North Mini Code 1.0 is het model van Cohere voor software-engineering met agents, terminaltaken en codegeneratie. Het neemt tekst aan en produceert tekst, waaronder code, uitleg en toolverzoeken. De fabrikant heeft de gewichten onder Apache 2.0 uitgebracht en noemt het het eerste model in de North-familie van code-agents. Het is een gespecialiseerd programmeerprofiel, geen model voor beeldbegrip of een algemene scorer voor 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 rotatiegebaseerde 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 van supervised fine-tuning, gevolgd door reinforcement learning met verifieerbare beloningen, gericht op software-engineering en terminalwerk. De ontwikkelaar beschrijft training met meerdere uitvoeringsomgevingen voor agents in plaats van één vast raamwerk. Dat ondersteunt het voorbereiden van een taak rond het vereiste gedrag en de beschikbare tools, terwijl de omringende uitvoeringsomgeving verantwoordelijk blijft voor bestanden verkrijgen, opdrachten uitvoeren en waarnemingen teruggeven.
Lever de huidige code en het huidige gedrag aan, de gevraagde wijziging, de relevante bestands- of interfacegrenzen en het bewijs waarmee afronding wordt vastgesteld. Voeg bij een bug de waargenomen fout of falende invoer en het verwachte resultaat toe. Geef bij een functie het vereiste gedrag en de compatibiliteitsbeperkingen aan. Een bruikbaar eindresultaat is een voorgestelde codewijziging met uitleg en resultaten van controles die daadwerkelijk zijn uitgevoerd.
Een voorbeeldverzoek kan vragen een parser bij te werken voor een extra ondersteunde invoer, met behoud van bestaande formaten. Benoem representatieve invoer en het repositorydeel dat het gedrag van de parser bepaalt. Het model kan code en toolwaarnemingen gebruiken om de wijziging te ontwikkelen; een gegenereerde patch of een verklaring dat een opdracht zou moeten draaien is geen bewijs dat die opdracht is geslaagd.
De eigen modelkaart documenteert training voor toolgebruik en beveelt toolbeschrijvingen volgens JSON Schema aan via de 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 bestandsonderzoek het materiaal kan leveren dat de volgende stap nodig heeft. Houd elk toolresultaat gekoppeld aan de aanroep-ID, zodat latere analyse de bedoelde waarneming gebruikt.
Het voorbeeld van de ontwikkelaar bewaart een toolaanroep en de redenering van de assistent in de geschiedenis, voert de tool uit en voegt het resultaat toe voordat opnieuw wordt gegenereerd. Het voorbeeld van de eigen sjabloon 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 is iets anders dan beweren dat willekeurige schema-afgedwongen einduitvoer wordt ondersteund.
North Mini Code ondersteunt afgewisseld denken, dat de ontwikkelaar aanbeveelt in te schakelen voor agentwerk. Neem door het model gegenereerde denk-inhoud en toolaanroepen mee naar volgende agentstappen en gespreksbeurten. Het eigen voorbeeld bewaart een reasoning-veld bij het assistentbericht en geeft daarna de bijbehorende toolwaarneming terug. Zo blijft de informatie behouden die het model gebruikte om te bepalen wat het daarna moest onderzoeken 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 resultaat, met behoud van het bewijs dat nodig is voor beoordeling. Afgewisselde redenering betekent niet dat een kort zichtbaar antwoord geen analyse vereiste en stelt evenmin vast dat een door het model beschreven actie al heeft plaatsgevonden.
De ontwikkelaar noemt ook wetenschappelijk programmeren en algoritmisch redeneren buiten een agentcyclus. Geef 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 benodigde resultaat is, met uitleg op het niveau dat de lezer nodig heeft.
Lever bij code-uitleg de implementatie aan en het specifieke gedrag of de afhankelijkheid die moet worden verduidelijkt. Benoem bij 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 ontwikkelaar omvatten code-uitleg, bewerken, visualisatie en implementatie vanuit 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 maximaal 64K uitvoertokens. Bereid omvangrijk repositorymateriaal voor rond die afzonderlijke budgetten en de grootte van het eindresultaat. Houd brongrenzen en ID’s 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 de chatsjabloon van het model, inclusief een generatieprompt, voor tekst- en toolprocessen. 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. Kies het passende modelbestand wanneer je een uitrol voorbereidt.
Een bruikbaar North Mini Code-resultaat is controleerbare code of een technische uitleg die is verbonden met de aangeleverde vereisten. 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 van die voorstellen een afgeronde softwaretaak maken.
", "aboutText": "North Mini Code 1.0 is het model van Cohere voor software-engineering met agents, terminaltaken en codegeneratie. Het neemt tekst aan en produceert tekst, waaronder code, uitleg en toolverzoeken. De fabrikant heeft de gewichten onder Apache 2.0 uitgebracht en noemt het het eerste model in de North-familie van code-agents. Het is een gespecialiseerd programmeerprofiel, geen model voor beeldbegrip of een algemene scorer voor 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 rotatiegebaseerde 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 van supervised fine-tuning, gevolgd door reinforcement learning met verifieerbare beloningen, gericht op software-engineering en terminalwerk. De ontwikkelaar beschrijft training met meerdere uitvoeringsomgevingen voor agents in plaats van één vast raamwerk. Dat ondersteunt het voorbereiden van een taak rond het vereiste gedrag en de beschikbare tools, terwijl de omringende uitvoeringsomgeving verantwoordelijk blijft voor bestanden verkrijgen, opdrachten uitvoeren en waarnemingen teruggeven.\n\n### Een wijziging op repositoryniveau voorbereiden\n\nLever de huidige code en het huidige gedrag aan, de gevraagde wijziging, de relevante bestands- of interfacegrenzen en het bewijs waarmee afronding wordt vastgesteld. Voeg bij een bug de waargenomen fout of falende invoer en het verwachte resultaat toe. Geef bij een functie het vereiste gedrag en de compatibiliteitsbeperkingen aan. Een bruikbaar eindresultaat is een voorgestelde codewijziging met uitleg en resultaten van controles die daadwerkelijk zijn uitgevoerd.\n\nEen voorbeeldverzoek kan vragen een parser bij te werken voor een extra ondersteunde invoer, met behoud van bestaande formaten. Benoem representatieve invoer en het repositorydeel dat het gedrag van de parser bepaalt. Het model kan code en toolwaarnemingen gebruiken om de wijziging te ontwikkelen; een gegenereerde patch of een verklaring dat een opdracht zou moeten draaien is geen bewijs 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 de 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 bestandsonderzoek het materiaal kan leveren dat de volgende stap nodig heeft. Houd elk toolresultaat gekoppeld aan de aanroep-ID, zodat latere analyse de bedoelde waarneming gebruikt.\n\nHet voorbeeld van de ontwikkelaar bewaart een toolaanroep en de redenering van de assistent in de geschiedenis, voert de tool uit en voegt het resultaat toe voordat opnieuw wordt gegenereerd. Het voorbeeld van de eigen sjabloon 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 is iets anders dan beweren dat willekeurige schema-afgedwongen einduitvoer wordt ondersteund.\n\n### Afgewisseld denken en gespreksgeschiedenis\n\nNorth Mini Code ondersteunt afgewisseld denken, dat de ontwikkelaar aanbeveelt in te schakelen voor agentwerk. Neem door het model gegenereerde denk-inhoud en toolaanroepen mee naar volgende agentstappen en gespreksbeurten. Het eigen voorbeeld bewaart een reasoning-veld bij het assistentbericht en geeft daarna de bijbehorende toolwaarneming terug. Zo blijft de informatie behouden die het model gebruikte om te bepalen wat het daarna moest onderzoeken 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 resultaat, met behoud van het bewijs dat nodig is voor beoordeling. Afgewisselde redenering betekent niet dat een kort zichtbaar antwoord geen analyse vereiste en stelt evenmin vast dat een door het model beschreven actie al heeft plaatsgevonden.\n\n### Losse code- en uitlegtaken\n\nDe ontwikkelaar noemt ook wetenschappelijk programmeren en algoritmisch redeneren buiten een agentcyclus. Geef 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 benodigde resultaat is, met uitleg op het niveau dat de lezer nodig heeft.\n\nLever bij code-uitleg de implementatie aan en het specifieke gedrag of de afhankelijkheid die moet worden verduidelijkt. Benoem bij 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 ontwikkelaar omvatten code-uitleg, bewerken, visualisatie en implementatie vanuit 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 maximaal 64K uitvoertokens. Bereid omvangrijk repositorymateriaal voor rond die afzonderlijke budgetten en de grootte van het eindresultaat. Houd brongrenzen en ID’s 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 de chatsjabloon van het model, inclusief een generatieprompt, voor tekst- en toolprocessen. 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. Kies het passende modelbestand wanneer je een uitrol voorbereidt.\n\nEen bruikbaar North Mini Code-resultaat is controleerbare code of een technische uitleg die is verbonden met de aangeleverde vereisten. 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 van die voorstellen een afgeronde softwaretaak maken.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "fecacca789fa3eb5035c4f080d8f75fb6ead3b7fecfa10e5ac677c4e7685b47a", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "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 in totaal 30B en 3B actieve parameters ondersteunt toolgebruik en afgewisseld denken, 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 neemt tekst aan en produceert tekst, waaronder code, uitleg en toolverzoeken. De fabrikant heeft de gewichten onder Apache 2.0 uitgebracht en noemt het het eerste model in de North-familie van code-agents. Het is een gespecialiseerd programmeerprofiel, geen model voor beeldbegrip of een algemene scorer voor 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 rotatiegebaseerde 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 van supervised fine-tuning, gevolgd door reinforcement learning met verifieerbare beloningen, gericht op software-engineering en terminalwerk. De ontwikkelaar beschrijft training met meerdere uitvoeringsomgevingen voor agents in plaats van één vast raamwerk. Dat ondersteunt het voorbereiden van een taak rond het vereiste gedrag en de beschikbare tools, terwijl de omringende uitvoeringsomgeving verantwoordelijk blijft voor bestanden verkrijgen, opdrachten uitvoeren en waarnemingen teruggeven.
Lever de huidige code en het huidige gedrag aan, de gevraagde wijziging, de relevante bestands- of interfacegrenzen en het bewijs waarmee afronding wordt vastgesteld. Voeg bij een bug de waargenomen fout of falende invoer en het verwachte resultaat toe. Geef bij een functie het vereiste gedrag en de compatibiliteitsbeperkingen aan. Een bruikbaar eindresultaat is een voorgestelde codewijziging met uitleg en resultaten van controles die daadwerkelijk zijn uitgevoerd.
Een voorbeeldverzoek kan vragen een parser bij te werken voor een extra ondersteunde invoer, met behoud van bestaande formaten. Benoem representatieve invoer en het repositorydeel dat het gedrag van de parser bepaalt. Het model kan code en toolwaarnemingen gebruiken om de wijziging te ontwikkelen; een gegenereerde patch of een verklaring dat een opdracht zou moeten draaien is geen bewijs dat die opdracht is geslaagd.
De eigen modelkaart documenteert training voor toolgebruik en beveelt toolbeschrijvingen volgens JSON Schema aan via de 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 bestandsonderzoek het materiaal kan leveren dat de volgende stap nodig heeft. Houd elk toolresultaat gekoppeld aan de aanroep-ID, zodat latere analyse de bedoelde waarneming gebruikt.
Het voorbeeld van de ontwikkelaar bewaart een toolaanroep en de redenering van de assistent in de geschiedenis, voert de tool uit en voegt het resultaat toe voordat opnieuw wordt gegenereerd. Het voorbeeld van de eigen sjabloon 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 is iets anders dan beweren dat willekeurige schema-afgedwongen einduitvoer wordt ondersteund.
North Mini Code ondersteunt afgewisseld denken, dat de ontwikkelaar aanbeveelt in te schakelen voor agentwerk. Neem door het model gegenereerde denk-inhoud en toolaanroepen mee naar volgende agentstappen en gespreksbeurten. Het eigen voorbeeld bewaart een reasoning-veld bij het assistentbericht en geeft daarna de bijbehorende toolwaarneming terug. Zo blijft de informatie behouden die het model gebruikte om te bepalen wat het daarna moest onderzoeken 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 resultaat, met behoud van het bewijs dat nodig is voor beoordeling. Afgewisselde redenering betekent niet dat een kort zichtbaar antwoord geen analyse vereiste en stelt evenmin vast dat een door het model beschreven actie al heeft plaatsgevonden.
De ontwikkelaar noemt ook wetenschappelijk programmeren en algoritmisch redeneren buiten een agentcyclus. Geef 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 benodigde resultaat is, met uitleg op het niveau dat de lezer nodig heeft.
Lever bij code-uitleg de implementatie aan en het specifieke gedrag of de afhankelijkheid die moet worden verduidelijkt. Benoem bij 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 ontwikkelaar omvatten code-uitleg, bewerken, visualisatie en implementatie vanuit 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 maximaal 64K uitvoertokens. Bereid omvangrijk repositorymateriaal voor rond die afzonderlijke budgetten en de grootte van het eindresultaat. Houd brongrenzen en ID’s 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 de chatsjabloon van het model, inclusief een generatieprompt, voor tekst- en toolprocessen. 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. Kies het passende modelbestand wanneer je een uitrol voorbereidt.
Een bruikbaar North Mini Code-resultaat is controleerbare code of een technische uitleg die is verbonden met de aangeleverde vereisten. 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 van die voorstellen een afgeronde softwaretaak maken.
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 in totaal 30B en 3B actieve parameters ondersteunt toolgebruik en afgewisseld denken, 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 neemt tekst aan en produceert tekst, waaronder code, uitleg en toolverzoeken. De fabrikant heeft de gewichten onder Apache 2.0 uitgebracht en noemt het het eerste model in de North-familie van code-agents. Het is een gespecialiseerd programmeerprofiel, geen model voor beeldbegrip of een algemene scorer voor 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 rotatiegebaseerde 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 van supervised fine-tuning, gevolgd door reinforcement learning met verifieerbare beloningen, gericht op software-engineering en terminalwerk. De ontwikkelaar beschrijft training met meerdere uitvoeringsomgevingen voor agents in plaats van één vast raamwerk. Dat ondersteunt het voorbereiden van een taak rond het vereiste gedrag en de beschikbare tools, terwijl de omringende uitvoeringsomgeving verantwoordelijk blijft voor bestanden verkrijgen, opdrachten uitvoeren en waarnemingen teruggeven.
Lever de huidige code en het huidige gedrag aan, de gevraagde wijziging, de relevante bestands- of interfacegrenzen en het bewijs waarmee afronding wordt vastgesteld. Voeg bij een bug de waargenomen fout of falende invoer en het verwachte resultaat toe. Geef bij een functie het vereiste gedrag en de compatibiliteitsbeperkingen aan. Een bruikbaar eindresultaat is een voorgestelde codewijziging met uitleg en resultaten van controles die daadwerkelijk zijn uitgevoerd.
Een voorbeeldverzoek kan vragen een parser bij te werken voor een extra ondersteunde invoer, met behoud van bestaande formaten. Benoem representatieve invoer en het repositorydeel dat het gedrag van de parser bepaalt. Het model kan code en toolwaarnemingen gebruiken om de wijziging te ontwikkelen; een gegenereerde patch of een verklaring dat een opdracht zou moeten draaien is geen bewijs dat die opdracht is geslaagd.
De eigen modelkaart documenteert training voor toolgebruik en beveelt toolbeschrijvingen volgens JSON Schema aan via de 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 bestandsonderzoek het materiaal kan leveren dat de volgende stap nodig heeft. Houd elk toolresultaat gekoppeld aan de aanroep-ID, zodat latere analyse de bedoelde waarneming gebruikt.
Het voorbeeld van de ontwikkelaar bewaart een toolaanroep en de redenering van de assistent in de geschiedenis, voert de tool uit en voegt het resultaat toe voordat opnieuw wordt gegenereerd. Het voorbeeld van de eigen sjabloon 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 is iets anders dan beweren dat willekeurige schema-afgedwongen einduitvoer wordt ondersteund.
North Mini Code ondersteunt afgewisseld denken, dat de ontwikkelaar aanbeveelt in te schakelen voor agentwerk. Neem door het model gegenereerde denk-inhoud en toolaanroepen mee naar volgende agentstappen en gespreksbeurten. Het eigen voorbeeld bewaart een reasoning-veld bij het assistentbericht en geeft daarna de bijbehorende toolwaarneming terug. Zo blijft de informatie behouden die het model gebruikte om te bepalen wat het daarna moest onderzoeken 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 resultaat, met behoud van het bewijs dat nodig is voor beoordeling. Afgewisselde redenering betekent niet dat een kort zichtbaar antwoord geen analyse vereiste en stelt evenmin vast dat een door het model beschreven actie al heeft plaatsgevonden.
De ontwikkelaar noemt ook wetenschappelijk programmeren en algoritmisch redeneren buiten een agentcyclus. Geef 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 benodigde resultaat is, met uitleg op het niveau dat de lezer nodig heeft.
Lever bij code-uitleg de implementatie aan en het specifieke gedrag of de afhankelijkheid die moet worden verduidelijkt. Benoem bij 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 ontwikkelaar omvatten code-uitleg, bewerken, visualisatie en implementatie vanuit 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 maximaal 64K uitvoertokens. Bereid omvangrijk repositorymateriaal voor rond die afzonderlijke budgetten en de grootte van het eindresultaat. Houd brongrenzen en ID’s 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 de chatsjabloon van het model, inclusief een generatieprompt, voor tekst- en toolprocessen. 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. Kies het passende modelbestand wanneer je een uitrol voorbereidt.
Een bruikbaar North Mini Code-resultaat is controleerbare code of een technische uitleg die is verbonden met de aangeleverde vereisten. 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 van die voorstellen een afgeronde softwaretaak maken.
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.