Railwail
Iniciar sesión

Modelos de código

Modelos optimizados para escribir, explicar y revisar código.

Disponible
11de 26
Proveedores
2
Rango de precios
0,0030 US$ – 1,188 US$por ejecución predeterminada

Selección rápida

11 modelos

  • 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

    Modalidades: Texto16,4 mil contexto

    ≈ 0,0065 US$/ejecución

  • 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

    Modalidades: Texto16,4 mil contexto

    ≈ 0,0408 US$/ejecución

  • 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

    Modalidades: Texto16,4 mil contexto

    ≈ 0,0504 US$/ejecución

  • 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

    Modalidades: Texto16,4 mil contexto

    ≈ 0,0074 US$/ejecución

  • 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

    Modalidades: Texto16,4 mil contexto

    ≈ 0,0030 US$/ejecución

  • 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

    Modalidades: Texto8,2 mil contexto

    0,12 US$/1M entrada

    0,60 US$/1M salida

  • 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

    Modalidades: Texto128 mil contexto

    0,060 US$/1M entrada

    0,30 US$/1M salida

  • 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

    Modalidades: Texto16,4 mil contexto

    ≈ 0,0924 US$/ejecución

  • Phind CodeLlama 34B v2

    Community

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

    code-generationphindopen-weights

    Modalidades: Texto16,4 mil contexto

    ≈ 0,2161 US$/ejecución

  • 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

    Modalidades: Texto16,4 mil contexto

    ≈ 1,188 US$/ejecución

  • 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

    Modalidades: Texto16,4 mil contexto

    ≈ 0,0253 US$/ejecución

15 modelos actualmente no disponibles

Sus páginas permanecen en línea, pero no se pueden ejecutar en este momento.

Modelos de generación de código para autocompletado, revisión y refactorización

Los modelos de generación de código son grandes modelos de lenguaje entrenados o afinados específicamente con código fuente. Impulsan el autocompletado en IDE, la revisión de PR, la refactorización automatizada, la generación de pruebas y la traducción entre lenguajes. Recurres a un modelo de código — antes que a uno general de texto — cuando quieres mayor corrección en tareas de programación y salidas estructuradas (diffs, JSON) que encajan bien con las herramientas de desarrollo.

Precios, compensaciones y trampas

La tarificación en generación de código sigue el mismo modelo por token que el texto general. En Railwail, los modelos punteros como Claude Sonnet 4.6 (3,60 USD) o GPT-5.4 (3,00 USD) cuestan unos pocos dólares por millón de tokens de entrada, mientras que modelos de código más pequeños como Granite Code 8B empiezan en 0,06 USD por millón. Una sola petición de autocompletado en IDE rara vez supera unos pocos miles de tokens de entrada, así que el coste por llamada son fracciones de céntimo. Las facturas crecen cuando lanzas agentes que se vuelven a invocar docenas de veces por tarea.

El triángulo de compromiso es corrección, velocidad y contexto. Los punteros resuelven problemas más duros y siguen las convenciones del proyecto con más fiabilidad pero responden a 30-80 tokens/segundo, lo cual se siente lento dentro de un bucle de autocompletado ajustado. Los modelos económicos rápidos (Codestral Mamba, GPT-5 Mini) streaman a más de 200 tokens/segundo y se sienten nativos en el editor. Para tareas por lotes (refactorizar todo un repo, generar pruebas para cincuenta archivos), la corrección puntero gana. Para bucles de autocompletado ajustados, gana el nivel rápido.

Cuidado con el contexto entre archivos: la mayoría de los bucles de autocompletado solo envían el archivo actual. Para refactorización realmente consciente del codebase, necesitas una capa de recuperación que tire los archivos relacionados al prompt. Herramientas como Cursor y Continue lo hacen automáticamente; si lo desarrollas tú, embebee primero el codebase y recupera los 5-10 archivos más relevantes por petición.

Cuidado con la contaminación de licencias: unos pocos modelos de código de pesos abiertos se entrenaron solo con código de licencias permisivas; otros barrieron código GPL con términos de redistribución poco claros. Si vas a publicar código generado en un producto de código cerrado, prefiere modelos comerciales con garantías explícitas de licencia de código.

Las selecciones principales arriba cubren el puntero más correcto, el caballo de batalla más barato, el modelo con el contexto más largo y la opción de autocompletado más rápida.

Tareas típicas

  • Autocompletado y tab-completion en IDE
  • Revisión y feedback de pull requests
  • Refactorización automatizada entre archivos
  • Generación de pruebas
  • Traducción de código entre lenguajes
  • Generación de documentación y comentarios

Guías por caso de uso

Preguntas frecuentes

¿Qué modelo de código escribe código más correcto?

GPT-5 y Claude 4.6 Sonnet lideran actualmente en HumanEval+, SWE-bench y conjuntos de problemas tipo Codeforces. Para lenguajes específicos de dominio (SQL, regex, infraestructura como código), los modelos especializados a veces superan a los punteros en la tarea estrecha mientras pierden en razonamiento general.

¿Cuál es el más barato?

En Railwail, Granite Code 8B (0,06 USD) y Granite Code 20B (0,12 USD por millón de tokens de entrada) están entre los modelos de código más baratos. Los modelos pequeños de pesos abiertos resuelven bien el autocompletado y el refactoring rutinarios; recurre a un modelo puntero cuando la corrección importe más que el coste.

¿Y el contexto consciente del codebase?

La mayoría de los modelos de código funcionan con contexto de un solo archivo por defecto. Para razonamiento multi-archivo, necesitas una capa de recuperación que embebea tu repo y traiga los archivos relacionados. Cursor y Continue.dev lo hacen automáticamente; en tus propios agentes, usa un modelo de embeddings desde /models/embedding para construir el recuperador.

¿Puedo usarlos para autocompletado en mi IDE?

Las herramientas que permiten configurar una URL base propia compatible con OpenAI pueden llamar al endpoint de chat de Railwail. El streaming todavía no está disponible, así que los plugins de autocompletado que dependen de tokens en streaming pueden no funcionar; las tareas de chat y por lotes sí.

¿Qué lenguajes de programación admiten?

Los modelos punteros manejan más de 80 lenguajes con fuerte rendimiento en los 20 principales (Python, TypeScript, JavaScript, Java, Go, Rust, C++, C#, Ruby, PHP, Swift, Kotlin, SQL, Bash, etc.). Los lenguajes de nicho (Erlang, Elixir, Crystal, Zig) siguen funcionando pero con menor corrección — verifica con tus propios fragmentos antes de integrar.

¿Pueden generar pruebas?

Sí, y este es uno de los mejores casos de uso en ROI hoy. Alimenta una función y pide pruebas unitarias; el modelo produce 5-15 casos de prueba incluyendo casos límite y rutas de error. Empareja con una herramienta de cobertura para validar la suite antes de hacer merge.

¿Cómo se licencia el código generado?

Los modelos comerciales conceden uso comercial sin restricciones de la salida. Unos pocos checkpoints de pesos abiertos entrenados con código bajo licencia GPL llevan ambigüedad de contaminación de licencia — la ficha del modelo lista la divulgación de licencia de los datos de entrenamiento. Para productos de código cerrado, prefiere modelos comerciales con indemnización explícita de copyright.

¿Hay un modo JSON para salida estructurada?

Las APIs de los proveedores lo admiten, pero el endpoint de chat de Railwail todavía no reenvía `response_format`. Pide JSON en el prompt y valida el resultado; para planes de edición multiarchivo, un esquema descrito en el prompt con rutas de archivo y acciones diff por archivo da los resultados más fiables.

Construir con una API

Todos los modelos disponibles a través de una API compatible con OpenAI. Créditos prepagados en USD, sin suscripción.

Crear cuentaDocumentación de API