Cohere 9 июня 2026 года представила North Mini Code — свою первую открытую модель, специально обученную для задач разработчиков и агентного программирования. Модель опубликована на Hugging Face под лицензией Apache 2.0, доступна в вариантах BF16 и FP8 и рассчитана не только на генерацию кода, но и на работу внутри coding agents: с терминалом, репозиториями, тестами и инструментами редактирования файлов.
Что произошло
Cohere выпустила North Mini Code 1.0 — модель на 30 млрд параметров в архитектуре Mixture-of-Experts. В каждый момент активно используется около 3 млрд параметров, то есть модель должна быть заметно дешевле в запуске, чем плотная модель сопоставимого общего размера.
Главная идея релиза: Cohere делает не просто «чат-бота, который умеет писать код», а основу для агентных инструментов разработки. Это важное различие. Обычная code-модель хорошо отвечает на запросы вроде «напиши функцию» или «объясни ошибку». Агентная модель должна дольше держать контекст, читать структуру проекта, выполнять команды, редактировать файлы, запускать тесты, исправлять результат и завершать задачу без бесконечного хождения по кругу.
North Mini Code обучали именно под такие сценарии. В статье Cohere отдельно подчёркивает работу с разными агентными harness-средами: SWE-Agent, mini-SWE-agent, OpenCode и терминальные задачи. Это значит, что модель не затачивали только под один интерфейс инструментов. Её учили переносить поведение между разными форматами: где-то есть отдельные typed tools, где-то только bash, где-то весь обмен идёт через текстовые команды.
Почему это заметный релиз
Для Cohere это первый публичный coding-релиз такого типа. У компании уже были сильные enterprise-модели и продукты для бизнеса, но North Mini Code открывает отдельную линию для разработчиков.
С практической точки зрения интересны три вещи.
Первая — лицензия Apache 2.0. Модель можно использовать, дообучать и встраивать в коммерческие продукты без типичных ограничений исследовательских лицензий. Для команд, которые строят внутренние coding agents, это принципиально: можно развернуть модель в своей инфраструктуре и не завязывать весь процесс разработки на внешний закрытый API.
Вторая — размер и MoE-архитектура. 30B с 3B активных параметров — это попытка попасть в середину между маленькими локальными моделями и тяжёлыми закрытыми системами. Такая модель не станет бесплатной для запуска на любом ноутбуке, но она потенциально удобнее для серверного self-hosted сценария, чем модели на 100+ млрд активных параметров.
Третья — упор на агентность, а не только на benchmark-задачи по программированию. Cohere явно целится в workflows, где модель работает с реальным репозиторием: ищет файлы, меняет код, запускает тесты, реагирует на ошибки и постепенно доходит до рабочего патча.
Что изменилось по сравнению с «предыдущей версией»
Прямой предыдущей версии North Mini Code не было: это первый релиз в новой линейке Cohere для разработчиков. Поэтому корректнее сравнивать не с North Mini Code 0.x, а с двумя вещами: с обычными универсальными моделями Cohere и с промежуточной SFT-версией самой модели до reinforcement learning.
По сравнению с универсальными моделями главное отличие — специализация. North Mini Code обучали на смеси, где значительная часть данных связана с программированием, инструментами и агентными задачами. В первой SFT-стадии кодовые данные составляли около 70% обучаемых токенов, причём часть была посвящена tool-use и агентному взаимодействию. Во второй SFT-стадии использовалась более концентрированная смесь на 4,5 млрд токенов, где оставили агентные и reasoning-примеры высокого качества.
По сравнению с SFT-only checkpoint финальная версия получила дополнительное обучение через reinforcement learning with verifiable rewards. Проще говоря, модель не только смотрела на примеры правильного поведения, но и тренировалась в средах, где результат можно проверить: проходят ли тесты, корректно ли выполнена терминальная задача, не сломался ли формат вызова инструмента.
По данным Cohere, RL-этап дал прирост на агентных задачах: улучшились результаты на Terminal-Bench v2 и SWE-Bench, стало меньше невалидных tool calls, сократились лишние длинные траектории, модель стала лучше завершать работу вместо зацикливания. Это важнее, чем кажется: для coding agents проблема часто не в том, что модель «не знает синтаксис», а в том, что она теряет цель, повторяет команды, портит формат инструмента или не умеет вовремя остановиться.
Архитектура простыми словами
North Mini Code — decoder-only Transformer, то есть модель того же общего класса, что и большинство современных LLM. Но внутри используется sparse Mixture-of-Experts: вместо одного большого feed-forward блока есть набор экспертов, и для каждого токена активируется только часть из них.
В этой модели 128 экспертов, из которых 8 выбираются на токен. Такой подход позволяет держать большой общий объём параметров, но не прогонять через вычисления всё сразу. Отсюда и формула: 30B всего, около 3B активных.
Внимание устроено комбинированно: часть слоёв использует sliding-window attention, часть — global attention. Если упростить, sliding-window помогает экономить вычисления на длинных контекстах, а global attention периодически даёт модели возможность смотреть шире. Cohere указывает соотношение 3:1 между локальным и глобальным вниманием.
Контекст — до 128K токенов на поздних стадиях обучения. Для разработки это критично: реальные задачи редко помещаются в один маленький prompt. Нужно держать README, несколько файлов, логи тестов, diff, инструкции пользователя и промежуточные наблюдения агента.
На каких задачах модель должна быть полезна
North Mini Code интересна не как замена автодополнению в IDE, а как модель для более длинных инженерных задач.
Она подходит для:
- исправления багов в существующем репозитории;
- реализации небольших и средних фич по описанию;
- объяснения устройства проекта;
- работы с терминальными задачами;
- генерации и правки тестов;
- анализа ошибок после запуска команд;
- прототипирования интерфейсов и визуализаций;
- использования внутри OpenCode и похожих coding-agent инструментов.
Cohere отдельно оценивала модель на задачах code explanation, code editing, data visualization и implementation from scratch. Это хороший набор, потому что он ближе к реальной работе разработчика, чем одиночные алгоритмические задачки. В обычной разработке важно не просто написать изолированную функцию, а понять контекст, не сломать соседний код и довести изменение до проверяемого состояния.
Сравнение с другими открытыми coding-моделями
Cohere заявляет, что North Mini Code хорошо смотрится среди открытых моделей сопоставимого и даже большего размера. В статье упоминается Artificial Analysis Coding Index: North Mini Code получила 33,4 и, по данным авторов, обошла Qwen3.5 35B-A3B, Gemma 4 26B-A4B, Devstral Small 2 24B Dense, а также некоторые заметно более крупные MoE-модели.
К таким заявлениям стоит относиться спокойно. Benchmark-лидерборды полезны, но для coding agents особенно важны детали: какой harness использовался, были ли совпадения с обучающими данными, насколько задача похожа на ваш реальный репозиторий, как модель ведёт себя при длинной цепочке действий. Cohere это понимает и поэтому отдельно описывает методологию, deduplication против SWE-Bench источников и проверку на нескольких средах.
Самый практичный вывод такой: North Mini Code не обязательно «лучшая модель для всего», но это серьёзный новый кандидат в классе открытых агентных coding-моделей. Особенно если вам важны self-hosting, Apache 2.0 и работа с длинными engineering workflows.
Почему обучение на разных harness-средах важно
Многие coding agents отличаются не только интерфейсом, но и самим способом мышления, который они навязывают модели.
В SWE-Agent модель может получать специализированные команды и структурированные наблюдения. В mini-SWE-agent всё гораздо проще: один bash-инструмент и сырой stdout. В OpenCode набор инструментов другой: edit, grep, task и прочие typed calls с JSON-ответами.
Если модель обучали только под один формат, она может хорошо выглядеть в одном benchmark, но теряться в другом агенте. Например, привыкнуть всегда отвечать шаблоном, который подходит для SWE-Agent, но ломается в OpenCode. Cohere пишет, что добавление небольшой доли данных из других harness-сред дало заметный прирост на OpenCode без ухудшения основного SWE-Agent результата.
Для пользователя это означает более высокую переносимость. Модель можно пробовать не только в «родной» демонстрации, но и в разных инструментах, где формат вызова команд и редактирования файлов отличается.
Для кого это важно
Релиз важен в первую очередь для трёх групп.
Первая — разработчики и команды, которые хотят экспериментировать с локальными или приватными coding agents. Если нельзя отправлять кодовую базу в закрытый внешний API, открытая модель с коммерчески пригодной лицензией становится более привлекательной.
Вторая — разработчики инструментов. IDE-плагины, автономные агенты, CI-помощники, code review ассистенты и внутренние платформы могут использовать North Mini Code как базовую модель или как кандидат для fine-tuning.
Третья — исследователи и ML-инженеры, которым интересна агентная RL-подготовка. В статье много деталей не только о финальном результате, но и о pipeline: SFT-стадии, верифицируемые задачи, разные окружения, асинхронный RL, борьба с невалидными tool calls и длинными траекториями.
Обычному разработчику, который просто хочет быстрый чат «напиши мне функцию на Python», релиз тоже может быть полезен, но главная ценность модели раскрывается в более длинной работе с проектом.
Ограничения и здравый смысл
North Mini Code остаётся LLM, а не полноценным разработчиком. Она может ошибаться, предлагать небезопасные изменения, неверно понимать архитектуру проекта или проходить тесты случайно, не решив исходную проблему полностью.
Особенно осторожно её стоит использовать в задачах, связанных с безопасностью, миграциями данных, инфраструктурой, платежами и правами доступа. Агентная модель, получившая терминал и возможность менять файлы, должна работать в ограниченном окружении: отдельная ветка, контейнер, sandbox, явный review diff перед merge.
Также не стоит ожидать, что MoE автоматически означает дешёвый запуск на слабом железе. FP8-вариант помогает снизить требования, но 30B-модель всё равно ориентирована скорее на GPU-серверы и специализированный inference, чем на массовый consumer-ноутбук.
Как попробовать
Есть несколько вариантов.
Самый простой — Hugging Face. Cohere выложила веса North Mini Code 1.0 в BF16 и FP8. BF16 подойдёт для максимального качества и экспериментов на подходящем железе. FP8 — для более экономичного inference, если ваша платформа и стек нормально поддерживают такую квантизацию.
Второй вариант — OpenCode. В оригинальном анонсе Cohere отдельно предлагает пробовать North Mini Code через OpenCode, потому что модель обучалась с учётом агентных сценариев и должна работать в таких инструментах естественнее, чем универсальные LLM.
Третий вариант — Cohere API. Это удобнее, если не хочется самостоятельно поднимать inference, обслуживать GPU, настраивать vLLM или следить за квантизацией. Для продуктовой команды API часто быстрее на старте: можно проверить качество на своих задачах, а уже потом решать, нужен ли self-hosted контур.
Четвёртый вариант — локальная или серверная интеграция в собственный coding agent. Здесь уже потребуется больше инженерной работы: подобрать inference runtime, настроить tool-calling формат, ограничить права агента, добавить запуск тестов, логирование и review изменений.
Если нужен доступ к платным AI-инструментам, подпискам или аккаунтам для экспериментов, их часто покупают через маркетплейсы вроде plati.market. Но конкретно North Mini Code сама по себе опубликована открыто, поэтому начинать логичнее с Hugging Face или официального Cohere API.
Что это значит для рынка coding agents
Рынок постепенно смещается от простых code completion моделей к агентам, которые могут выполнять полноценные задачи в репозитории. Для этого нужны другие качества: устойчивость к длинному контексту, дисциплина в tool calls, умение читать stdout, исправлять ошибки после тестов и не зацикливаться.
North Mini Code как раз попадает в эту волну. Cohere не просто показала очередную модель «для кода», а опубликовала подробный рассказ о том, как её учили работать в агентных окружениях. Это полезный сигнал для всей индустрии: качество coding model всё чаще определяется не только LiveCodeBench или HumanEval-подобными задачами, а поведением в реальных инженерных циклах.
Для разработчиков это хорошая новость. Чем больше сильных открытых моделей появляется в этом классе, тем меньше зависимость от одного-двух закрытых провайдеров. А значит, больше вариантов для приватного кода, enterprise-развёртываний, кастомных агентов и специализированных внутренних инструментов.
Итог
North Mini Code — важный первый шаг Cohere в сторону моделей для разработчиков. Это открытая Apache 2.0 модель на 30B параметров с MoE-архитектурой, 3B активных параметров и явной специализацией на агентном программировании.
Главное в релизе не сам факт генерации кода, а фокус на реальной работе с проектами: терминал, репозитории, тесты, разные agent harnesses и длинные цепочки действий. Прямой предыдущей версии у модели нет, но по сравнению с обычными универсальными моделями Cohere это отдельная специализированная ветка, а по сравнению с SFT-only вариантом финальная модель получила усиление через RL на проверяемых задачах.
Если вы строите coding agent, внутренний инструмент для разработки или просто следите за открытыми альтернативами закрытым code-моделям, North Mini Code стоит добавить в список для тестов.
Источник
Introducing North Mini Code: Cohere’s First Model For Developers — Hugging Face