Modèles optimisés pour l'écriture, l'explication et la révision de code.
Sélection rapide
11 modèles
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
≈ 0,0065 $US/exécution
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
≈ 0,0408 $US/exécution
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
≈ 0,0504 $US/exécution
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
≈ 0,0074 $US/exécution
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
≈ 0,0030 $US/exécution
IBM Granite 20B Code Instruct. Larger Granite code model balancing quality and inference cost for enterprise CI/CD code-review automation.
code-generationgraniteopen-weights
0,12 $US/1M entrée
0,60 $US/1M sortie
IBM Granite 8B Code Instruct. Trained on permissively-licensed code, strong on multi-language code completion and instruction-following.
code-generationgraniteopen-weights
0,060 $US/1M entrée
0,30 $US/1M sortie
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
≈ 0,0924 $US/exécution
Community
Phind CodeLlama 34B v2. Highly tuned CodeLlama variant focused on retrieval-augmented developer assistant workflows.
code-generationphindopen-weights
≈ 0,2161 $US/exécution
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
≈ 1,188 $US/exécution
Community
WizardLM WizardCoder 33B v1.1. Evol-Instruct fine-tune of DeepSeek-Coder-33B with strong code-generation benchmark performance.
code-generationwizardlmopen-weights
≈ 0,0253 $US/exécution
Mistral AI
Mistral's code-specialized model. Optimized for code generation, completion, and understanding across 80+ languages.
codingfastmultilanguage
Actuellement non proposé
Salesforce
350M autoregressive code generation model from Salesforce, the smallest of the original CodeGen family. The mono variant was further trained on Python so it is well suited for short Python completions and program synthesis from a natural-language or code prompt.
codecodegenpython
Actuellement non proposé
DeepSeek
1.3B instruction-tuned code model from DeepSeek, trained on 2 trillion tokens of code and natural language across 87 languages with a 16k context window. One of the strongest tiny coders for its size, handling generation, completion and short coding instructions.
codedeepseek-coderinstruct
Actuellement non proposé
DeepSeek
DeepSeek's specialized coding model. Excellent at code generation, debugging, and explanation.
codingaffordable
Actuellement non proposé
IBM Granite 34B Code Instruct. Largest Granite code-instruction model. Top-tier among Apache-2.0 code LLMs on HumanEval, MBPP and MultiPL-E.
code-generationgraniteopen-weights
Désactivé
IBM Granite 3B Code Instruct. Apache-2.0 small code-instruction model. Strong on Python, Java, JavaScript and Go for enterprise IDE integrations.
code-generationgraniteopen-weights
Désactivé
xAI's Grok coding-focused model. Tuned for code generation and software development tasks with a 256k token context window for working over large codebases.
grokcodecoding
Actuellement non proposé
Alibaba (Qwen)
Alibaba's largest open Qwen2.5-Coder model. Trained on a code-heavy corpus, it matches or beats much larger general models on code generation and repair benchmarks like HumanEval and MBPP, and supports over 40 programming languages with fill-in-the-middle completion.
codinginstructopen-weights
Actuellement non proposé
Alibaba (Qwen)
The 7B instruct member of Alibaba's Qwen2.5-Coder family. A lighter, faster option for code completion, generation, and bug fixing across 40+ languages, with a 128k context and fill-in-the-middle support. Good price-to-quality balance for everyday coding tasks.
codinginstructopen-weights
Actuellement non proposé
Community
Replit's 3B code-completion model, trained on a permissively licensed code subset of the Stack across 20 programming languages. Built for low-latency autocomplete rather than chat. Served on Replicate per call.
replitcodingcompletion
Désactivé
Hugging Face
3B code completion model from Replit trained on roughly 1 trillion tokens of permissively licensed code across 30 programming languages, with a 4k context window. Designed for autocomplete-style code generation and fill-in-the-middle.
codereplitcode-completion
Actuellement non proposé
Stability AI
Instruction-tuned 3B code model from Stability AI, fine-tuned from stable-code-3b for chat-style coding tasks. Handles code generation, explanation and fix-up across multiple languages and was competitive with larger code models on benchmarks at release.
codestable-codeinstruct
Actuellement non proposé
BigCode
BigCode StarCoder2 3B code-generation model. Trained on The Stack v2, supports 600+ programming languages. Apache-2.0 licensed for commercial use.
code-generationopen-weightssmall
Désactivé
BigCode
BigCode StarCoder2 7B code-generation model. 16k context, 600+ programming languages, strong fill-in-the-middle (FIM) performance.
code-generationopen-weightsapache-2
Désactivé
01.AI
01.AI Yi-Coder 9B chat model. Strong multilingual code completion and chat, 128k context, competitive with code-specialized models 2x its size.
code-generation01aiopen-weights
Désactivé
Leurs pages restent en ligne, mais les modèles ne peuvent pas être exécutés pour le moment.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Tous les modèles disponibles via une API compatible OpenAI. Crédits prépayés en USD, sans abonnement.
