Mistral: Codestral Embed

Codestral Embed es el modelo de embedding de Mistral para la búsqueda de código fuente. Mapea el código y las consultas relacionadas en vectores para la recuperación en repositorios, ayudando a los asistentes de programación a encontrar funciones y archivos relevantes antes de generar o editar código.

Comparar modelos

codestral-embed

DisponibleMistralIncrustaciónSíncrono

Entrada / Salida: $0.15 / $0.00
Contexto: 8K
Modalidades: Incrustación

Sobre Codestral Embed

Codestral Embed es el primer modelo de embedding de Mistral AI diseñado para código. Convierte archivos fuente, fragmentos y preguntas en lenguaje natural en vectores para que un asistente de programación pueda recuperar las funciones adecuadas antes de escribir o editar nada. Mistral informa que supera a Voyage Code 3, Cohere Embed v4.0 y al modelo de embedding grande de OpenAI en sus evaluaciones de recuperación de código. El modelo de embedding de texto de propósito general de Mistral, Mistral Embed, es la opción más adecuada para prosa.

Puntos fuertes

Entrenado para la recuperación de código, cubriendo la búsqueda de lenguaje natural a código, la similitud de código a código y la recuperación de SQL en el conjunto de evaluación de Mistral.
Las dimensiones de salida están ordenadas por relevancia, por lo que puede conservar cualquier número de dimensiones iniciales para reducir el índice.
Mistral informa que incluso 256 dimensiones con precisión int8 superan a los modelos de embedding de código de la competencia que probó.
Adecuado para la generación aumentada por recuperación (RAG) para agentes de programación, detección de duplicados, agrupación y análisis de código.

Cuándo buscar otra opción

Solo realiza embeddings; no genera ni explica código, por lo que aún necesita un modelo de chat para obtener respuestas.
Mistral recomienda fragmentos de aproximadamente 3,000 caracteres con 1,000 de superposición, ya que los fragmentos más grandes perjudican la calidad de la recuperación.
Para documentos que no son de código, como políticas o artículos de soporte, un modelo de embedding de texto general es la opción más natural.

Primeros pasos

Crear clave API
Genera una clave en Console y úsala con cualquier modelo de la plataforma.

Envía tu primera solicitud

Copia el ejemplo para tu lenguaje y ejecútalo contra el endpoint.

IncrustaciónEndpoint de TokenLab

POST/v1/embeddings

curl -X POST "https://api.tokenlab.sh/v1/embeddings" \
  -H "Authorization: Bearer sk-xxx" \
  -H "Content-Type: application/json" \
  -d '{
  "encoding_format": "float",
  "model": "codestral-embed",
  "input": "The quick brown fox jumps over the lazy dog."
}'

Precios

El precio Verified se aplica a Verified, que cuesta menos en la mayoría de los modelos. El precio Official es el precio publicado por el fabricante del modelo y se aplica a la ruta Official, más fiable. Auto factura la ruta que completa la solicitud.

Incrustación

Por 1M Token

Precio Official: Entrada $0.15 / Salida $0.00 / Lectura de caché $0.015
Precio Verified: —
Descuento: —

Precios de caché de prompt

Lectura de caché

Precio Official: $0.015
Precio Verified: —
Descuento: —

	Precio OfficialPor 1M Token	Precio VerifiedPor 1M Token	Descuento
Incrustación	Entrada $0.15 / Salida $0.00 / Lectura de caché $0.015	—	—
Precios de caché de prompt
Lectura de caché	$0.015	—	—

Uso y actividad

La tasa de éxito es la proporción de solicitudes completadas. La latencia es cuánto tarda una respuesta completa; P95 significa que el 95 % de las solicitudes terminaron dentro de ese tiempo.

Uso y disponibilidad

Últimas 24 horas

Solicitudes
Tasa de éxito
Latencia P95
Total de tokens

Desempeño del modelo

Última actualización 17 oct 2026, 18:53 UTC

Las métricas aparecerán una vez que se alcancen los umbrales de privacidad y volumen de datos.

Los datos se basan en solicitudes de usuario agregadas, excluyendo las comprobaciones de estado.

Abrir en Console

Abre Codestral Embed en Console con un prompt listo para editar o enviar.

Ayúdame a probar codestral-embed con embedding en /v1/embeddings. Muestra el resultado y el coste.

Casos de uso

Búsqueda en repositorios para agentes de programación
Indexe cada función y archivo de una base de código, luego recupere las coincidencias más cercanas a la descripción de una tarea antes de que el agente edite el código.
Búsqueda de código en lenguaje natural
Permita que los desarrolladores escriban una pregunta, como cómo se manejan los reintentos, y obtengan los archivos fuente relevantes en lugar de resultados por palabras clave.
Detección de duplicados y clones cercanos
Incruste funciones entre servicios y marque pares con vectores muy cercanos, lo que indica lógica copiada y pegada que vale la pena consolidar.
Coincidencia de problemas con código
Incruste informes de errores y relaciónelos con los archivos que probablemente necesiten una corrección, como primer paso para los bots de triaje.

Ejemplos de prompts

¿Dónde validamos las firmas de webhook en este repositorio?

def retry_with_backoff(fn, attempts=5): ... (incruste una función para encontrar ayudantes similares en otros servicios)

SELECT customer_id, SUM(total) FROM orders GROUP BY customer_id HAVING SUM(total) > 1000

Este modelo tiene precio condicional. Los totales mensuales de tokens por sí solos no producen una estimación fiable; use el precio detallado según la especificación de la solicitud, la caché y la ventana aplicable.

FAQ

¿Para qué se utiliza Codestral Embed?

Recuperación sobre código fuente. Usted incrusta fragmentos de código y consultas, almacena los vectores y obtiene los fragmentos más cercanos por similitud. Las tareas típicas son la búsqueda semántica de código, la recuperación de contexto para agentes de programación, la detección de duplicados y la agrupación de código por propósito.

¿En qué se diferencia Codestral Embed de Mistral Embed?

Codestral Embed está especializado en código y consultas relacionadas con código, mientras que Mistral Embed es un modelo de texto general para documentos, agrupación y generación aumentada por recuperación sobre prosa. Utilice Codestral Embed para repositorios y Mistral Embed para bases de conocimiento y artículos.

¿Puedo reducir el tamaño del vector?

Sí. Mistral ordena las dimensiones de salida por relevancia, por lo que puede mantener un prefijo más corto para un índice más pequeño. Mistral informa que 256 dimensiones con precisión int8 siguen superando a los modelos de embedding de código de la competencia que probó, pero verifique la recuperación en su propio código.

¿Cómo debo dividir el código antes de incrustarlo?

Mistral recomienda fragmentos de alrededor de 3,000 caracteres con 1,000 caracteres de superposición. Los fragmentos más grandes redujeron el rendimiento de la recuperación en sus pruebas. Divida a lo largo de los límites de funciones o clases siempre que pueda, y mantenga la ruta del archivo y el nombre del símbolo con cada fragmento.

¿Genera código?

No. Solo devuelve vectores. Combínelo con un modelo de chat de programación: Codestral Embed encuentra el código relevante y el modelo de chat lo lee y escribe el cambio.

¿Cuánto cuesta Codestral Embed?

En TokenLab, Codestral Embed cuesta Entrada $0.15 / Salida $0.00 Por 1M Token. La tabla de precios arriba muestra el desglose completo. Las tarifas dependen de la unidad de facturación, la especificación y el uso. Compare condiciones iguales en el precio detallado del modelo; una sola tarifa no determina el coste total.

¿Qué endpoint debe usar Codestral Embed?

Utiliza https://api.tokenlab.sh/v1/embeddings para Codestral Embed. El ejemplo de solicitud a continuación muestra la estructura de código correspondiente.

¿Qué operaciones soporta Codestral Embed?

Codestral Embed admite Incrustación. Selecciona una operación arriba para ver su endpoint y ejemplo de solicitud.