North Mini Code 1.0 é o modelo da Cohere para engenharia de software com agentes, tarefas de terminal e geração de código. Recebe texto e produz texto, incluindo código, explicações e pedidos de ferramentas. O fabricante disponibilizou os pesos sob Apache 2.0 e identifica-o como o primeiro modelo da família de agentes de código North. É um perfil especializado de programação, e não um modelo de compreensão de imagens ou um avaliador genérico de decisões.
O modelo tem 30 mil milhões de parâmetros no total, com cerca de 3 mil milhões ativos. O seu Transformer apenas de descodificador utiliza uma mistura esparsa de especialistas com 128 especialistas, oito ativados por token e uma camada densa antes das camadas esparsas. A atenção de janela deslizante com posições rotativas é intercalada com atenção global sem embeddings posicionais numa proporção de 3:1. O número de parâmetros ativos descreve o cálculo utilizado para um token, e não o conjunto total de pesos que tem de ser armazenado.
O pós-treino da Cohere utiliza duas etapas de afinação supervisionada seguidas de aprendizagem por reforço com recompensas verificáveis, centradas na engenharia de software e no trabalho de terminal. O fabricante descreve treino em vários ambientes de execução de agentes, em vez de uma única estrutura fixa. Isto apoia a preparação de uma tarefa em torno do comportamento exigido e das ferramentas disponíveis, enquanto o ambiente envolvente continua responsável por obter ficheiros, executar comandos e devolver observações.
Forneça o código e o comportamento atuais, a alteração pedida, os limites relevantes de ficheiros ou interfaces e os elementos que estabelecerão a conclusão. Para um erro, inclua o erro observado ou a entrada com falha e o resultado esperado. Para uma funcionalidade, indique o comportamento exigido e as restrições de compatibilidade. Um resultado final útil é uma alteração de código proposta com uma explicação e resultados de verificações efetivamente executadas.
Um pedido ilustrativo pode solicitar a atualização de um analisador para uma entrada adicional suportada, preservando os formatos existentes. Identifique entradas representativas e a parte do repositório que define o comportamento do analisador. O modelo pode utilizar código e observações de ferramentas para desenvolver a alteração; uma alteração gerada ou uma afirmação de que um comando deve ser executado não é prova de que o comando tenha sido bem-sucedido.
A ficha nativa do modelo documenta treino de utilização de ferramentas e recomenda descrições de ferramentas em esquema JSON através do formato de conversação do modelo. Descreva claramente a finalidade e os argumentos de uma ferramenta. Uma ferramenta de execução de comandos pode devolver a saída e o estado reais, enquanto uma ferramenta de inspeção de ficheiros pode devolver o material necessário à etapa seguinte. Mantenha cada resultado de ferramenta associado ao identificador da respetiva chamada, para que a análise posterior utilize a observação pretendida.
O exemplo do fabricante preserva uma chamada de ferramenta e o raciocínio do assistente no histórico, executa a ferramenta e acrescenta o resultado antes de voltar a gerar. O exemplo do formato nativo utiliza um dicionário estruturado para o resultado da ferramenta. Preserve essa representação segundo a integração documentada, em vez de presumir que todas as APIs sem relação serializam resultados de ferramentas da mesma forma. Um esquema JSON que descreve os argumentos de uma ferramenta é diferente de uma afirmação de suporte a saída final arbitrária sujeita a esquema.
North Mini Code suporta raciocínio intercalado, que o fabricante recomenda ativar para trabalho com agentes. Transporte o conteúdo de raciocínio gerado pelo modelo e as chamadas de ferramentas para as etapas seguintes do agente e os turnos de conversa. O exemplo nativo mantém um campo de raciocínio com a mensagem do assistente e devolve depois a observação de ferramenta correspondente. Isto preserva a informação que o modelo utilizou ao decidir o que examinar ou alterar a seguir.
Mantenha o objetivo atual, o material de origem e as observações reais no histórico da tarefa. Para uma tarefa de repositório mais longa, resuma o resultado final em torno do comportamento alterado e do conteúdo útil, mantendo os elementos necessários à revisão. O raciocínio intercalado não implica que uma resposta visível curta não tenha exigido análise, nem estabelece que uma ação descrita pelo modelo já tenha ocorrido.
O fabricante identifica também programação científica e raciocínio algorítmico fora de um ciclo de agente. Forneça a definição do problema, os formatos de entrada e saída, as restrições, os pressupostos numéricos relevantes e o comportamento esperado nos casos-limite. Peça uma função ou um programa completo quando esse for o resultado exigido, com uma explicação ao nível necessário para o leitor.
Para explicação de código, forneça a implementação e o comportamento ou a dependência específicos a esclarecer. Para código de visualização de dados, identifique os campos fornecidos e a comparação pretendida, em vez de deixar implícita a finalidade do gráfico. Os exemplos de desenvolvimento do fabricante incluem explicação e edição de código, visualização e implementação a partir de uma especificação. São padrões de tarefas para gerar ou modificar código, e não uma promessa de resultados corretos para todos os repositórios ou ambientes de desenvolvimento.
A ficha do modelo e a página de API do fabricante indicam uma janela de contexto de 256K tokens e uma saída máxima de 64K tokens. Prepare material substancial do repositório em torno desses limites separados e da dimensão do resultado final. Mantenha intactos os limites e os identificadores das fontes e remova material irrelevante, em vez de presumir que uma janela grande elimina a necessidade de um pedido focado.
A ficha nativa do modelo recomenda temperature 1.0 e top_p 0.95 para geração e utiliza o formato de conversação do modelo, incluindo um prompt de geração, para fluxos de texto e ferramentas. Os limites de saída dos exemplos são definições desses exemplos, e não substitutos do máximo publicado do modelo. A Cohere publica pesos BF16 e um modelo FP8 com nome separado. Selecione o formato adequado ao preparar uma implementação.
Um resultado North Mini Code útil é um conteúdo de código ou uma explicação técnica inspecionável, ligado aos requisitos fornecidos. Compare o resultado com o comportamento original e a saída real das ferramentas, verifique os pressupostos que afetam o código e conserve a fonte e as observações necessárias à revisão. O modelo de programação exclusivamente textual fornece raciocínio e conteúdo gerado; a aplicação envolvente executa as operações que transformam essas propostas numa tarefa de software concluída.
", "aboutText": "North Mini Code 1.0 é o modelo da Cohere para engenharia de software com agentes, tarefas de terminal e geração de código. Recebe texto e produz texto, incluindo código, explicações e pedidos de ferramentas. O fabricante disponibilizou os pesos sob Apache 2.0 e identifica-o como o primeiro modelo da família de agentes de código North. É um perfil especializado de programação, e não um modelo de compreensão de imagens ou um avaliador genérico de decisões.\n\n### Arquitetura esparsa e preparação para programação\n\nO modelo tem 30 mil milhões de parâmetros no total, com cerca de 3 mil milhões ativos. O seu Transformer apenas de descodificador utiliza uma mistura esparsa de especialistas com 128 especialistas, oito ativados por token e uma camada densa antes das camadas esparsas. A atenção de janela deslizante com posições rotativas é intercalada com atenção global sem embeddings posicionais numa proporção de 3:1. O número de parâmetros ativos descreve o cálculo utilizado para um token, e não o conjunto total de pesos que tem de ser armazenado.\n\nO pós-treino da Cohere utiliza duas etapas de afinação supervisionada seguidas de aprendizagem por reforço com recompensas verificáveis, centradas na engenharia de software e no trabalho de terminal. O fabricante descreve treino em vários ambientes de execução de agentes, em vez de uma única estrutura fixa. Isto apoia a preparação de uma tarefa em torno do comportamento exigido e das ferramentas disponíveis, enquanto o ambiente envolvente continua responsável por obter ficheiros, executar comandos e devolver observações.\n\n### Prepare uma alteração ao nível do repositório\n\nForneça o código e o comportamento atuais, a alteração pedida, os limites relevantes de ficheiros ou interfaces e os elementos que estabelecerão a conclusão. Para um erro, inclua o erro observado ou a entrada com falha e o resultado esperado. Para uma funcionalidade, indique o comportamento exigido e as restrições de compatibilidade. Um resultado final útil é uma alteração de código proposta com uma explicação e resultados de verificações efetivamente executadas.\n\nUm pedido ilustrativo pode solicitar a atualização de um analisador para uma entrada adicional suportada, preservando os formatos existentes. Identifique entradas representativas e a parte do repositório que define o comportamento do analisador. O modelo pode utilizar código e observações de ferramentas para desenvolver a alteração; uma alteração gerada ou uma afirmação de que um comando deve ser executado não é prova de que o comando tenha sido bem-sucedido.\n\n### Ferramentas de terminal e observações estruturadas\n\nA ficha nativa do modelo documenta treino de utilização de ferramentas e recomenda descrições de ferramentas em esquema JSON através do formato de conversação do modelo. Descreva claramente a finalidade e os argumentos de uma ferramenta. Uma ferramenta de execução de comandos pode devolver a saída e o estado reais, enquanto uma ferramenta de inspeção de ficheiros pode devolver o material necessário à etapa seguinte. Mantenha cada resultado de ferramenta associado ao identificador da respetiva chamada, para que a análise posterior utilize a observação pretendida.\n\nO exemplo do fabricante preserva uma chamada de ferramenta e o raciocínio do assistente no histórico, executa a ferramenta e acrescenta o resultado antes de voltar a gerar. O exemplo do formato nativo utiliza um dicionário estruturado para o resultado da ferramenta. Preserve essa representação segundo a integração documentada, em vez de presumir que todas as APIs sem relação serializam resultados de ferramentas da mesma forma. Um esquema JSON que descreve os argumentos de uma ferramenta é diferente de uma afirmação de suporte a saída final arbitrária sujeita a esquema.\n\n### Raciocínio intercalado e histórico com vários turnos\n\nNorth Mini Code suporta raciocínio intercalado, que o fabricante recomenda ativar para trabalho com agentes. Transporte o conteúdo de raciocínio gerado pelo modelo e as chamadas de ferramentas para as etapas seguintes do agente e os turnos de conversa. O exemplo nativo mantém um campo de raciocínio com a mensagem do assistente e devolve depois a observação de ferramenta correspondente. Isto preserva a informação que o modelo utilizou ao decidir o que examinar ou alterar a seguir.\n\nMantenha o objetivo atual, o material de origem e as observações reais no histórico da tarefa. Para uma tarefa de repositório mais longa, resuma o resultado final em torno do comportamento alterado e do conteúdo útil, mantendo os elementos necessários à revisão. O raciocínio intercalado não implica que uma resposta visível curta não tenha exigido análise, nem estabelece que uma ação descrita pelo modelo já tenha ocorrido.\n\n### Tarefas autónomas de código e explicação\n\nO fabricante identifica também programação científica e raciocínio algorítmico fora de um ciclo de agente. Forneça a definição do problema, os formatos de entrada e saída, as restrições, os pressupostos numéricos relevantes e o comportamento esperado nos casos-limite. Peça uma função ou um programa completo quando esse for o resultado exigido, com uma explicação ao nível necessário para o leitor.\n\nPara explicação de código, forneça a implementação e o comportamento ou a dependência específicos a esclarecer. Para código de visualização de dados, identifique os campos fornecidos e a comparação pretendida, em vez de deixar implícita a finalidade do gráfico. Os exemplos de desenvolvimento do fabricante incluem explicação e edição de código, visualização e implementação a partir de uma especificação. São padrões de tarefas para gerar ou modificar código, e não uma promessa de resultados corretos para todos os repositórios ou ambientes de desenvolvimento.\n\n### Contexto, saída e definições de geração\n\nA ficha do modelo e a página de API do fabricante indicam uma janela de contexto de 256K tokens e uma saída máxima de 64K tokens. Prepare material substancial do repositório em torno desses limites separados e da dimensão do resultado final. Mantenha intactos os limites e os identificadores das fontes e remova material irrelevante, em vez de presumir que uma janela grande elimina a necessidade de um pedido focado.\n\nA ficha nativa do modelo recomenda temperature 1.0 e top_p 0.95 para geração e utiliza o formato de conversação do modelo, incluindo um prompt de geração, para fluxos de texto e ferramentas. Os limites de saída dos exemplos são definições desses exemplos, e não substitutos do máximo publicado do modelo. A Cohere publica pesos BF16 e um modelo FP8 com nome separado. Selecione o formato adequado ao preparar uma implementação.\n\nUm resultado North Mini Code útil é um conteúdo de código ou uma explicação técnica inspecionável, ligado aos requisitos fornecidos. Compare o resultado com o comportamento original e a saída real das ferramentas, verifique os pressupostos que afetam o código e conserve a fonte e as observações necessárias à revisão. O modelo de programação exclusivamente textual fornece raciocínio e conteúdo gerado; a aplicação envolvente executa as operações que transformam essas propostas numa tarefa de software concluída.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "69c9e48bc75af3083bf3e5e19436c467dcac41547118384261bceecde48cd47b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "cohere/north-mini-code:freeNorth Mini Code 1.0 é o modelo exclusivamente textual da Cohere para geração de código, alterações em repositórios e tarefas de agente orientadas por terminal. A sua arquitetura esparsa de 30B no total/3B ativos suporta ferramentas e raciocínio intercalado, com contexto documentado de 256K e limite de saída de 64K.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
North Mini Code 1.0 é o modelo da Cohere para engenharia de software com agentes, tarefas de terminal e geração de código. Recebe texto e produz texto, incluindo código, explicações e pedidos de ferramentas. O fabricante disponibilizou os pesos sob Apache 2.0 e identifica-o como o primeiro modelo da família de agentes de código North. É um perfil especializado de programação, e não um modelo de compreensão de imagens ou um avaliador genérico de decisões.
O modelo tem 30 mil milhões de parâmetros no total, com cerca de 3 mil milhões ativos. O seu Transformer apenas de descodificador utiliza uma mistura esparsa de especialistas com 128 especialistas, oito ativados por token e uma camada densa antes das camadas esparsas. A atenção de janela deslizante com posições rotativas é intercalada com atenção global sem embeddings posicionais numa proporção de 3:1. O número de parâmetros ativos descreve o cálculo utilizado para um token, e não o conjunto total de pesos que tem de ser armazenado.
O pós-treino da Cohere utiliza duas etapas de afinação supervisionada seguidas de aprendizagem por reforço com recompensas verificáveis, centradas na engenharia de software e no trabalho de terminal. O fabricante descreve treino em vários ambientes de execução de agentes, em vez de uma única estrutura fixa. Isto apoia a preparação de uma tarefa em torno do comportamento exigido e das ferramentas disponíveis, enquanto o ambiente envolvente continua responsável por obter ficheiros, executar comandos e devolver observações.
Forneça o código e o comportamento atuais, a alteração pedida, os limites relevantes de ficheiros ou interfaces e os elementos que estabelecerão a conclusão. Para um erro, inclua o erro observado ou a entrada com falha e o resultado esperado. Para uma funcionalidade, indique o comportamento exigido e as restrições de compatibilidade. Um resultado final útil é uma alteração de código proposta com uma explicação e resultados de verificações efetivamente executadas.
Um pedido ilustrativo pode solicitar a atualização de um analisador para uma entrada adicional suportada, preservando os formatos existentes. Identifique entradas representativas e a parte do repositório que define o comportamento do analisador. O modelo pode utilizar código e observações de ferramentas para desenvolver a alteração; uma alteração gerada ou uma afirmação de que um comando deve ser executado não é prova de que o comando tenha sido bem-sucedido.
A ficha nativa do modelo documenta treino de utilização de ferramentas e recomenda descrições de ferramentas em esquema JSON através do formato de conversação do modelo. Descreva claramente a finalidade e os argumentos de uma ferramenta. Uma ferramenta de execução de comandos pode devolver a saída e o estado reais, enquanto uma ferramenta de inspeção de ficheiros pode devolver o material necessário à etapa seguinte. Mantenha cada resultado de ferramenta associado ao identificador da respetiva chamada, para que a análise posterior utilize a observação pretendida.
O exemplo do fabricante preserva uma chamada de ferramenta e o raciocínio do assistente no histórico, executa a ferramenta e acrescenta o resultado antes de voltar a gerar. O exemplo do formato nativo utiliza um dicionário estruturado para o resultado da ferramenta. Preserve essa representação segundo a integração documentada, em vez de presumir que todas as APIs sem relação serializam resultados de ferramentas da mesma forma. Um esquema JSON que descreve os argumentos de uma ferramenta é diferente de uma afirmação de suporte a saída final arbitrária sujeita a esquema.
North Mini Code suporta raciocínio intercalado, que o fabricante recomenda ativar para trabalho com agentes. Transporte o conteúdo de raciocínio gerado pelo modelo e as chamadas de ferramentas para as etapas seguintes do agente e os turnos de conversa. O exemplo nativo mantém um campo de raciocínio com a mensagem do assistente e devolve depois a observação de ferramenta correspondente. Isto preserva a informação que o modelo utilizou ao decidir o que examinar ou alterar a seguir.
Mantenha o objetivo atual, o material de origem e as observações reais no histórico da tarefa. Para uma tarefa de repositório mais longa, resuma o resultado final em torno do comportamento alterado e do conteúdo útil, mantendo os elementos necessários à revisão. O raciocínio intercalado não implica que uma resposta visível curta não tenha exigido análise, nem estabelece que uma ação descrita pelo modelo já tenha ocorrido.
O fabricante identifica também programação científica e raciocínio algorítmico fora de um ciclo de agente. Forneça a definição do problema, os formatos de entrada e saída, as restrições, os pressupostos numéricos relevantes e o comportamento esperado nos casos-limite. Peça uma função ou um programa completo quando esse for o resultado exigido, com uma explicação ao nível necessário para o leitor.
Para explicação de código, forneça a implementação e o comportamento ou a dependência específicos a esclarecer. Para código de visualização de dados, identifique os campos fornecidos e a comparação pretendida, em vez de deixar implícita a finalidade do gráfico. Os exemplos de desenvolvimento do fabricante incluem explicação e edição de código, visualização e implementação a partir de uma especificação. São padrões de tarefas para gerar ou modificar código, e não uma promessa de resultados corretos para todos os repositórios ou ambientes de desenvolvimento.
A ficha do modelo e a página de API do fabricante indicam uma janela de contexto de 256K tokens e uma saída máxima de 64K tokens. Prepare material substancial do repositório em torno desses limites separados e da dimensão do resultado final. Mantenha intactos os limites e os identificadores das fontes e remova material irrelevante, em vez de presumir que uma janela grande elimina a necessidade de um pedido focado.
A ficha nativa do modelo recomenda temperature 1.0 e top_p 0.95 para geração e utiliza o formato de conversação do modelo, incluindo um prompt de geração, para fluxos de texto e ferramentas. Os limites de saída dos exemplos são definições desses exemplos, e não substitutos do máximo publicado do modelo. A Cohere publica pesos BF16 e um modelo FP8 com nome separado. Selecione o formato adequado ao preparar uma implementação.
Um resultado North Mini Code útil é um conteúdo de código ou uma explicação técnica inspecionável, ligado aos requisitos fornecidos. Compare o resultado com o comportamento original e a saída real das ferramentas, verifique os pressupostos que afetam o código e conserve a fonte e as observações necessárias à revisão. O modelo de programação exclusivamente textual fornece raciocínio e conteúdo gerado; a aplicação envolvente executa as operações que transformam essas propostas numa tarefa de software concluída.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites cohere/north-mini-code:free | Predefinição— |
Campomessages | Tipoarray | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites false | Predefiniçãofalse |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Máximo: 64 000 | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Máximo: 64 000 | Predefinição— |
Campon | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Máximo: 128 | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites | Predefinição— |
Camposeed | Tipointeger | RequisitoOpcional | Valores e limites | Predefinição— |
Campostop | Tipo | RequisitoOpcional | Valores e limites | Predefinição— |
Campofrequency_penalty | Tiponumber | RequisitoOpcional | Valores e limites | Predefinição— |
Campopresence_penalty | Tiponumber | RequisitoOpcional | Valores e limites | Predefinição— |
Campouser | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetrooptional | Contratostream, max_tokens, max_completion_tokens, n, temperature, top_p, seed, stop, frequency_penalty, presence_penalty, user |
Parâmetromaterial_types | Contratotext |
Parâmetroconditions | ContratoUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 256000 bytes. |
Ciclo de vida: synchronous_json
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0 / 1K tokens Saída · Tokens de saída $0 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
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
Use os caminhos dos métodos indicados acima.
cohere/north-mini-code:freeNorth Mini Code 1.0 é o modelo exclusivamente textual da Cohere para geração de código, alterações em repositórios e tarefas de agente orientadas por terminal. A sua arquitetura esparsa de 30B no total/3B ativos suporta ferramentas e raciocínio intercalado, com contexto documentado de 256K e limite de saída de 64K.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
North Mini Code 1.0 é o modelo da Cohere para engenharia de software com agentes, tarefas de terminal e geração de código. Recebe texto e produz texto, incluindo código, explicações e pedidos de ferramentas. O fabricante disponibilizou os pesos sob Apache 2.0 e identifica-o como o primeiro modelo da família de agentes de código North. É um perfil especializado de programação, e não um modelo de compreensão de imagens ou um avaliador genérico de decisões.
O modelo tem 30 mil milhões de parâmetros no total, com cerca de 3 mil milhões ativos. O seu Transformer apenas de descodificador utiliza uma mistura esparsa de especialistas com 128 especialistas, oito ativados por token e uma camada densa antes das camadas esparsas. A atenção de janela deslizante com posições rotativas é intercalada com atenção global sem embeddings posicionais numa proporção de 3:1. O número de parâmetros ativos descreve o cálculo utilizado para um token, e não o conjunto total de pesos que tem de ser armazenado.
O pós-treino da Cohere utiliza duas etapas de afinação supervisionada seguidas de aprendizagem por reforço com recompensas verificáveis, centradas na engenharia de software e no trabalho de terminal. O fabricante descreve treino em vários ambientes de execução de agentes, em vez de uma única estrutura fixa. Isto apoia a preparação de uma tarefa em torno do comportamento exigido e das ferramentas disponíveis, enquanto o ambiente envolvente continua responsável por obter ficheiros, executar comandos e devolver observações.
Forneça o código e o comportamento atuais, a alteração pedida, os limites relevantes de ficheiros ou interfaces e os elementos que estabelecerão a conclusão. Para um erro, inclua o erro observado ou a entrada com falha e o resultado esperado. Para uma funcionalidade, indique o comportamento exigido e as restrições de compatibilidade. Um resultado final útil é uma alteração de código proposta com uma explicação e resultados de verificações efetivamente executadas.
Um pedido ilustrativo pode solicitar a atualização de um analisador para uma entrada adicional suportada, preservando os formatos existentes. Identifique entradas representativas e a parte do repositório que define o comportamento do analisador. O modelo pode utilizar código e observações de ferramentas para desenvolver a alteração; uma alteração gerada ou uma afirmação de que um comando deve ser executado não é prova de que o comando tenha sido bem-sucedido.
A ficha nativa do modelo documenta treino de utilização de ferramentas e recomenda descrições de ferramentas em esquema JSON através do formato de conversação do modelo. Descreva claramente a finalidade e os argumentos de uma ferramenta. Uma ferramenta de execução de comandos pode devolver a saída e o estado reais, enquanto uma ferramenta de inspeção de ficheiros pode devolver o material necessário à etapa seguinte. Mantenha cada resultado de ferramenta associado ao identificador da respetiva chamada, para que a análise posterior utilize a observação pretendida.
O exemplo do fabricante preserva uma chamada de ferramenta e o raciocínio do assistente no histórico, executa a ferramenta e acrescenta o resultado antes de voltar a gerar. O exemplo do formato nativo utiliza um dicionário estruturado para o resultado da ferramenta. Preserve essa representação segundo a integração documentada, em vez de presumir que todas as APIs sem relação serializam resultados de ferramentas da mesma forma. Um esquema JSON que descreve os argumentos de uma ferramenta é diferente de uma afirmação de suporte a saída final arbitrária sujeita a esquema.
North Mini Code suporta raciocínio intercalado, que o fabricante recomenda ativar para trabalho com agentes. Transporte o conteúdo de raciocínio gerado pelo modelo e as chamadas de ferramentas para as etapas seguintes do agente e os turnos de conversa. O exemplo nativo mantém um campo de raciocínio com a mensagem do assistente e devolve depois a observação de ferramenta correspondente. Isto preserva a informação que o modelo utilizou ao decidir o que examinar ou alterar a seguir.
Mantenha o objetivo atual, o material de origem e as observações reais no histórico da tarefa. Para uma tarefa de repositório mais longa, resuma o resultado final em torno do comportamento alterado e do conteúdo útil, mantendo os elementos necessários à revisão. O raciocínio intercalado não implica que uma resposta visível curta não tenha exigido análise, nem estabelece que uma ação descrita pelo modelo já tenha ocorrido.
O fabricante identifica também programação científica e raciocínio algorítmico fora de um ciclo de agente. Forneça a definição do problema, os formatos de entrada e saída, as restrições, os pressupostos numéricos relevantes e o comportamento esperado nos casos-limite. Peça uma função ou um programa completo quando esse for o resultado exigido, com uma explicação ao nível necessário para o leitor.
Para explicação de código, forneça a implementação e o comportamento ou a dependência específicos a esclarecer. Para código de visualização de dados, identifique os campos fornecidos e a comparação pretendida, em vez de deixar implícita a finalidade do gráfico. Os exemplos de desenvolvimento do fabricante incluem explicação e edição de código, visualização e implementação a partir de uma especificação. São padrões de tarefas para gerar ou modificar código, e não uma promessa de resultados corretos para todos os repositórios ou ambientes de desenvolvimento.
A ficha do modelo e a página de API do fabricante indicam uma janela de contexto de 256K tokens e uma saída máxima de 64K tokens. Prepare material substancial do repositório em torno desses limites separados e da dimensão do resultado final. Mantenha intactos os limites e os identificadores das fontes e remova material irrelevante, em vez de presumir que uma janela grande elimina a necessidade de um pedido focado.
A ficha nativa do modelo recomenda temperature 1.0 e top_p 0.95 para geração e utiliza o formato de conversação do modelo, incluindo um prompt de geração, para fluxos de texto e ferramentas. Os limites de saída dos exemplos são definições desses exemplos, e não substitutos do máximo publicado do modelo. A Cohere publica pesos BF16 e um modelo FP8 com nome separado. Selecione o formato adequado ao preparar uma implementação.
Um resultado North Mini Code útil é um conteúdo de código ou uma explicação técnica inspecionável, ligado aos requisitos fornecidos. Compare o resultado com o comportamento original e a saída real das ferramentas, verifique os pressupostos que afetam o código e conserve a fonte e as observações necessárias à revisão. O modelo de programação exclusivamente textual fornece raciocínio e conteúdo gerado; a aplicação envolvente executa as operações que transformam essas propostas numa tarefa de software concluída.
POST /v1/messagestexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites cohere/north-mini-code:free | Predefinição— |
Campomessages | Tipoarray | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites false | Predefiniçãofalse |
Camposystem | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites Mínimo: 1 Máximo: 64 000 | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites | Predefinição— |
Campotop_k | Tipointeger | RequisitoOpcional | Valores e limites | Predefinição— |
Campostop_sequences | Tipoarray | RequisitoOpcional | Valores e limites | Predefinição— |
Campometadata | Tipoobject | RequisitoOpcional | Valores e limites | Predefinição— |
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional | Contratostream, system, temperature, top_p, top_k, stop_sequences, metadata |
Parâmetromaterial_types | Contratotext |
Parâmetroconditions | ContratoUse literal text messages only. Cache controls, tools, image/audio/video content and streamed responses are unavailable for this method., The complete encoded JSON request must not exceed 256000 bytes. |
Ciclo de vida: synchronous_json
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0 / 1K tokens Saída · Tokens de saída $0 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
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
Use os caminhos dos métodos indicados acima.