North Mini Code от Cohere: открытая MoE-модель 30B для агентного кодирования

Cohere выпустила North Mini Code — первую открытую модель компании для разработчиков, построенную на архитектуре mixture-of-experts. При 30 миллиардах параметров модель активирует лишь 3 миллиарда при каждом вызове, умещается на одном GPU H100 и поддерживает контекстное окно в 256 тысяч токенов.

Агентное кодирование как основной сценарий

North Mini Code создана специально для агентного кодирования — когда AI не дожидается подсказки, а самостоятельно планирует, пишет, тестирует и исправляет код в цикле. Это другой класс задач по сравнению с обычным автодополнением: модель получает высокоуровневую задачу и решает её с минимальным вмешательством разработчика. Контекстное окно в 256 тысяч токенов — архитектурный выбор под такие сценарии.

Оно позволяет держать в памяти целые репозитории: не один файл, а десятки взаимосвязанных модулей, тесты, конфиги и документацию одновременно. Для сквозного рефакторинга или поиска первопричины бага через несколько слоёв абстракции это принципиально. Типичные задачи, для которых оптимизирована модель: Автономный рефакторинг с учётом всей кодовой базы Многошаговая отладка без постоянных подсказок Анализ и документирование legacy-проектов Интеграция в CI/CD в роли AI-ревьюера * Генерация и прогон тест-кейсов в автоматическом цикле ## Как работает MoE на практике Mixture-of-Experts — подход, при котором модель разбита на специализированные блоки-эксперты, и для каждого токена активируется лишь подмножество из них.

Из 30 миллиардов параметров North Mini Code в каждый момент задействуются около 3 миллиардов — примерно десятая часть. На практике это означает: вычислительная нагрузка при работе ближе к трёхмиллиардной модели, а качество ответа — к тридцатимиллиардной. Модель работает на одном GPU NVIDIA H100, что резко снижает порог развёртывания.

Один арендованный H100 в облаке обходится в 2–4 доллара в час — против десятков тысяч на кластер для эквивалентной плотной модели. MoE-архитектуры становятся стандартом для эффективного масштабирования: DeepSeek-V3 и Mixtral прошли тем же путём и показали, что можно конкурировать с более крупными плотными моделями при меньших затратах на вывод.

Открытые веса как конкурентный аргумент Cohere публикует North Mini Code с открытыми весами.

Это означает возможность скачать модель, дообучить на своих данных и развернуть на любой инфраструктуре — без зависимости от API Cohere. Для enterprise-клиентов это закрывает несколько ключевых потребностей: данные остаются внутри периметра компании, модель можно адаптировать под внутренние стандарты кода и проприетарные фреймворки, а задержка при локальном развёртывании минимальна. Именно этот запрос — контроль, настраиваемость, независимость от SaaS — становится главным конкурентным аргументом Cohere на фоне закрытых решений.

Что это значит

Рынок AI-моделей для разработчиков плотный: здесь уже работают DeepSeek Coder, Qwen2.5-Coder, Code Llama, Mistral и другие. North Mini Code занимает конкретную нишу — агентные задачи на собственной инфраструктуре — и делает ставку на три параметра одновременно: MoE-эффективность, длинный контекст и открытые веса. Насколько эта комбинация окажется выигрышной, покажут независимые бенчмарки и первые production-развёртывания.