Railwail
Accedi

Modelli di codice

Modelli ottimizzati per scrivere, spiegare e revisionare codice.

Disponibili
11di 26
Provider
2
Fascia di prezzo
0,0030 USD – 1,188 USDper esecuzione predefinita

Scelte rapide

11 modelli

  • 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

    Modalità: Testo16,4K contesto

    ≈ 0,0065 USD/esecuzione

  • 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

    Modalità: Testo16,4K contesto

    ≈ 0,0408 USD/esecuzione

  • 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

    Modalità: Testo16,4K contesto

    ≈ 0,0504 USD/esecuzione

  • 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

    Modalità: Testo16,4K contesto

    ≈ 0,0074 USD/esecuzione

  • 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

    Modalità: Testo16,4K contesto

    ≈ 0,0030 USD/esecuzione

  • 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

    Modalità: Testo8,2K contesto

    0,12 USD/1M in

    0,60 USD/1M 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

    Modalità: Testo128K contesto

    0,060 USD/1M in

    0,30 USD/1M 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

    Modalità: Testo16,4K contesto

    ≈ 0,0924 USD/esecuzione

  • Phind CodeLlama 34B v2

    Community

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

    code-generationphindopen-weights

    Modalità: Testo16,4K contesto

    ≈ 0,2161 USD/esecuzione

  • 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

    Modalità: Testo16,4K contesto

    ≈ 1,188 USD/esecuzione

  • 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

    Modalità: Testo16,4K contesto

    ≈ 0,0253 USD/esecuzione

15 modelli attualmente non disponibili

Le loro pagine rimangono online, ma non possono essere eseguiti al momento.

Modelli di generazione codice per autocomplete, review e refactor

I modelli di generazione codice sono large language model addestrati o fine-tuned specificamente su codice sorgente. Alimentano l'autocomplete IDE, la PR review, il refactoring automatizzato, la generazione di test e la traduzione cross-language. Si ricorre a un modello code — rispetto a uno di testo generico — quando si vuole maggiore correttezza sui task di programmazione e output strutturati (diff, JSON) che si integrano bene con il tooling per sviluppatori.

Prezzi, compromessi e insidie

Il pricing nella generazione di codice segue lo stesso modello per-token della generazione testo generico. Su Railwail i modelli flagship come Claude Sonnet 4.6 (3,60 USD) o GPT-5.4 (3,00 USD) costano qualche dollaro per milione di token in input, mentre modelli di codice più piccoli come Granite Code 8B partono da 0,06 USD per milione. Una singola richiesta di autocomplete IDE raramente supera qualche migliaio di token in input, quindi il costo per chiamata è una frazione di centesimo. Le bollette crescono quando si rilasciano agenti che si ri-promptano dozzine di volte per task.

Il triangolo di compromessi è correttezza, velocità e contesto. I flagship risolvono problemi più difficili e seguono le convenzioni di progetto in modo più affidabile ma rispondono a 30-80 token/secondo, sensazione lenta dentro un loop di autocomplete stretto. I modelli economici veloci (Codestral Mamba, GPT-5 Mini) streamano a 200+ token/secondo e nell'editor sembrano nativi. Per task batch (refactor di un intero repo, generare test per cinquanta file) la correttezza del flagship vince. Per loop di autocomplete stretti, vince il tier veloce.

Attenzione al contesto cross-file: la maggior parte dei loop di autocomplete invia solo il file corrente. Per un refactor veramente codebase-aware serve un layer di retrieval che tira i file correlati nel prompt. Tool come Cursor e Continue lo fanno automaticamente; se ne state costruendo uno vostro, embeddate prima la codebase e recuperate i 5-10 file più rilevanti per richiesta.

Attenzione alla contaminazione di licenza: alcuni modelli code open-weights sono stati addestrati solo su codice con licenza permissiva; altri hanno spazzato codice GPL con termini di ridistribuzione ambigui. Se rilasciate codice generato in un prodotto closed-source, preferite modelli commerciali con garanzie esplicite sulla licenza del codice.

Le top picks qui sopra coprono il flagship più corretto, il workhorse più economico, il modello con il contesto più lungo e l'opzione di autocomplete più veloce.

Attività tipiche

  • Autocomplete e tab-completion IDE
  • Pull-request review e feedback
  • Refactoring automatizzato cross-file
  • Generazione di test
  • Traduzione di codice tra linguaggi
  • Generazione di documentazione e commenti

Ratgeber per caso d'uso

Domande frequenti

Quale modello code scrive il codice più corretto?

GPT-5 e Claude 4.6 Sonnet guidano oggi su HumanEval+, SWE-bench e problemi in stile Codeforces. Per linguaggi specifici di dominio (SQL, regex, infrastructure-as-code), i modelli specializzati a volte superano i flagship sul task ristretto perdendo sul ragionamento generale.

Quale è il più economico?

Su Railwail Granite Code 8B (0,06 USD) e Granite Code 20B (0,12 USD per milione di token in input) sono tra i modelli di codice più economici. I modelli open-weights più piccoli gestiscono bene autocomplete e refactoring di routine; passate a un flagship quando la correttezza conta più del costo.

E il contesto codebase-aware?

La maggior parte dei modelli code lavora su contesto single-file out of the box. Per il ragionamento multi-file serve un layer di retrieval che embeddi il vostro repo e tiri i file correlati. Cursor e Continue.dev lo fanno automaticamente; nei vostri agenti, usate un modello embedding da /models/embedding per costruire il retriever.

Posso usarli per l'autocomplete nel mio IDE?

Gli strumenti che permettono di impostare un base URL personalizzato compatibile con OpenAI possono chiamare l'endpoint di chat di Railwail. Lo streaming non è ancora supportato, quindi i plugin di autocomplete che dipendono da token in streaming potrebbero non funzionare; chat e attività batch sì.

Quali linguaggi di programmazione supportano?

I modelli flagship gestiscono 80+ linguaggi con forte performance sui top 20 (Python, TypeScript, JavaScript, Java, Go, Rust, C++, C#, Ruby, PHP, Swift, Kotlin, SQL, Bash, ecc.). I linguaggi di nicchia (Erlang, Elixir, Crystal, Zig) funzionano comunque ma con minore correttezza — verificate sui vostri snippet prima di integrare.

Possono generare test?

Sì, ed è uno dei migliori use-case oggi in termini di ROI. Date una funzione e chiedete unit test; il modello produce 5-15 casi di test inclusi edge case e percorsi d'errore. Affiancate uno strumento di coverage per validare la suite prima del merge.

Come è licenziato il codice generato?

I modelli commerciali concedono uso commerciale illimitato dell'output. Alcuni checkpoint open-weights addestrati su codice GPL portano ambiguità di contaminazione di licenza — la model card elenca la disclosure sulla licenza dei dati di training. Per prodotti closed-source, preferite modelli commerciali con indemnity esplicita sui diritti d'autore.

C'è una modalità JSON per output strutturato?

Le API dei fornitori lo supportano, ma l'endpoint di chat di Railwail non inoltra ancora `response_format`. Chiedete JSON nel prompt e validate il risultato; per piani di modifica multi-file, uno schema descritto nel prompt con percorsi dei file e azioni diff per file dà i risultati più affidabili.

Inizia con un'API

Tutti i modelli disponibili tramite un'API compatibile con OpenAI. Crediti prepagati in USD, nessun abbonamento.

Crea accountDocumentazione API