Mistral: Codestral Embed

O Codestral Embed é o modelo de embedding da Mistral para busca de código-fonte. Ele mapeia códigos e consultas relacionadas em vetores para recuperação em repositórios, ajudando assistentes de programação a encontrar funções e arquivos relevantes antes de gerar ou editar código.

Comparar modelos

codestral-embed

DisponívelMistralIncorporaçãoSíncrono

Entrada / Saída: $0.15 / $0.00
Contexto: 8K
Modalidades: Incorporação

Sobre o Codestral Embed

Codestral Embed é o primeiro modelo de embedding da Mistral AI criado para código. Ele transforma arquivos de origem, trechos de código e perguntas em linguagem natural em vetores, para que um assistente de codificação possa recuperar as funções certas antes de escrever ou editar qualquer coisa. A Mistral relata que ele supera o Voyage Code 3, o Cohere Embed v4.0 e o grande modelo de embedding da OpenAI em suas avaliações de recuperação de código. O modelo de embedding de texto de uso geral da Mistral, o Mistral Embed, é a melhor opção para prosa.

Pontos fortes

Treinado para recuperação de código, abrangendo busca de linguagem natural para código, similaridade de código para código e recuperação de SQL na suíte de avaliação da Mistral.
As dimensões de saída são ordenadas por relevância, para que você possa manter qualquer número de dimensões iniciais para reduzir o índice.
A Mistral relata que mesmo 256 dimensões com precisão int8 superam os modelos de embedding de código concorrentes que testou.
Adequado para geração aumentada por recuperação (RAG) para agentes de codificação, detecção de duplicatas, agrupamento e análise de código.

Quando usar outro modelo

Ele apenas cria embeddings; não gera nem explica código, portanto, você ainda precisará de um modelo de chat para obter respostas.
A Mistral recomenda trechos de cerca de 3.000 caracteres com 1.000 de sobreposição, pois trechos maiores prejudicam a qualidade da recuperação.
Para documentos que não são de código, como políticas ou artigos de suporte, um modelo de embedding de texto geral é a escolha mais natural.

Primeiros passos

Criar chave de API
Crie uma chave no Console e use com qualquer modelo da plataforma.

Envie sua primeira requisição

Copie o exemplo para sua linguagem e execute-o no endpoint.

IncorporaçãoEndpoint do 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."
}'

Preço

O preço Verified vale para o Verified, que custa menos na maioria dos modelos. O preço Official é o preço publicado pelo fabricante do modelo e vale para a rota Official, mais confiável. O Auto cobra pela rota que conclui a solicitação.

Incorporação

Por 1M Token

Preço Official: Entrada $0.15 / Saída $0.00 / Leitura de cache $0.015
Preço Verified: —
Desconto: —

Preços de cache de prompt

Leitura de cache

Preço Official: $0.015
Preço Verified: —
Desconto: —

	Preço OfficialPor 1M Token	Preço VerifiedPor 1M Token	Desconto
Incorporação	Entrada $0.15 / Saída $0.00 / Leitura de cache $0.015	—	—
Preços de cache de prompt
Leitura de cache	$0.015	—	—

Uso e atividade

A taxa de sucesso é a proporção de requisições concluídas. A latência é quanto tempo uma resposta completa leva; P95 significa que 95% das requisições terminaram dentro desse tempo.

Uso e disponibilidade

Últimas 24 horas

Requisições
Taxa de sucesso
Latência P95
Total de tokens

Desempenho do modelo

Última atualização 17 de out. de 2026, 12:47 UTC

As métricas aparecerão assim que os limites de privacidade e volume de dados forem atingidos.

Os dados baseiam-se em solicitações agregadas de usuários, excluindo verificações de status.

Abrir no Console

Abra Codestral Embed no Console com um prompt pronto para editar ou enviar.

Ajude-me a testar codestral-embed com embedding em /v1/embeddings. Exiba o resultado e custo.

Casos de uso

Busca em repositórios para agentes de codificação
Indexe cada função e arquivo de uma base de código e, em seguida, recupere as correspondências mais próximas de uma descrição de tarefa antes que o agente edite o código.
Busca de código em linguagem natural
Permita que os desenvolvedores digitem uma pergunta, como "como as tentativas de repetição são tratadas", e obtenham os arquivos de origem relevantes em vez de resultados baseados em palavras-chave.
Detecção de duplicatas e quase-clones
Crie embeddings de funções em todos os serviços e sinalize pares com vetores muito próximos, o que indica lógica copiada e colada que vale a pena consolidar.
Correspondência de problemas com código
Crie embeddings de relatórios de bugs e combine-os com os arquivos com maior probabilidade de precisar de uma correção, como um primeiro passo para bots de triagem.

Exemplos de prompt

Onde neste repositório validamos assinaturas de webhook?

def retry_with_backoff(fn, attempts=5): ... (crie o embedding de uma função para encontrar auxiliares semelhantes em outros serviços)

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

Este modelo tem preço condicional. Totais mensais de tokens sozinhos não produzem uma estimativa confiável; use o preço detalhado para a especificação da requisição, cache e janela aplicável.

FAQ

Para que o Codestral Embed é usado?

Recuperação sobre código-fonte. Você cria embeddings de trechos de código e consultas, armazena os vetores e busca os trechos mais próximos por similaridade. Tarefas típicas são busca semântica de código, recuperação de contexto para agentes de codificação, detecção de duplicatas e agrupamento de código por finalidade.

Como o Codestral Embed é diferente do Mistral Embed?

O Codestral Embed é especializado em código e consultas relacionadas a código, enquanto o Mistral Embed é um modelo de texto geral para documentos, agrupamento e geração aumentada por recuperação sobre prosa. Use o Codestral Embed para repositórios e o Mistral Embed para bases de conhecimento e artigos.

Posso reduzir o tamanho do vetor?

Sim. A Mistral ordena as dimensões de saída por relevância, para que você possa manter um prefixo mais curto para um índice menor. A Mistral relata que 256 dimensões com precisão int8 ainda superam os modelos de embedding de código concorrentes que testou, mas verifique o recall em seu próprio código.

Como devo dividir o código antes de criar o embedding?

A Mistral recomenda trechos de cerca de 3.000 caracteres com 1.000 caracteres de sobreposição. Trechos maiores reduziram o desempenho de recuperação em seus testes. Divida ao longo dos limites de função ou classe sempre que puder e mantenha o caminho do arquivo e o nome do símbolo com cada trecho.

Ele gera código?

Não. Ele retorna apenas vetores. Combine-o com um modelo de chat de codificação: o Codestral Embed encontra o código relevante, e o modelo de chat o lê e escreve a alteração.

Quanto custa o Codestral Embed?

No TokenLab, Codestral Embed custa Entrada $0.15 / Saída $0.00 Por 1M Token. A tabela de preços acima mostra o detalhamento completo. As tarifas dependem da unidade de cobrança, da especificação e do uso. Compare condições iguais no preço detalhado do modelo; uma única tarifa não determina o custo total.

Qual endpoint o Codestral Embed deve usar?

Use https://api.tokenlab.sh/v1/embeddings para Codestral Embed. O exemplo de requisição abaixo mostra o formato de código correspondente.

Quais operações o Codestral Embed suporta?

Codestral Embed suporta Incorporação. Selecione uma operação acima para ver seu endpoint e exemplo de requisição.