Cohere تطلق North Mini Code — نموذج للمطورين ووكلاء الذكاء الاصطناعي

أطلقت Cohere نموذج North Mini Code وهو أول نموذج لها تم تطويره بشكل خاص للمطورين البرمجيين. النموذج الذي يضم 30 مليار معامل مع 3 مليارات معامل نشطة، متاح الآن على Hugging Face برخصة Apache 2.0، وقد تم تدريبه على البرمجة والعمل مع وكلاء الذكاء الاصطناعي وواجهات المحطة النهائية.

العمارة والأداء

تم بناء North Mini Code على معمارية خليط الخبراء (Mixture of Experts): 128 خبير يكون 8 منهم نشطين في كل لحظة. يستخدم النموذج آلية الانتباه بنسبة 3:1 (محلي وعام)، كما يستخدم تفعيل SwiGLU. من حيث جودة البرمجة، يحقق 33.4 نقطة على مؤشر البرمجة من Artificial Analysis' Coding Index - متفوقاً على Qwen3.5 (35B) و Gemma 4 (26B) وحتى على Mistral Small (119B)، رغم أن تلك النماذج أكبر حجماً.

التدريب ثنائي المرحلة مع التعلم التعزيزي

في المرحلة الأولى من الضبط الدقيق الموجه بإشراف (supervised fine-tuning)، ركزت Cohere على البرمجة: 70% من البيانات عبارة عن أكواد، 43% أمثلة على التفاعل مع الأدوات (استخدام الأدوات في السيناريوهات الوكيلية)، و 27% حل المسائل التنافسية والعلمية. استخدمت المرحلة الثانية 4.5 مليار رمز من أعلى جودة لصقل السلوك في السيناريوهات الوكيلية. بعد ذلك طبقت التعلم التعزيزي مع المكافآت القابلة للتحقق (RLVR)، مما دربت النموذج على نوعين من المهام في نفس الوقت:

• العمل مع المحطة النهائية (أوامر bash ومعالجة المخرجات والأخطاء)
• تحرير وتصحيح الأكواد في الملفات
• استدعاء الأدوات عبر API والإدخال/الإخراج القياسي

التدريب على إطارات عمل مختلفة في نفس الوقت

دربت Cohere نموذج North Mini Code ليس على إطار عمل واحد للوكلاء، بل على ثلاثة إطارات في نفس الوقت - SWE-Agent و mini-SWE-Agent و OpenCode. هذا أمر حاسم: كل إطار عمل يتطلب تنسيقاً خاصاً به لمعالجة الأوامر والنتائج. يجعل هذا النهج النموذج عاماً وموثوقاً في أي بيئة واقعية.

"دربنا على إطارات عمل وكلاء متعددة بدلاً من التحسين لواجهة واحدة، حتى يكون النموذج قادراً على التعامل مع أدوات مختلفة"، كما شرحت

Cohere.

النتائج: أفضل بنسبة 7-8%

بعد تدريب RLVR، حسّن النموذج نتائجه بنسبة 7.9% على Terminal-Bench v2 وبنسبة 3.0% على SWE-Bench (مقارنة مع النسخة الأساسية). أظهرت التقييمات البشرية على 85 مثالاً معدل فوز 66.1% في مهام تحرير الأكواد. يرتكب النموذج أخطاء أقل بكثير عند العمل مع الأدوات ويتعامل بثقة أكبر مع سلاسل الأوامر الطويلة.

ماذا يعني هذا

North Mini Code هو إشارة واضحة بأن المطورين لم يعودوا بحاجة إلى نماذج LLM عامة. تقوم الشركات بتدريب نماذج متخصصة للبرمجة والوكلاء لأن ذلك يعطي نتائج أفضل. بالنسبة للمطورين، هذا يعني أنه يمكنهم نشر مساعد ذكاء اصطناعي قوي محلياً بدون الاعتماد على واجهات برمجية سحابية مدفوعة.