Modelos optimizados para escribir, explicar y revisar código.
Selecciones rápidas
11 modelos
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
≈ USD 0.0065/ejecución
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
≈ USD 0.0408/ejecución
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
≈ USD 0.0504/ejecución
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
≈ USD 0.0074/ejecución
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
≈ USD 0.0030/ejecución
IBM Granite 20B Code Instruct. Larger Granite code model balancing quality and inference cost for enterprise CI/CD code-review automation.
code-generationgraniteopen-weights
USD 0.12/1M entrada
USD 0.60/1M salida
IBM Granite 8B Code Instruct. Trained on permissively-licensed code, strong on multi-language code completion and instruction-following.
code-generationgraniteopen-weights
USD 0.060/1M entrada
USD 0.30/1M salida
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
≈ USD 0.0924/ejecución
Community
Phind CodeLlama 34B v2. Highly tuned CodeLlama variant focused on retrieval-augmented developer assistant workflows.
code-generationphindopen-weights
≈ USD 0.2161/ejecución
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
≈ USD 1.188/ejecución
Community
WizardLM WizardCoder 33B v1.1. Evol-Instruct fine-tune of DeepSeek-Coder-33B with strong code-generation benchmark performance.
code-generationwizardlmopen-weights
≈ USD 0.0253/ejecución
Mistral AI
Mistral's code-specialized model. Optimized for code generation, completion, and understanding across 80+ languages.
codingfastmultilanguage
Actualmente no disponible
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
Actualmente no disponible
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
Actualmente no disponible
DeepSeek
DeepSeek's specialized coding model. Excellent at code generation, debugging, and explanation.
codingaffordable
Actualmente no disponible
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
Desactivado
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
Desactivado
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
Actualmente no disponible
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
Actualmente no disponible
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
Actualmente no disponible
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
Desactivado
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
Actualmente no disponible
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
Actualmente no disponible
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
Desactivado
BigCode
BigCode StarCoder2 7B code-generation model. 16k context, 600+ programming languages, strong fill-in-the-middle (FIM) performance.
code-generationopen-weightsapache-2
Desactivado
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
Desactivado
Sus páginas siguen en línea, pero no se pueden ejecutar en este momento.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Todos los modelos disponibles a través de una API compatible con OpenAI. Créditos prepagados en USD, sin suscripción.
