OpenCoder
定位：把训练过程也一起开源
官方把 OpenCoder 定义为「开放且可复现的代码模型家族」，关键词是可复现。它不止给出最终权重，还一并公开可复现的训练数据、完整的数据处理流程、严谨的消融实验结果与详细的训练方案。官网的说法是希望让研究者能够在此基础上构建与创新。对做研究或需要向上解释模型来源的团队，这种「连配方一起给」的开放程度，比单纯下载一个权重文件有用得多。
深度介绍
OpenCoder详细介绍
规模与语言覆盖
官方给出的口径是：模型从零开始预训练了 2.5 万亿 token，其中九成是原始代码、一成是与代码相关的网页数据；随后用超过 450 万条高质量监督微调样本做后训练。家族包含 1.5B 与 8B 两档参数，每档都有基础版与对话版，并同时支持英文与中文。官方称其性能达到顶级代码模型的水平。对中文代码场景而言，原生双语支持是它相对多数同类的实际差异点。
RefineCode：9600 亿 token 语料
配套公开的预训练语料名为 RefineCode，官方描述为高质量且可复现的代码语料，规模 9600 亿 token，覆盖 607 种编程语言。它同时发布了语料元数据，便于研究者核查构成。此外项目还公开了代码与数学方向的网页语料、退火阶段语料，以及两阶段的指令微调数据集。把这些拼起来，基本等于把一整条从原始数据到可对话模型的流水线摆在了台面上。
消融实验是公开内容的一部分
官方特别强调做了大量消融实验，覆盖不同的数据清洗策略与训练过程，其中明确提到文件级与仓库级去重的对比实验。这类实验平时很少完整公开，但它恰恰是决定「为什么这样处理数据」的关键证据。对想在自己语料上复用这套方法的团队，这些结论可以直接省掉一轮试错；对做评审的人，也提供了可核对的实验依据。换句话说，它把「调参经验」也变成了可引用的材料。
两档参数的取舍
官方模型表给出了明确差异：1.5B 档序列长度为 4K，8B 档为 8K。小档适合在有限显存或端侧跑，大档适合需要更长上下文的仓库级任务。两档都有基础版与对话版——基础版适合继续微调或做补全，对话版可以直接问答。社区还基于对话版做了多种量化格式，方便在消费级设备上加载。官方另提供了一个在线演示空间，不下载也能先试效果。
检查点与中间产物也放出来了
项目不仅发布最终模型，还公开了训练过程中的中间检查点，且两档参数各有对应的检查点仓库。对做训练复现或研究训练动态的人来说，中间检查点往往比最终权重更有价值：可以对比不同阶段的代码能力变化，也可以从某个阶段出发做继续训练或蒸馏。官方把这些中间产物与推理代码、评估流程一并列为已发布资源，这也是它自称「最全面开源的模型之一」的依据之一。
许可要分两块看
这里有一个容易踩的点：代码仓库与模型权重的许可不是同一套。官方代码仓库采用宽松的开源许可，可自由使用与修改；而模型权重采用的是许可方自己拟定的自定义许可，条款由 INF 技术（上海）有限公司出具，协议版本日期为 2024 年 7 月。该协议授予的权利是永久、全球、非独占、免费的，包含创建衍生作品与销售、分发，并要求再分发时向接收方提供协议副本；同时明确不授予商标使用权，且协议适用中国大陆法律。
状态：模型停更但资源可用
需要如实说明的是，这条产品线的模型与数据集都停留在 2024 年 11 月，此后没有新的版本或语料发布。它目前的定位更像是一份稳定的开放研究基座，而不是持续迭代的商业模型。好在权重、检查点、语料与流程代码都还在 Hugging Face 与代码托管平台上正常可访问，核验时仍可正常下载；如果你的需求是复现与二次开发，停更并不构成障碍；如果追求最新的代码能力，则应当另找更新的模型。
产品特点
核心功能与独有价值
连数据清洗流程一起开源
它不仅给出权重，还给出完整的数据处理与清洗代码、语料元数据与消融实验结论。对需要解释「模型是怎么来的」或要在自有语料上复用这套流程的团队，这部分的价值常常超过权重本身。
中英双语是原生能力
官方明确说明模型同时支持英文与中文，而多数同量级的开源代码模型以英文为中心。对中文注释、中文文档与中英混合仓库的代码问答场景，这一点能减少额外微调的成本。
9600 亿 token 语料可下载
配套公开的 RefineCode 语料规模为 9600 亿 token、覆盖 607 种编程语言，另有代码与数学网页语料、退火语料与两阶段指令数据。做代码模型研究的团队可以直接在同一份数据上做对照实验。
代码与权重许可分属两套
代码仓库走宽松开源许可，模型权重走许可方自定义协议——后者允许商用与再分发，但要求随附协议副本、不授予商标权，并约定适用中国大陆法律。下载前分清用的是哪一套，能省掉后续的合规争议。
最近动态
重要更新
九月核验：资源可访问、主线停更
核验时项目官网、代码仓库、模型权重页与在线演示空间均可正常访问，两档四个版本的权重、语料数据集与检查点仍在原位。同时可以确认这条线自 2024 年 11 月起没有新的模型或语料发布。因此本页按「资源可用、主线停更」的口径撰写，把定位写成开放研究基座而非持续迭代的商业产品。
十一月：模型与检查点成套发布
官方在这一时期发布了 1.5B 与 8B 两档、各含基础版与对话版的模型家族，并同步放出训练过程中的中间检查点与在线演示。官方公布的口径是：从零预训练 2.5 万亿 token（九成原始代码、一成代码相关网页），随后用 450 万条以上高质量样本做监督微调，性能对标顶级代码模型，并同时支持中英文。
十一月：语料与全流程数据公开
同一时期项目陆续公开了配套数据：名为 RefineCode 的代码预训练语料（9600 亿 token、607 种编程语言）及其元数据，代码方向与数学方向的网页语料，退火阶段语料，以及两阶段的指令微调数据集。加上完整的数据清洗代码与文件级、仓库级去重的消融实验，构成了一套可以照着复现的完整训练方案。
产品总结
OpenCoder 是一套开放且可复现的代码模型家族。官方对它的定义重点在「可复现」三个字：发布的不只是最终权重，还包括可复现的训练数据、完整的数据处理流程、严谨的消融实验结果与详细的训练方案，目标是让研究者能在同一基础上继续构建。 规模上，官方口径是从零预训练 2.5 万亿 token，其中九成是原始代码、一成是与代码相关的网页数据，随后用超过 450 万条高质量监督微调样本做后训练。家族包含 1.5B 与 8B 两档参数，每档都有基础版与对话版，并同时支持英文与中文，官方称性能达到顶级代码模型水平。两档的差异在序列长度上：1.5B 为 4K，8B 为 8K。权重托管在 Hugging Face，另有官方在线演示空间，社区也基于对话版做了多种量化格式。 配套数据是它区别于同类的地方。预训练语料名为 RefineCode，官方描述为高质量且可复现的代码语料，规模 9600 亿 token，覆盖 607 种编程语言，并附带语料元数据；此外还公开了代码方向与数学方向的网页语料、退火阶段语料，以及两阶段的指令微调数据集。项目还发布了训练过程中的中间检查点与推理、评估代码。官方强调做了大量消融实验，覆盖不同数据清洗策略与训练过程，其中明确提到文件级与仓库级去重的对比，这些结论对想在自有语料上复用该方法的团队有直接参考价值。 许可是下载前需要分清的一点：代码仓库采用宽松开源许可，而模型权重采用许可方自拟的自定义许可，由 INF 技术（上海）有限公司出具，协议版本日期为 2024 年 7 月。该协议授予永久、全球、非独占、免费、免版税的权利，包含创建衍生作品以及制造、销售、分发，并要求再分发时向接收方提供协议副本；同时不授予商标使用权，约定适用中国大陆法律，并附免责声明。 最后是需要如实说明的状态：这条线的模型与数据集都停留在 2024 年 11 月，此后没有新版本或新语料发布，目前的定位更接近一份稳定的开放研究基座。权重、检查点、语料与流程代码在核验时仍可正常访问下载；若需求是复现与二次开发，停更不构成障碍，若追求最新代码能力则应另找更新的模型。
- 产品类型
- 开源代码模型与训练语料
- 支持平台
- 开放权重（Hugging Face） / 本地推理（对话版可直接加载） / 在线试用（官方演示空间） / 量化版本（社区分发） / 训练与数据流程源码（GitHub）
- 资费模式
- 权重、语料与训练流程全部免费公开；采用 INF 自定义许可，允许商用与再分发。
核验信息
参考文章与数据来源
本页事实来自官方渠道：项目官网（可复现定位与开放清单、1.5B 与 8B 双语家族、2.5 万亿 token 的九一比例、RefineCode 语料规模与语言数量、贡献者所属机构、论文出处）、官方模型卡（两档序列长度、基础版与对话版划分、450 万条以上微调样本、许可名称与协议链接）、权重与数据集组织页（各版本权重、退火语料与两阶段指令数据、语料元数据）、在线演示空间、代码仓库（宽松开源许可与星标数），以及许可协议原文（授予的权利范围、再分发要求、商标与适用法律条款、版本日期与出具方）。页内未列出第三方模型名称。价格与状态核验于 2026 年 9 月 22 日。
用户体验调查
OpenCoder介绍页面对您是否有帮助？