Railwail
Anmelden

Code-Modelle

Modelle, die auf das Schreiben, Erklären und Prüfen von Code ausgelegt sind.

Verfügbar
11von 26
Anbieter
2
Preisspanne
$ 0,0030 – $ 1,188pro Standardlauf

Schnellwahl

11 Modelle

  • Code Llama 13B Instruct

    Meta

    Meta's 13B Code Llama tuned for instruction following. A faster mid-size option for code generation and completion, supporting infilling for inserting code at a cursor position. Served on Replicate per call.

    code-llamacodinginstruct

    Modalitäten: Text16 384 Kontext

    ca. $ 0,0065/Lauf

  • Code Llama 34B Instruct

    Meta

    Meta's 34B Code Llama tuned for instruction following. A balance of size and quality for code generation, completion, and explanation, with strong coverage of Python, JavaScript, and other common languages. Runs on Replicate per call.

    code-llamacodinginstruct

    Modalitäten: Text16 384 Kontext

    ca. $ 0,0408/Lauf

  • Code Llama 70B Instruct

    Meta

    Meta's largest Code Llama, a 70B Llama-2 derivative specialized for programming and tuned to follow instructions in chat form. Handles code generation, completion, and explanation across common languages. Served on Replicate as a per-call endpoint.

    code-llamacodinginstruct

    Modalitäten: Text16 384 Kontext

    ca. $ 0,0504/Lauf

  • Code Llama 7B Instruct

    Meta

    Meta's smallest Code Llama at 7B parameters, tuned for instruction following. The cheapest and fastest member of the family for quick code generation, completion, and infilling. Served on Replicate per call.

    code-llamacodinginstruct

    Modalitäten: Text16 384 Kontext

    ca. $ 0,0074/Lauf

  • DeepSeek Coder 33B Instruct (GGUF)

    Community

    Quantized GGUF build of DeepSeek's 33B code model, trained on roughly 2T tokens that are about 87 percent code. Designed for repository-level completion and project-aware generation thanks to a 16k context window. Runs on Replicate as a per-call endpoint.

    deepseekcodinginstruct

    Modalitäten: Text16 384 Kontext

    ca. $ 0,0030/Lauf

  • Granite Code 20B

    IBM

    IBM Granite 20B Code Instruct. Larger Granite code model balancing quality and inference cost for enterprise CI/CD code-review automation.

    code-generationgraniteopen-weights

    Modalitäten: Text8192 Kontext

    $ 0,12/1 Mio. In

    $ 0,60/1 Mio. Out

  • Granite Code 8B

    IBM

    IBM Granite 8B Code Instruct. Trained on permissively-licensed code, strong on multi-language code completion and instruction-following.

    code-generationgraniteopen-weights

    Modalitäten: Text128 000 Kontext

    $ 0,060/1 Mio. In

    $ 0,30/1 Mio. Out

  • Magicoder S CL 7B

    Community

    UIUC Magicoder S CL 7B. CodeLlama-7B fine-tuned with OSS-Instruct synthetic data. Strong HumanEval Plus and MBPP Plus performance per parameter.

    code-generationopen-weightsresearch

    Modalitäten: Text16 384 Kontext

    ca. $ 0,0924/Lauf

  • Phind CodeLlama 34B v2

    Community

    Phind CodeLlama 34B v2. Highly tuned CodeLlama variant focused on retrieval-augmented developer assistant workflows.

    code-generationphindopen-weights

    Modalitäten: Text16 384 Kontext

    ca. $ 0,2161/Lauf

  • StarCoder2 15B

    Community

    BigCode StarCoder2 15B code-generation flagship. Trained on 4T tokens of Stack v2 data with grouped-query attention and 16k context.

    code-generationbigcodeopen-weights

    Modalitäten: Text16 384 Kontext

    ca. $ 1,188/Lauf

  • WizardCoder 33B

    Community

    WizardLM WizardCoder 33B v1.1. Evol-Instruct fine-tune of DeepSeek-Coder-33B with strong code-generation benchmark performance.

    code-generationwizardlmopen-weights

    Modalitäten: Text16 384 Kontext

    ca. $ 0,0253/Lauf

15 Modelle derzeit nicht verfügbar

Die Seiten bleiben erreichbar, die Modelle lassen sich aber gerade nicht ausführen.

Code-Generierungs-Modelle für Autovervollständigung, Review und Refactors

Code-Generierungs-Modelle sind große Sprachmodelle, die speziell auf Quellcode trainiert oder feinjustiert wurden. Sie treiben IDE-Autovervollständigung, PR-Review, automatisches Refactoring, Test-Generierung und sprachübergreifende Übersetzung an. Du greifst zu einem Code-Modell — statt zu einem allgemeinen Textmodell —, wenn du höhere Korrektheit bei Programmieraufgaben und strukturierte Ausgaben (Diffs, JSON) willst, die gut mit Entwickler-Tooling zusammenspielen.

Preise, Abwägungen und Stolperfallen

Die Preisgestaltung bei Code-Generierung folgt demselben Per-Token-Modell wie allgemeiner Text. Auf Railwail kosten Flagship-Modelle wie Claude Sonnet 4.6 (3,60 USD) oder GPT-5.4 (3,00 USD) einige US-Dollar pro Million Input-Tokens, kleinere Code-Modelle wie Granite Code 8B beginnen bei 0,06 USD pro Million. Eine einzelne IDE-Autocomplete-Anfrage läuft selten über wenige Tausend Input-Tokens, der Aufruf-Preis liegt also bei Bruchteilen eines Cents. Die Rechnungen wachsen, wenn du Agenten ausspielst, die sich pro Aufgabe Dutzende Male selbst neu prompten.

Das Trade-off-Dreieck heißt Korrektheit, Geschwindigkeit und Kontext. Flagships lösen schwierigere Probleme und folgen Projektkonventionen zuverlässiger, antworten aber mit 30–80 Tokens/Sekunde — innerhalb einer engen Autocomplete-Schleife fühlt sich das langsam an. Schnelle Budget-Modelle (Codestral Mamba, GPT-5 Mini) streamen mit 200+ Tokens/Sekunde und fühlen sich im Editor nativ an. Für Batch-Aufgaben (refactor ein ganzes Repo, generiere Tests für fünfzig Dateien) gewinnt Flagship-Korrektheit. Für enge Autocomplete-Schleifen gewinnt die schnelle Stufe.

Achte auf datei-übergreifenden Kontext: Die meisten Autocomplete-Schleifen senden nur die aktuelle Datei. Für echtes codebasis-bewusstes Refactoring brauchst du eine Retrieval-Schicht, die verwandte Dateien in den Prompt zieht. Tools wie Cursor und Continue machen das automatisch; wenn du es selbst baust, embedde zuerst die Codebase und hol pro Anfrage die fünf bis zehn relevantesten Dateien.

Achte auf Lizenzkontamination: Einige Open-Weights-Code-Modelle wurden ausschließlich auf permissiv lizenziertem Code trainiert, andere haben GPL-Code mit unklaren Weiterverbreitungs-Bedingungen mitgenommen. Wenn du generierten Code in einem Closed-Source-Produkt ausspielst, bevorzuge kommerzielle Modelle mit expliziten Lizenz-Garantien für den Code.

Die Top-Picks oben decken das Korrektheits-Flagship, das günstigste Arbeitspferd, das Long-Context-Modell und die schnellste Autocomplete-Option ab.

Typische Aufgaben

  • IDE-Autocomplete und Tab-Completion
  • Pull-Request-Review und Feedback
  • Datei-übergreifendes automatisches Refactoring
  • Test-Generierung
  • Code-Übersetzung zwischen Sprachen
  • Dokumentations- und Kommentar-Generierung

Ratgeber nach Anwendungsfall

Häufige Fragen

Welches Code-Modell schreibt den korrektesten Code?

GPT-5 und Claude 4.6 Sonnet führen aktuell auf HumanEval+, SWE-bench und Codeforces-artigen Problemsätzen. Bei domain-spezifischen Sprachen (SQL, Regex, Infrastructure-as-Code) schlagen spezialisierte Modelle die Flagships manchmal auf der engen Aufgabe, verlieren aber beim allgemeinen Reasoning.

Welches ist am günstigsten?

Auf Railwail gehören Granite Code 8B (0,06 USD) und Granite Code 20B (0,12 USD pro Million Input-Tokens) zu den günstigsten Code-Modellen. Kleinere Open-Weights-Modelle erledigen routinemäßiges Autocomplete und Refactoring gut; greif zum Flagship, wenn Korrektheit wichtiger ist als Kosten.

Was ist mit codebasis-bewusstem Kontext?

Die meisten Code-Modelle arbeiten ab Werk mit Single-File-Kontext. Für Multi-File-Reasoning brauchst du eine Retrieval-Schicht, die dein Repo embeddet und verwandte Dateien einbezieht. Cursor und Continue.dev machen das automatisch; in deinen eigenen Agenten nutze ein Embedding-Modell aus /models/embedding, um den Retriever zu bauen.

Kann ich diese für Autocomplete in meiner IDE nutzen?

Tools, in denen du eine eigene OpenAI-kompatible Base-URL setzen kannst, können Railwails Chat-Endpoint aufrufen. Streaming wird noch nicht unterstützt, deshalb funktionieren Autocomplete-Plugins, die auf gestreamte Tokens angewiesen sind, eventuell nicht; Chat- und Batch-Aufgaben schon.

Welche Programmiersprachen werden unterstützt?

Flagship-Modelle beherrschen 80+ Sprachen mit starker Performance auf den Top 20 (Python, TypeScript, JavaScript, Java, Go, Rust, C++, C#, Ruby, PHP, Swift, Kotlin, SQL, Bash usw.). Nischen-Sprachen (Erlang, Elixir, Crystal, Zig) funktionieren weiterhin, aber mit niedrigerer Korrektheit — prüfe auf eigenen Snippets, bevor du integrierst.

Können sie Tests generieren?

Ja, und das ist heute einer der besten ROI-Use-Cases. Füttere eine Funktion und frag nach Unit-Tests; das Modell produziert 5–15 Testfälle inklusive Edge-Cases und Fehlerpfaden. Kombiniere mit einem Coverage-Tool, um die Suite vor dem Merge zu validieren.

Wie ist der generierte Code lizenziert?

Kommerzielle Modelle gewähren unbeschränkte kommerzielle Nutzung des Outputs. Wenige Open-Weights-Checkpoints, die auf GPL-lizenziertem Code trainiert wurden, tragen Lizenzkontaminations-Ambivalenz — die Modellkarte listet die Lizenzangabe der Trainingsdaten. Für Closed-Source-Produkte bevorzuge kommerzielle Modelle mit expliziter Urheberrechts-Freistellung.

Gibt es einen JSON-Mode für strukturierten Output?

Die Anbieter-APIs unterstützen es, aber Railwails Chat-Endpoint reicht `response_format` noch nicht weiter. Bitte im Prompt um JSON und prüfe das Ergebnis; für datei-übergreifende Edit-Pläne liefert ein im Prompt beschriebenes Schema mit Dateipfaden und Datei-spezifischen Diff-Aktionen die zuverlässigsten Ergebnisse.

Mit einer API loslegen

Alle verfügbaren Modelle über eine OpenAI-kompatible API. Guthaben in USD im Voraus, kein Abo.

Konto erstellenAPI-Doku