/ Модель
Каталог

Характеристики

Лицензия
MIT
Архитектура
bert · dense
Библиотека
transformers
Опубликована
5 авг 2026

Ссылки

Hugging Face

Aurora-Coder-Base

procedure2012
ЭмбеддингиТекст → embedding3 профессии

Чекпойнт на базе BERT для извлечения признаков, заявленный для дополнения кода на уровне репозитория и агентного использования инструментов.

11скачиваний за 30 дней0лайковвеса обновлены5 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Aurora-Coder-Base — специализированный на программном коде чекпойнт, который, согласно README, дообучен на дедуплицированном многоязычном корпусе. Он предназначен для дополнения кода на уровне репозитория и использования агентами с инструментами. Метаданные указывают архитектуру BERT с классом BertModel, библиотеку Transformers и формат PyTorch; задача в карточке Hugging Face — извлечение признаков.

README заявляет хорошие результаты в рассуждениях и генерации, но приведённая таблица содержит лишь часть тестов и не описывает методику оценки. Рекомендуемая температура генерации — 0,6. Модель распространяется по лицензии MIT. Длина контекста, число параметров и поддерживаемые языки в доступных данных не приведены.

Сценарии применения

  • извлечение признаков из входного текста
  • подготовка представлений кода для downstream-задач
  • экспериментальная проверка дополнения кода в репозитории
  • оценка модели в сценариях агентного использования инструментов

Ограничения

Заявления о качестве сопровождаются неполной таблицей бенчмарков без описания методики; README не даёт подробностей о запуске и использовании локально. Поддерживаемые языки кода и длина контекста не установлены по доступным данным.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443моделиII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейI.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Aurora-Coder-Base

1. Introduction

Aurora-Coder-Base is a code-specialised checkpoint fine-tuned on a deduplicated multi-language corpus. It targets repository-level code completion and agentic tool use.

2. Evaluation Results

Comprehensive Benchmark Results

BenchmarkStarBaseCodeNovaAurora-miniAurora-Coder-Base
Core Reasoning TasksMath Reasoning0.5790.5350.5520.592
Logical Reasoning0.8100.8310.8240.846
Common Sense0.7310.7340.7500.761
Language UnderstandingReading Comprehension0.6810.7110.6730.732
Question Answering0.6070.5920.5910.628
Text Classification0.8330.8080.8320.843
Sentiment Analysis0.7850.7800.7560.806
Generation TasksCode Generation0.6760.6650.6420.692
Creative Writing0.6090.6230.6390.656
Dialogue Generation0.6570.6160.6180.673
Summarization0.7620.7800.7480.787
Specialized CapabilitiesTranslation0.8080.7780.8080.816
Knowledge Retrieval0.6550.6450.6910.697
Instruction Following0.7250.7430.7420.779
Safety Evaluation0.7150.7000.7030.759

Overall Performance Summary

The Aurora-Coder-Base demonstrates strong performance across all evaluated benchmark categories, with particularly notable results in reasoning and generation tasks.

3. Chat Website & API Platform

We offer a chat interface and API for you to interact with Aurora-Coder-Base. Please check our official website for more details.

4. How to Run Locally

Please refer to our code repository for more information about running Aurora-Coder-Base locally.

Temperature

We recommend setting the temperature parameter to 0.6.

5. License

This repository is released under the mit license. The model supports commercial use.

6. Contact

If you have any questions, please contact us at hello@aurora.dev.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
663a68d

0 моделей

    Создать бенчмарк