Mistral: Codestral Embed

Codestral Embed est le modèle d'embedding de Mistral pour la recherche de code source. Il mappe le code et les requêtes associées dans des vecteurs pour la recherche dans les dépôts, aidant les assistants de programmation à trouver des fonctions et des fichiers pertinents avant de générer ou de modifier du code.

Comparer les modèles

codestral-embed

DisponibleMistralVectorisationSynchrone

Entrée / Sortie: $0.15 / $0.00
Contexte: 8K
Modalités: Vectorisation

À propos de Codestral Embed

Codestral Embed est le premier modèle d'embedding de Mistral AI conçu pour le code. Il transforme les fichiers sources, les extraits et les questions en langage naturel en vecteurs, permettant à un assistant de codage de récupérer les fonctions appropriées avant d'écrire ou de modifier quoi que ce soit. Mistral indique qu'il surpasse Voyage Code 3, Cohere Embed v4.0 et le grand modèle d'embedding d'OpenAI lors de ses évaluations de récupération de code. Mistral Embed, le modèle d'embedding de texte généraliste de Mistral, est plus adapté à la prose.

Points forts

Entraîné pour la récupération de code, couvrant la recherche du langage naturel vers le code, la similarité code-à-code et la récupération SQL dans la suite d'évaluation de Mistral.
Les dimensions de sortie sont ordonnées par pertinence, ce qui vous permet de conserver un nombre quelconque de dimensions initiales pour réduire l'index.
Mistral rapporte que même 256 dimensions avec une précision int8 surpassent les modèles d'embedding de code concurrents testés.
Adapté à la génération augmentée par récupération (RAG) pour les agents de codage, la détection de doublons, le clustering et l'analyse de code.

Quand préférer un autre modèle

Il effectue uniquement de l'embedding ; il ne génère ni n'explique le code, vous aurez donc toujours besoin d'un modèle de chat pour obtenir des réponses.
Mistral conseille des segments d'environ 3 000 caractères avec un chevauchement de 1 000, car des segments plus grands nuisent à la qualité de la récupération.
Pour les documents non liés au code tels que les politiques ou les articles de support, un modèle d'embedding de texte généraliste est le choix le plus naturel.

Pour commencer

Créer une clé API
Générez une clé dans Console et utilisez-la avec tous les modèles de la plateforme.

Envoyez votre première requête

Copiez l'exemple pour votre langage et lancez-le.

VectorisationEndpoint 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."
}'

Tarification

Le prix Verified s’applique à Verified, moins cher sur la plupart des modèles. Le prix Official est le prix publié par le fabricant du modèle et s’applique à la route Official, plus fiable. Auto facture la route qui termine la requête.

Vectorisation

Par 1M Token

Prix Official: Entrée $0.15 / Sortie $0.00 / Lecture cache $0.015
Prix Verified: —
Remise: —

Tarification du cache de prompt

Lecture cache

Prix Official: $0.015
Prix Verified: —
Remise: —

	Prix OfficialPar 1M Token	Prix VerifiedPar 1M Token	Remise
Vectorisation	Entrée $0.15 / Sortie $0.00 / Lecture cache $0.015	—	—
Tarification du cache de prompt
Lecture cache	$0.015	—	—

Utilisation et activité

Le taux de réussite est la part de requêtes abouties. La latence est la durée d'une réponse complète ; P95 signifie que 95 % des requêtes ont fini dans ce délai.

Utilisation et disponibilité

Dernières 24 heures

Requêtes
Taux de succès
Latence P95
Total des jetons

Performance du modèle

Dernière mise à jour 17 oct. 2026, 18:07 UTC

Les métriques s'affichent une fois les seuils de confidentialité et de volume de données atteints.

Les données sont basées sur les requêtes agrégées des utilisateurs, à l'exclusion des vérifications de statut.

Ouvrir dans Console

Ouvrez Codestral Embed dans Console avec un prompt prêt à modifier ou envoyer.

Aide-moi à tester codestral-embed avec embedding sur /v1/embeddings. Affiche le résultat et le coût.

Cas d'usage

Recherche dans les dépôts pour les agents de codage
Indexez chaque fonction et fichier d'une base de code, puis récupérez les correspondances les plus proches d'une description de tâche avant que l'agent ne modifie le code.
Recherche de code en langage naturel
Permettez aux développeurs de poser une question telle que « comment les tentatives sont-elles gérées » et d'obtenir les fichiers sources pertinents plutôt que des résultats basés sur des mots-clés.
Détection de doublons et de quasi-clones
Intégrez des fonctions à travers les services et signalez les paires ayant des vecteurs très proches, ce qui indique une logique copiée-collée méritant d'être consolidée.
Correspondance entre tickets et code
Intégrez les rapports de bugs et faites-les correspondre aux fichiers les plus susceptibles de nécessiter une correction, comme première étape pour les bots de triage.

Exemples de prompts

Où dans ce dépôt validons-nous les signatures de webhook ?

def retry_with_backoff(fn, attempts=5): ... (intégrez une fonction pour trouver des assistants similaires dans d'autres services)

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

Ce modèle a une tarification conditionnelle. Les totaux mensuels de tokens ne suffisent pas pour une estimation fiable ; utilisez la tarification détaillée selon la spécification de la requête, le cache et la fenêtre applicable.

FAQ

À quoi sert Codestral Embed ?

Récupération sur le code source. Vous intégrez des segments de code et des requêtes, stockez les vecteurs et récupérez les segments les plus proches par similarité. Les tâches typiques sont la recherche sémantique de code, la récupération de contexte pour les agents de codage, la détection de doublons et le regroupement de code par objectif.

En quoi Codestral Embed est-il différent de Mistral Embed ?

Codestral Embed est spécialisé pour le code et les requêtes liées au code, tandis que Mistral Embed est un modèle de texte général pour les documents, le clustering et la génération augmentée par récupération sur la prose. Utilisez Codestral Embed pour les dépôts et Mistral Embed pour les bases de connaissances et les articles.

Puis-je réduire la taille des vecteurs ?

Oui. Mistral ordonne les dimensions de sortie par pertinence, vous pouvez donc conserver un préfixe plus court pour un index plus petit. Mistral rapporte que 256 dimensions avec une précision int8 surpassent toujours les modèles d'embedding de code concurrents testés, mais vérifiez le rappel sur votre propre code.

Comment dois-je diviser le code avant de l'intégrer ?

Mistral recommande des segments d'environ 3 000 caractères avec 1 000 caractères de chevauchement. Des segments plus grands ont réduit les performances de récupération lors de ses tests. Divisez selon les limites de fonction ou de classe si possible, et conservez le chemin du fichier et le nom du symbole avec chaque segment.

Génère-t-il du code ?

Non. Il renvoie uniquement des vecteurs. Associez-le à un modèle de chat de codage : Codestral Embed trouve le code pertinent, et le modèle de chat le lit et écrit la modification.

Combien coûte Codestral Embed ?

Sur TokenLab, Codestral Embed coûte Entrée $0.15 / Sortie $0.00 Par 1M Token. La table tarifaire ci-dessus en montre le détail complet. Les tarifs dépendent de l’unité de facturation, de la spécification et de l’usage. Comparez des conditions identiques dans la tarification détaillée du modèle ; un tarif seul ne détermine pas le coût total.

Quel endpoint Codestral Embed doit-il utiliser ?

Utilisez https://api.tokenlab.sh/v1/embeddings pour Codestral Embed. L'exemple de requête ci-dessous montre la structure de code correspondante.

Quelles opérations Codestral Embed prend-il en charge ?

Codestral Embed prend en charge Vectorisation. Sélectionnez une opération pour voir l'endpoint et un exemple.