Railwail
Se connecter

Modèles de code

Modèles optimisés pour l'écriture, l'explication et l'examen de code.

Disponibles
11sur 26
Fournisseurs
2
Gamme de prix
0,0030 $US – 1,188 $USpar exécution par défaut

Sélection rapide

11 modèles

  • 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

    Modalités: Texte16,4 k contexte

    ≈ 0,0065 $US/exécution

  • 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

    Modalités: Texte16,4 k contexte

    ≈ 0,0408 $US/exécution

  • 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

    Modalités: Texte16,4 k contexte

    ≈ 0,0504 $US/exécution

  • 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

    Modalités: Texte16,4 k contexte

    ≈ 0,0074 $US/exécution

  • 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

    Modalités: Texte16,4 k contexte

    ≈ 0,0030 $US/exécution

  • 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

    Modalités: Texte8,2 k contexte

    0,12 $US/1M entrée

    0,60 $US/1M sortie

  • 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

    Modalités: Texte128 k contexte

    0,060 $US/1M entrée

    0,30 $US/1M sortie

  • 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

    Modalités: Texte16,4 k contexte

    ≈ 0,0924 $US/exécution

  • Phind CodeLlama 34B v2

    Community

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

    code-generationphindopen-weights

    Modalités: Texte16,4 k contexte

    ≈ 0,2161 $US/exécution

  • 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

    Modalités: Texte16,4 k contexte

    ≈ 1,188 $US/exécution

  • 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

    Modalités: Texte16,4 k contexte

    ≈ 0,0253 $US/exécution

15 modèles actuellement indisponibles

Leurs pages restent en ligne, mais les modèles ne peuvent pas être exécutés pour le moment.

Modèles de génération de code pour autocomplete, review et refactoring

Les modèles de génération de code sont des grands modèles de langage entraînés ou affinés spécifiquement sur du code source. Ils alimentent l'autocomplete IDE, la PR review, le refactoring automatisé, la génération de tests et la traduction cross-langage. On y a recours — plutôt qu'à un modèle texte généraliste — quand on veut une correction plus forte sur les tâches de programmation et des sorties structurées (diffs, JSON) qui se marient bien avec l'outillage dev.

Tarification, compromis et pièges

La tarification en génération de code suit le même modèle au token que le texte généraliste. Sur Railwail, les modèles phares comme Claude Sonnet 4.6 (3,60 USD) ou GPT-5.4 (3,00 USD) coûtent quelques dollars par million de tokens d'entrée, tandis que des modèles de code plus petits comme Granite Code 8B démarrent à 0,06 USD par million. Une seule requête d'autocomplete IDE dépasse rarement quelques milliers de tokens d'entrée, alors le coût par appel se compte en fractions de centime. Les factures gonflent quand vous livrez des agents qui se relancent des dizaines de fois par tâche.

Le triangle de compromis est correction, vitesse et contexte. Les phares résolvent des problèmes plus durs et suivent les conventions du projet plus fidèlement mais répondent à 30-80 tokens/seconde, ce qui paraît lent dans une boucle d'autocomplete serrée. Les modèles rapides économiques (Codestral Mamba, GPT-5 Mini) streament à 200+ tokens/seconde et paraissent natifs dans l'éditeur. Pour les tâches par lots (refactor de tout un repo, génération de tests pour cinquante fichiers), la correction phare gagne. Pour les boucles d'autocomplete serrées, le tiers rapide gagne.

Attention au contexte cross-fichier : la plupart des boucles d'autocomplete n'envoient que le fichier courant. Pour du refactoring conscient du codebase, vous avez besoin d'une couche de retrieval qui tire les fichiers connexes dans le prompt. Des outils comme Cursor et Continue le font automatiquement ; si vous le construisez vous-même, embeddez le codebase d'abord et récupérez les 5 à 10 fichiers les plus pertinents par requête.

Attention à la contamination de licence : quelques modèles open-weights ont été entraînés uniquement sur du code sous licence permissive ; d'autres ont aspiré du code GPL avec des termes de redistribution flous. Si vous livrez du code généré dans un produit closed-source, préférez les modèles commerciaux avec garanties explicites de licence de code.

Les top picks ci-dessus couvrent le phare le plus correct, le cheval de trait le moins cher, le modèle au plus long contexte et l'option autocomplete la plus rapide.

Tâches typiques

  • Autocomplete IDE et tab-completion
  • Review de pull request et feedback
  • Refactoring automatisé cross-fichier
  • Génération de tests
  • Traduction de code entre langages
  • Génération de documentation et commentaires

Guides par cas d'usage

Questions fréquemment posées

Quel modèle de code écrit le code le plus correct ?

GPT-5 et Claude 4.6 Sonnet mènent actuellement sur HumanEval+, SWE-bench et les ensembles de problèmes type Codeforces. Pour des langages spécifiques au domaine (SQL, regex, infrastructure-as-code), des modèles spécialisés surpassent parfois les phares sur la tâche étroite tout en perdant sur le raisonnement généraliste.

Lequel est le moins cher ?

Sur Railwail, Granite Code 8B (0,06 USD) et Granite Code 20B (0,12 USD par million de tokens d'entrée) font partie des modèles de code les moins chers. Les petits modèles open-weights gèrent bien l'autocomplete et le refactoring routiniers ; allez vers un phare quand la correction compte plus que le coût.

Et le contexte conscient du codebase ?

La plupart des modèles de code fonctionnent sur un contexte mono-fichier par défaut. Pour du raisonnement multi-fichier, vous avez besoin d'une couche de retrieval qui embeddes votre repo et tire les fichiers connexes. Cursor et Continue.dev le font automatiquement ; dans vos propres agents, utilisez un modèle d'embedding depuis /models/embedding pour construire le retriever.

Puis-je les utiliser pour l'autocomplete dans mon IDE ?

Les outils qui permettent de définir une URL de base personnalisée compatible OpenAI peuvent appeler l'endpoint de chat de Railwail. Le streaming n'est pas encore pris en charge, donc les plugins d'autocomplete qui dépendent de tokens streamés risquent de ne pas fonctionner ; les tâches de chat et par lots, si.

Quels langages de programmation prennent-ils en charge ?

Les modèles phares gèrent 80+ langages avec une forte performance sur le top 20 (Python, TypeScript, JavaScript, Java, Go, Rust, C++, C#, Ruby, PHP, Swift, Kotlin, SQL, Bash, etc.). Les langages de niche (Erlang, Elixir, Crystal, Zig) fonctionnent encore mais avec une correction plus basse — vérifiez sur vos propres snippets avant d'intégrer.

Peuvent-ils générer des tests ?

Oui, et c'est l'un des meilleurs cas d'usage en ROI aujourd'hui. Donnez une fonction et demandez des tests unitaires ; le modèle produit 5 à 15 cas de test incluant les cas limites et les chemins d'erreur. Couplez avec un outil de couverture pour valider la suite avant merge.

Comment le code généré est-il licencié ?

Les modèles commerciaux accordent un usage commercial sans restriction de la sortie. Quelques checkpoints open-weights entraînés sur du code sous licence GPL portent une ambiguïté de contamination de licence — la fiche modèle liste la divulgation de licence des données d'entraînement. Pour les produits closed-source, préférez les modèles commerciaux avec indemnité de copyright explicite.

Existe-t-il un mode JSON pour sortie structurée ?

Les API des fournisseurs le prennent en charge, mais l'endpoint de chat de Railwail ne transmet pas encore `response_format`. Demandez du JSON dans le prompt et validez le résultat ; pour des plans d'édition multi-fichier, un schéma décrit dans le prompt avec chemins de fichier et actions diff par fichier donne les résultats les plus fiables.

Commencer avec une API

Tous les modèles disponibles via une API compatible OpenAI. Crédits prépayés en USD, sans abonnement.

Créer un compteDocumentation API
Modèles de code | Railwail