Mistral: Codestral Embed

Codestral Embed adalah model embedding dari Mistral untuk pencarian kode sumber. Model ini memetakan kode dan kueri terkait ke dalam vektor untuk pencarian repositori, membantu asisten pengodean menemukan fungsi dan file yang relevan sebelum membuat atau mengedit kode.

Bandingkan model

codestral-embed

TersediaMistralEmbeddingSinkronkan

Masukan / Keluaran: $0.15 / $0.00
Konteks: 8K
Modalitas: Embedding

Tentang Codestral Embed

Codestral Embed adalah model penyematan (embedding) pertama dari Mistral AI yang dibuat khusus untuk kode. Model ini mengubah file sumber, potongan kode (snippet), dan pertanyaan berbahasa natural menjadi vektor agar asisten coding dapat mengambil fungsi yang tepat sebelum menulis atau mengedit apa pun. Mistral melaporkan bahwa model ini mengungguli Voyage Code 3, Cohere Embed v4.0, dan model embedding berskala besar milik OpenAI dalam evaluasi pengambilan kode (code-retrieval). Pengembed teks serbaguna buatan Mistral, yaitu Mistral Embed, merupakan pilihan yang lebih cocok untuk teks biasa (prose).

Kelebihan

Dilatih untuk pengambilan kode, mencakup pencarian dari bahasa natural ke kode, kemiripan antar-kode, dan pengambilan SQL dalam rangkaian evaluasi Mistral.
Dimensi keluaran diurutkan berdasarkan relevansi, sehingga Anda dapat mempertahankan sejumlah dimensi awal untuk memperkecil indeks.
Mistral melaporkan bahwa bahkan 256 dimensi pada presisi int8 mampu mengungguli pengembed kode pesaing yang diuji oleh mereka.
Cocok untuk augmentasi generasi pengambilan (RAG) bagi agen coding, deteksi duplikat, klusterisasi, dan analitik kode.

Kapan harus beralih

Model ini hanya melakukan penyematan; model ini tidak menghasilkan atau menjelaskan kode, sehingga Anda tetap memerlukan model chat untuk mendapatkan jawaban.
Mistral menyarankan ukuran potongan (chunk) sekitar 3.000 karakter dengan tumpang tindih (overlap) 1.000 karakter, karena potongan yang lebih besar mengurangi kualitas pengambilan.
Untuk dokumen non-kode seperti kebijakan atau artikel dukungan, model embedding teks umum adalah pilihan yang lebih alami.

Memulai

Buat API key
Buat kunci di Console, gunakan untuk semua model di platform.

Kirim permintaan pertama Anda

Salin contoh untuk bahasa Anda dan jalankan terhadap endpoint tersebut.

EmbeddingEndpoint 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."
}'

Penetapan Harga

Harga Verified berlaku untuk Verified yang lebih murah di sebagian besar model. Harga Official adalah harga resmi dari pembuat model dan berlaku untuk rute Official yang lebih andal. Auto menagihkan biaya berdasarkan rute yang menyelesaikan permintaan.

Embedding

per 1M token

Harga Official: Masukan $0.15 / Keluaran $0.00 / Pembacaan cache $0.015
Harga Verified: —
Diskon: —

Harga cache prompt

Pembacaan cache

Harga Official: $0.015
Harga Verified: —
Diskon: —

	Harga Officialper 1M token	Harga Verifiedper 1M token	Diskon
Embedding	Masukan $0.15 / Keluaran $0.00 / Pembacaan cache $0.015	—	—
Harga cache prompt
Pembacaan cache	$0.015	—	—

Penggunaan & aktivitas

Tingkat keberhasilan adalah proporsi permintaan yang selesai. Latensi adalah berapa lama respons penuh berlangsung; P95 berarti 95% permintaan selesai dalam waktu tersebut.

Penggunaan & ketersediaan

24 jam terakhir

Permintaan
Tingkat keberhasilan
Latensi P95
Total token

Performa model

Terakhir diperbarui 17 Okt 2026, 17.47 UTC

Metrik akan muncul setelah ambang batas privasi dan volume data terpenuhi.

Data didasarkan pada permintaan pengguna gabungan, tidak termasuk pemeriksaan status.

Buka di Console

Buka Codestral Embed di Console dengan prompt siap diedit atau dikirim.

Bantu saya mencoba codestral-embed dengan embedding di /v1/embeddings. Tampilkan hasil dan biayanya.

Skenario penggunaan

Pencarian repositori untuk agen coding
Indeks setiap fungsi dan file dari basis kode, lalu ambil kecocokan terdekat dengan deskripsi tugas sebelum agen mengedit kode.
Pencarian kode berbahasa natural
Memungkinkan pengembang mengetikkan pertanyaan seperti bagaimana percobaan ulang (retry) ditangani dan mendapatkan file sumber yang relevan sebagai hasilnya alih-alih kecocokan kata kunci.
Deteksi duplikat dan klon identik
Sematkan fungsi di berbagai layanan dan tandai pasangan dengan vektor yang sangat mirip, yang mengarah pada logika salin-tempel (copy-paste) yang layak untuk dis Konsolidasikan.
Pencocokan isu ke kode
Sematkan laporan bug dan cocokkan dengan file yang paling mungkin membutuhkan perbaikan, sebagai langkah awal untuk bot triase.

Contoh prompt

Di bagian mana dalam repositori ini kita memvalidasi tanda tangan webhook?

def retry_with_backoff(fn, attempts=5): ... (sematkan fungsi untuk menemukan helper serupa di layanan lain)

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

Model ini memiliki harga kondisional. Total token bulanan saja tidak dapat menghasilkan estimasi yang andal; gunakan harga detail untuk spesifikasi permintaan, cache, dan jendela waktu yang berlaku.

FAQ

Untuk apa Codestral Embed digunakan?

Pengambilan data pada kode sumber. Anda menyematkan potongan kode dan kueri, menyimpan vektornya, dan mengambil potongan terdekat berdasarkan tingkat kemiripan. Pekerjaan umum meliputi pencarian kode semantik, pengambilan konteks untuk agen coding, deteksi duplikat, dan klusterisasi kode berdasarkan tujuannya.

Apa perbedaan Codestral Embed dengan Mistral Embed?

Codestral Embed dikhususkan untuk kode dan kueri yang berkaitan dengan kode, sedangkan Mistral Embed adalah model teks umum untuk dokumen, klusterisasi, dan augmentasi generasi pengambilan (RAG) pada teks biasa. Gunakan Codestral Embed untuk repositori dan Mistral Embed untuk basis pengetahuan serta artikel.

Bisakah saya mengurangi ukuran vektor?

Ya. Mistral mengurutkan dimensi keluaran berdasarkan relevansi, sehingga Anda dapat mempertahankan prefiks yang lebih pendek untuk indeks yang lebih kecil. Mistral melaporkan bahwa 256 dimensi pada presisi int8 tetap mengungguli pengembed kode pesaing yang diuji olehnya, tetapi periksalah tingkat perolehan kembali (recall) pada kode Anda sendiri.

Bagaimana seharusnya saya membagi kode sebelum menyematkannya?

Mistral merekomendasikan potongan sekitar 3.000 karakter dengan tumpang tindih 1.000 karakter. Potongan yang lebih besar menurunkan performa pengambilan dalam pengujiannya. Potonglah di sepanjang batas fungsi atau kelas jika memungkinkan, dan sertakan jalur file serta nama simbol pada setiap potongan.

Apakah model ini menghasilkan kode?

Tidak. Model ini hanya mengembalikan vektor. Pasangkan dengan model chat coding: Codestral Embed menemukan kode yang relevan, dan model chat membaca serta menulis perubahannya.

Berapa biaya Codestral Embed?

Di TokenLab, Codestral Embed dikenakan Masukan $0.15 / Keluaran $0.00 per 1M token. Tabel harga di atas menampilkan rincian lengkap. Tarif bergantung pada unit penagihan, spesifikasi, dan penggunaan. Bandingkan kondisi yang sama dalam harga detail model; satu tarif tidak menentukan total biaya.

Endpoint mana yang harus digunakan Codestral Embed?

Pakai https://api.tokenlab.sh/v1/embeddings sebagai default untuk Codestral Embed. Jika format native penyedia didukung, API workbench juga menampilkan endpoint tersebut.

Operasi apa saja yang didukung Codestral Embed?

Codestral Embed mendukung Embedding. Pilih operasi di API workbench di atas untuk melihat endpoint dan contoh kode terkait.