North Mini Code：面向开发者的智能编码模型 | Cohere

今天我们正式开源 North Mini Code。这是一款混合专家（MoE）模型，也是 Cohere 首个面向 agent 的编程模型，更是我们新一代强大模型系列的首位成员。

North Mini Code 总参数量为 30B，其中仅 3B 为活跃参数，在无需昂贵硬件的前提下，即可提供出色的软件开发性能。它天生高效，专为在你需要的任何环境中运行而设计。

North Mini Code 采用 Apache 2.0 许可证免费开放，这推动了 Cohere 让主权 AI 成为现实可行方案的使命，让开发者能够直接获得 agentic 编程能力。我们选择开放构建，因为 AI 的未来应由那些运行、测试并改进它的人共同塑造。

你可以在 Hugging Face 下载模型权重，或在 Model Vault 上部署到专用的托管推理环境中。此外，你也可以在 OpenCode 上免费试用，或使用 Cohere API key 进行体验。欢迎分享你的作品，并在 X 或 Discord 上 @Cohere，或通过 Reddit 与我们互动。

概览

| 模型 | North-Mini-Code-1.0 | | --- | | 许可证 | Apache 2.0 | | 模型大小 | 总参数量 30B；活跃参数 3B | | 上下文长度 | 总上下文 256K；最大生成长度 64K | | 优化方向 | 代码生成、agentic 软件工程、终端任务 | | 可用平台 | Hugging Face（权重）、Cohere API、Cohere Model Vault、OpenRouter | | 硬件要求（最低） | 1× H100 @ FP8 |

Agentic 编程能力

在与同规模模型的基准测试对比中，North Mini Code 取得了具有竞争力的分数，展现了在真实软件工程任务中的强劲性能。

图 1：North Mini Code 在 agentic 软件工程、终端任务以及复杂代码生成基准测试中的表现，与同规模主流开源模型的对比。¹ ²

North Mini Code 的基准测试分数 在 Artificial Analysis Coding Index 上达到了 33.4，在同规模模型中处于有竞争力的位置。

面向开发者的速度优势

North Mini Code 专为速度和效率而设计，在我们持续优化和扩展模型的过程中，重点在于降低总拥有成本。

在我们的测试中，在相同的并发级别和硬件配置下，North Mini Code 的输出吞吐量比 Devstral Small 2 高出 2.8 倍。实际应用中，这意味着工作速率提升了近三倍，能够实现更快的迭代，同时降低计算开销。

North Mini Code 在 token 间延迟方面也表现出 30% 的优势，该指标反映了 token 生成的一致性和节奏。两个模型的首 token 生成时间（TTFT）表现较为接近，Devstral Small 2 在测试条件下保持微弱优势。

图 2：在内部测试中，使用编程 prompt 时，North Mini Code 与 Devstral Small 2 在高并发和低并发场景下的输出速度与延迟对比。

面向开发者的主权开放模型

North Mini Code 是我们首个面向开发者的开源模型。随着编程 agent 改变软件工程的面貌，开发者需要对其 agentic 编程基础设施拥有控制权和灵活性。

North Mini Code 是小型 agentic 编程模型领域的一次进步，能够完成对开发者至关重要的任务。具体来说，它专为 agentic 工作流而构建，包括理解并编排子 agent、映射系统架构以及执行代码审查。你可以按自己的方式在本地或本地部署。

社区的反馈将直接影响我们的路线图，因为我们正在扩展生态系统，以提供更开放、更具主权的开发者模型。当你需要摆脱供应商限制时，请尝试 North Mini Code，并帮助我们构建下一个版本。

下一步计划？

North Mini Code 是 Cohere 新一代强大模型系列的首个成员——当然不是最后一个——旨在构建一个更具主权的开源生态系统。

我们致力于提升自身能力，社区的反馈将决定下一步的发展方向。

快速上手

通过尝试 North Mini Code，帮助我们为软件开发构建一个完整的主权 AI 生态系统。North Mini Code 可在 Hugging Face 和 Model Vault（我们完全托管的推理平台）上免费获取。我们专门针对与 OpenCode 的兼容性进行了训练，但它也适用于大多数编程 agent。

欢迎分享你的作品，并在 X 或 Discord 上 @Cohere，或通过 Reddit 与我们互动，共同塑造主权模型的未来。

请访问我们的文档，获取详细的模型规格、部署指南和入门教程。

脚注

1 我们使用了公开报告的竞争对手模型分数，这些分数来自原始报告或 Artificial Analysis Intelligence Index（如适用）。此外，Gemma 4 在 agentic 编程任务上的分数由 Qwen 团队报告。对于图 1 中标记为 (*) 的、缺少公开报告的基准测试结果，我们使用推荐的模型配置在内部进行了运行。

2 我们使用“SWE-agent”框架评估了 North Mini Code 在 SWE-Bench Verified 和 SWE-Bench Pro 上的表现，并使用一个简单的 ReAct 框架（采用单个终端使用工具）评估了 Terminal Bench v2。对于 Terminal Bench Hard，我们对 North Mini Code 和内部评估的其他模型均使用了 Terminus-2 框架。