Modele dostrojone do pisania, wyjaśniania i recenzowania kodu.
Szybki wybór
11 modeli
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 USD/uruchomienie
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 USD/uruchomienie
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 USD/uruchomienie
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 USD/uruchomienie
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 USD/uruchomienie
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 USD/1M wej.
0,60 USD/1M wyj.
IBM Granite 8B Code Instruct. Trained on permissively-licensed code, strong on multi-language code completion and instruction-following.
code-generationgraniteopen-weights
0,060 USD/1M wej.
0,30 USD/1M wyj.
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 USD/uruchomienie
Community
Phind CodeLlama 34B v2. Highly tuned CodeLlama variant focused on retrieval-augmented developer assistant workflows.
code-generationphindopen-weights
≈ 0,2161 USD/uruchomienie
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 USD/uruchomienie
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 USD/uruchomienie
Mistral AI
Mistral's code-specialized model. Optimized for code generation, completion, and understanding across 80+ languages.
codingfastmultilanguage
Obecnie niedostępne
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
Obecnie niedostępne
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
Obecnie niedostępne
DeepSeek
DeepSeek's specialized coding model. Excellent at code generation, debugging, and explanation.
codingaffordable
Obecnie niedostępne
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
Wyłączone
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
Wyłączone
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
Obecnie niedostępne
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
Obecnie niedostępne
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
Obecnie niedostępne
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
Wyłączone
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
Obecnie niedostępne
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
Obecnie niedostępne
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
Wyłączone
BigCode
BigCode StarCoder2 7B code-generation model. 16k context, 600+ programming languages, strong fill-in-the-middle (FIM) performance.
code-generationopen-weightsapache-2
Wyłączone
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
Wyłączone
Ich strony pozostają dostępne, ale modele nie mogą być uruchamiane w tej chwili.
Modele do generowania kodu to duże modele językowe trenowane lub fine-tunowane konkretnie na kodzie źródłowym. Zasilają autouzupełnianie w IDE, PR review, zautomatyzowaną refaktoryzację, generowanie testów i tłumaczenie cross-language. Po model kodu — zamiast ogólnego modelu tekstowego — sięgasz, gdy chcesz silniejszej poprawności w zadaniach programistycznych oraz ustrukturyzowanego outputu (diffy, JSON), który dobrze współpracuje z tooling developerskim.
Cennik w generowaniu kodu idzie tym samym modelem per-token co ogólny tekst. Na Railwail flagshipowe modele, takie jak Claude Sonnet 4.6 (3,60 USD) czy GPT-5.4 (3,00 USD), kosztują kilka dolarów za milion tokenów wejściowych, a mniejsze modele kodu, jak Granite Code 8B, zaczynają się od 0,06 USD za milion. Pojedyncze żądanie autouzupełniania w IDE rzadko mieści więcej niż kilka tysięcy tokenów wejściowych, więc koszt na wywołanie to ułamek centa. Rachunki rosną, gdy wypuszczasz agentów, którzy sami się reprompują dziesiątki razy w jednym zadaniu.
Trójkąt kompromisu to poprawność, prędkość i kontekst. Flagshipy rozwiązują trudniejsze problemy i pewniej trzymają się konwencji projektu, ale odpowiadają z prędkością 30-80 tokenów/sekundę, co czuje się wolno wewnątrz ciasnej pętli autouzupełniania. Szybkie budżetowe modele (Codestral Mamba, GPT-5 Mini) strumieniują z 200+ tokenami/sekundę i czują się natywnie w edytorze. Dla zadań batch (refaktoryzacja całego repo, generowanie testów do pięćdziesięciu plików) wygrywa poprawność flagshipa. Dla ciasnych pętli autouzupełniania wygrywa szybki tier.
Uwaga na kontekst cross-file: większość pętli autouzupełniania wysyła tylko bieżący plik. Dla prawdziwie codebase-aware refaktoryzacji potrzebna jest warstwa retrievalu, która wciąga powiązane pliki do promptu. Narzędzia jak Cursor i Continue robią to automatycznie; jeśli budujesz własne, najpierw zembeduj codebase i pobieraj 5-10 najbardziej trafnych plików na żądanie.
Uwaga na skażenie licencyjne: kilka modeli kodu open-weights było trenowanych tylko na kodzie z permisywnymi licencjami; inne zgarnęły kod GPL z niejasnymi warunkami redystrybucji. Jeśli wypuszczasz wygenerowany kod w produkcie closed-source, preferuj modele komercyjne z jawnymi gwarancjami dotyczącymi licencji kodu.
Top picks powyżej obejmują najbardziej poprawnego flagshipa, najtańszego konia roboczego, model o najdłuższym kontekście i najszybszą opcję autouzupełniania.
GPT-5 i Claude 4.6 Sonnet obecnie prowadzą w HumanEval+, SWE-bench i zestawach problemów w stylu Codeforces. Dla języków specyficznych dla domeny (SQL, regex, infrastructure-as-code) wyspecjalizowane modele czasem przebijają flagshipy na wąskim zadaniu, gubiąc się w ogólnym rozumowaniu.
Na Railwail Granite Code 8B (0,06 USD) i Granite Code 20B (0,12 USD za milion tokenów wejściowych) należą do najtańszych modeli kodu. Mniejsze modele open-weights dobrze radzą sobie z rutynowym autouzupełnianiem i refaktoryzacją; po flagship sięgaj, gdy poprawność liczy się bardziej niż koszt.
Większość modeli kodu pracuje out of the box na kontekście pojedynczego pliku. Dla rozumowania multi-file potrzebna jest warstwa retrievalu, która embeduje twoje repo i wciąga powiązane pliki. Cursor i Continue.dev robią to automatycznie; we własnych agentach użyj modelu embeddingowego z /models/embedding, by zbudować retriever.
Narzędzia, w których można ustawić własny base URL zgodny z OpenAI, mogą wywoływać endpoint czatu Railwail. Streaming nie jest jeszcze obsługiwany, więc wtyczki autouzupełniania zależne od strumieniowanych tokenów mogą nie działać; zadania czatowe i wsadowe działają.
Modele flagship obsługują 80+ języków z silną wydajnością w top 20 (Python, TypeScript, JavaScript, Java, Go, Rust, C++, C#, Ruby, PHP, Swift, Kotlin, SQL, Bash itd.). Niszowe języki (Erlang, Elixir, Crystal, Zig) wciąż działają, ale z niższą poprawnością — zweryfikuj na własnych snippetach przed integracją.
Tak, i to jeden z najlepszych use case'ów ROI dzisiaj. Podaj funkcję i poproś o unit testy; model produkuje 5-15 przypadków testowych włącznie z edge case'ami i ścieżkami błędów. Połącz z narzędziem coverage, by zwalidować suite przed merge'em.
Modele komercyjne udzielają nieograniczonego komercyjnego użytku outputu. Niektóre checkpointy open-weights trenowane na kodzie GPL niosą niejednoznaczność skażenia licencyjnego — karta modelu pokazuje ujawnienie licencji danych treningowych. Dla produktów closed-source preferuj modele komercyjne z jawną ochroną prawnoautorską.
API dostawców to obsługują, ale endpoint czatu Railwail nie przekazuje jeszcze `response_format`. Poproś o JSON w prompcie i zwaliduj wynik; przy planach edycji wielu plików najpewniejsze wyniki daje schemat opisany w prompcie ze ścieżkami plików i akcjami diff dla każdego pliku.
Wszystkie dostępne modele przez jedno API kompatybilne z OpenAI. Przedpłacone kredyty w USD, bez subskrypcji.
