijft voor het verkrijgen van bestanden, uitvoeren van opdrachten en teruggeven van waarnemingen.
Lever de huidige code en het gedrag, de gevraagde wijziging, de relevante bestands- of interfacegrenzen en het bewijs waarmee voltooiing wordt vastgesteld. Voeg voor een bug de waargenomen fout of falende invoer en het verwachte resultaat toe. Vermeld voor een nieuwe functie het vereiste gedrag en de compatibiliteitsbeperkingen. Een bruikbaar eindresultaat is een voorgestelde codewijziging met uitleg en resultaten van controles die daadwerkelijk zijn uitgevoerd.
Een illustratieve aanvraag kan vragen een parser bij te werken voor een extra ondersteunde invoer, met behoud van bestaande formaten. Identificeer representatieve invoeren en het deel van de repository dat het parsergedrag bepaalt. Het model kan code en toolwaarnemingen gebruiken om de wijziging uit te werken; een gegenereerde patch of de uitspraak dat een opdracht zou moeten draaien, bewijst niet dat die opdracht is geslaagd.
De eigen modelkaart documenteert training voor toolgebruik en beveelt toolbeschrijvingen volgens JSON-schema aan via het chatsjabloon van het model. Beschrijf het doel en de argumenten van een tool duidelijk. Een tool voor opdrachtuitvoering kan de daadwerkelijke uitvoer en status teruggeven, terwijl een tool voor bestandsinspectie het materiaal kan teruggeven dat de volgende stap nodig heeft. Houd elk toolresultaat gekoppeld aan de aanroepidentificator, zodat latere analyse de bedoelde waarneming gebruikt.
Het voorbeeld van de producent behoudt een toolaanroep en de redenering van de assistent in de geschiedenis, voert de tool uit en voegt het resultaat toe vóór een nieuwe generatie. Het eigen sjabloonvoorbeeld gebruikt een gestructureerde dictionary voor het toolresultaat. Behoud die representatie volgens de gedocumenteerde integratie, in plaats van aan te nemen dat elke niet-gerelateerde API toolresultaten op dezelfde manier serialiseert. Een JSON-schema dat de argumenten van een tool beschrijft, verschilt van een claim dat willekeurige door schema’s begrensde einduitvoer wordt ondersteund.
North Mini Code ondersteunt verweven redenering, die de producent aanbeveelt in te schakelen voor agentwerk. Neem door het model gegenereerde redeneerinhoud en toolaanroepen mee naar volgende agentstappen en gespreksbeurten. Het eigen voorbeeld bewaart een reasoning-veld bij het assistentbericht en geeft daarna de overeenkomstige toolwaarneming terug. Zo blijft de informatie behouden die het model gebruikte om te bepalen wat het vervolgens moest inspecteren of wijzigen.
Houd het huidige doel, het bronmateriaal en de daadwerkelijke waarnemingen in de taakgeschiedenis. Vat voor een langere repositorytaak het eindresultaat samen rond het gewijzigde gedrag en het bruikbare werkstuk, met behoud van het bewijs dat voor beoordeling nodig is. Verweven redenering betekent niet dat een kort zichtbaar antwoord geen analyse vergde, en stelt evenmin vast dat een door het model beschreven actie al heeft plaatsgevonden.
De maker noemt ook wetenschappelijk programmeren en algoritmisch redeneren buiten een agentlus. Lever de probleemdefinitie, het invoer- en uitvoerformaat, de beperkingen, relevante numerieke aannames en het verwachte gedrag in randgevallen. Vraag om een volledige functie of een volledig programma wanneer dat het vereiste resultaat is, met uitleg op het niveau dat de lezer nodig heeft.
Geef voor code-uitleg de implementatie en het specifieke gedrag of de afhankelijkheid die moet worden verduidelijkt. Identificeer voor code voor datavisualisatie de aangeleverde velden en de beoogde vergelijking, in plaats van het doel van de grafiek impliciet te laten. De ontwikkelvoorbeelden van de producent omvatten code-uitleg, bewerking, visualisatie en implementatie op basis van een specificatie. Dit zijn taakpatronen voor het genereren of wijzigen van code, geen belofte van correcte resultaten voor elke repository of elk framework.
De modelkaart en API-pagina van de fabrikant vermelden een contextvenster van 256K tokens en een maximale uitvoer van 64K tokens. Bereid omvangrijk repositorymateriaal voor rond die afzonderlijke budgetten en de omvang van het eindresultaat. Houd brongrenzen en identificatoren intact en verwijder irrelevant materiaal, in plaats van aan te nemen dat een groot venster de noodzaak van een gerichte opdracht wegneemt.
De eigen modelkaart beveelt temperature 1,0 en top_p 0,95 aan voor generatie en gebruikt het chatsjabloon van het model, inclusief een generatieprompt, voor tekst- en toolworkflows. De uitvoerlimieten uit de voorbeelden zijn instellingen voor die voorbeelden, geen vervanging voor het gepubliceerde maximum van het model. Cohere publiceert BF16-gewichten en een afzonderlijk benoemd FP8-modelbestand. Selecteer het passende modelbestand wanneer je een implementatie voorbereidt.
Een bruikbaar North Mini Code-resultaat is een inspecteerbaar codewerkstuk of een technische uitleg die met de aangeleverde vereisten is verbonden. Vergelijk het resultaat met het oorspronkelijke gedrag en de daadwerkelijke tooluitvoer, controleer aannames die de code beïnvloeden en bewaar de bron en waarnemingen die voor beoordeling nodig zijn. Het tekstuele programmeermodel levert redenering en gegenereerde inhoud; de omringende applicatie voert de bewerkingen uit die die voorstellen in een voltooide softwaretaak omzetten.
POST /v1/messagestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten cohere/north-mini-code:free | Standaard— |
Veldmessages | Typearray | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten false | Standaardfalse |
Veldsystem | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten Minimum: 1 Maximum: 64.000 | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtop_k | Typeinteger | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldstop_sequences | Typearray | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmetadata | Typeobject | VereisteOptioneel | Waarden en limieten | Standaard— |
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional | Contractstream, system, temperature, top_p, top_k, stop_sequences, metadata |
Parametermaterial_types | Contracttext |
Parameterconditions | ContractUse 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. |
Levenscyclus: synchronous_json
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0 / 1K tokens Uitvoer · Uitvoertokens $0 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
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
Gebruik de hierboven getoonde methodepaden.