Railwail
Iniciar sessão

Modelos de Código

Modelos otimizados para escrever, explicar e revisar código.

Disponível
11de 26
Fornecedores
2
Faixa de preço
US$ 0,0030 – US$ 1,188por execução padrão

Seleções rápidas

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

    ≈ US$ 0,0065/execução

  • 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

    ≈ US$ 0,0408/execução

  • 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

    ≈ US$ 0,0504/execução

  • 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

    ≈ US$ 0,0074/execução

  • 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

    ≈ US$ 0,0030/execução

  • 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

    US$ 0,12/1M entrada

    US$ 0,60/1M saída

  • 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

    US$ 0,060/1M entrada

    US$ 0,30/1M saída

  • 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

    ≈ US$ 0,0924/execução

  • 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

    ≈ US$ 0,2161/execução

  • 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

    ≈ US$ 1,188/execução

  • 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

    ≈ US$ 0,0253/execução

15 modelos indisponíveis no momento

As páginas permanecem online, mas os modelos não podem ser executados no momento.

Modelos de geração de código para autocomplete, review e refactor

Os modelos de geração de código são large language models treinados ou fine-tuned especificamente sobre código-fonte. Sustentam o autocomplete em IDE, a PR review, o refactoring automático, a geração de testes e a tradução entre linguagens. Recorre-se a um modelo de código — em vez de um modelo de texto genérico — quando se quer maior exatidão em tarefas de programação e outputs estruturados (diffs, JSON) que se integram bem com tooling para developers.

Preços, compensações e armadilhas

O pricing na geração de código segue o mesmo modelo por token da geração de texto geral. No Railwail, modelos flagship como o Claude Sonnet 4.6 (3,60 USD) ou o GPT-5.4 (3,00 USD) custam alguns dólares por milhão de tokens de input, enquanto modelos de código mais pequenos como o Granite Code 8B começam em 0,06 USD por milhão. Um pedido único de autocomplete em IDE raramente passa de alguns milhares de tokens em input, pelo que o custo por chamada é uma fração de cêntimo. As contas crescem quando se lançam agentes que fazem prompts a si próprios dezenas de vezes por tarefa.

O triângulo de compromissos é exatidão, velocidade e contexto. Os flagships resolvem problemas mais difíceis e seguem convenções de projeto de forma mais fiável, mas respondem a 30-80 tokens/segundo, o que parece lento dentro de um loop apertado de autocomplete. Os modelos económicos rápidos (Codestral Mamba, GPT-5 Mini) fazem streaming a 200+ tokens/segundo e sentem-se nativos no editor. Para tarefas em batch (refactor de um repo inteiro, gerar testes para cinquenta ficheiros) a exatidão do flagship ganha. Para loops apertados de autocomplete, ganha o tier rápido.

Atenção ao contexto cross-file: a maior parte dos loops de autocomplete envia só o ficheiro atual. Para refactoring verdadeiramente codebase-aware, é preciso uma camada de retrieval que puxe ficheiros relacionados para o prompt. Ferramentas como Cursor e Continue fazem-no automaticamente; se está a construir o seu, faça primeiro embedding da codebase e recupere os 5-10 ficheiros mais relevantes por request.

Atenção à contaminação de licenças: alguns modelos de código open-weights foram treinados apenas em código com licença permissiva; outros varreram código GPL com termos de redistribuição pouco claros. Se vai lançar código gerado num produto closed-source, prefira modelos comerciais com garantias explícitas sobre licença de código.

As top picks acima cobrem o flagship mais exato, o cavalo de batalha mais barato, o modelo com o contexto mais longo e a opção de autocomplete mais rápida.

Tarefas típicas

  • Autocomplete e tab-completion em IDE
  • Review de pull request e feedback
  • Refactoring automático cross-file
  • Geração de testes
  • Tradução de código entre linguagens
  • Geração de documentação e comentários

Guias por caso de uso

Perguntas frequentes

Que modelo de código escreve o código mais correto?

O GPT-5 e o Claude 4.6 Sonnet lideram hoje em HumanEval+, SWE-bench e conjuntos de problemas tipo Codeforces. Para linguagens específicas de domínio (SQL, regex, infrastructure-as-code), modelos especializados por vezes superam os flagships na tarefa estreita enquanto perdem em raciocínio geral.

Qual é o mais barato?

No Railwail, o Granite Code 8B (0,06 USD) e o Granite Code 20B (0,12 USD por milhão de tokens de input) estão entre os modelos de código mais baratos. Modelos open-weights mais pequenos tratam bem do autocomplete e do refactoring de rotina; recorra a um flagship quando a correção importar mais do que o custo.

E o contexto codebase-aware?

A maior parte dos modelos de código trabalha sobre contexto single-file out of the box. Para raciocínio multi-ficheiro, é preciso uma camada de retrieval que faça embedding do repo e puxe ficheiros relacionados. Cursor e Continue.dev fazem-no automaticamente; nos seus próprios agentes, use um modelo de embeddings de /models/embedding para construir o retriever.

Posso usar isto para autocomplete no meu IDE?

As ferramentas que permitem definir um URL base próprio compatível com a OpenAI podem chamar o endpoint de chat do Railwail. O streaming ainda não é suportado, por isso plugins de autocomplete que dependem de tokens em streaming podem não funcionar; tarefas de chat e em lote funcionam.

Que linguagens de programação são suportadas?

Os modelos flagship aguentam 80+ linguagens com forte performance nos top 20 (Python, TypeScript, JavaScript, Java, Go, Rust, C++, C#, Ruby, PHP, Swift, Kotlin, SQL, Bash, etc.). Linguagens de nicho (Erlang, Elixir, Crystal, Zig) ainda funcionam mas com menos exatidão — verifique nos seus próprios snippets antes de integrar.

Conseguem gerar testes?

Sim, e este é um dos melhores use-cases de ROI hoje. Forneça uma função e peça testes unitários; o modelo produz 5-15 casos de teste incluindo edge cases e caminhos de erro. Junte uma ferramenta de cobertura para validar a suite antes do merge.

Como é licenciado o código gerado?

Os modelos comerciais concedem uso comercial irrestrito do output. Alguns checkpoints open-weights treinados em código GPL carregam ambiguidade de contaminação de licença — o cartão do modelo lista a divulgação sobre a licença dos dados de treino. Para produtos closed-source, prefira modelos comerciais com indemnização explícita sobre direitos de autor.

Existe um modo JSON para output estruturado?

As APIs dos fornecedores suportam-no, mas o endpoint de chat do Railwail ainda não reencaminha `response_format`. Peça JSON no prompt e valide o resultado; para planos de edição multi-ficheiro, um schema descrito no prompt com caminhos de ficheiro e ações de diff por ficheiro dá os resultados mais fiáveis.

Criar com uma API

Todos os modelos disponíveis através de uma API compatível com OpenAI. Créditos pré-pagos em USD, sem assinatura.

Criar contaDocumentação da API