Mistral: Codestral Embed

Codestral Embed, Mistral'in kaynak kodu aramaya yönelik yerleştirme modelidir. Kod ve ilgili sorguları depo erişimi için vektörlere dönüştürerek, kodlama asistanlarının kod oluşturmadan veya düzenlemeden önce ilgili fonksiyonları ve dosyaları bulmasına yardımcı olur.

Modelleri karşılaştır

codestral-embed

MevcutMistralVektörleştirmeSenkron

Girdi / Çıktı: $0.15 / $0.00
Bağlam: 8K
Modlar: Vektörleştirme

Codestral Embed hakkında

Codestral Embed, Mistral AI's kod için oluşturulmuş ilk göpiştirme (embedding) modelidir. Bir kod asistanının herhangi bir şey yazmadan veya düzenlemeden önce doğru fonksiyonları getirebilmesi için kaynak dosyaları, kod parçacıklarını ve doğal dildeki soruları vektörlere dönüştürür. Mistral, modelin kod getirme değerlendirmelerinde Voyage Code 3, Cohere Embed v4.0 ve OpenAI'ın büyük göpiştirme modelini geride bıraktığını bildirmektedir. Mistral'in genel amaçlı metin göpiştiricisi Mistral Embed, düz metin (prose) için daha uygun bir seçenektir.

Güçlü yönleri

Mistral'in değerlendirme suitinde doğal dilden koda arama, koddan koda benzerlik ve SQL getirme dahil olmak üzere kod getirme için eğitilmiştir.
Çıkış boyutları alakalılık sırasına göre düzenlenmiştir; böylece indeksi küçültmek için istediğiniz sayıda başat boyutu tutabilirsiniz.
Mistral, int8 hassasiyetindeki 256 boyutun bile test ettiği rakip kod göpiştiricilerini geride bıraktığını bildirmektedir.
Kodlama ajanları için getirme artırımlı nesil (RAG), kopya tespiti, kümeleme ve kod analitiği için uygundur.

Alternatif aramanız gereken durumlar

Yalnızca göpiştirme yapar; kod üretmez veya açıklamaz, bu nedenle yanıtlar için hâlâ bir sohbet modeline ihtiyacınız vardır.
Mistral, daha büyük parçalar getirme kalitesini düşürdüğü için 1.000 karakter örtüşmeyle birlikte yaklaşık 3.000 karakterlik parçalar kullanılmasını tavsiye etmektedir.
Politikalar veya destek makaleleri gibi kod dışı belgeler için genel bir metin göpiştirme modeli daha doğal bir tercihtir.

Başlarken

API anahtarı oluştur
Console'da bir anahtar oluşturun, platformdaki tüm modellerle kullanın.

İlk isteğinizi gönderin

Diliniz için olan örneği kopyalayın ve uç noktada çalıştırın.

VektörleştirmeTokenLab uç noktası

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."
}'

Fiyatlandırma

Verified fiyatı Verified için geçerlidir ve çoğu modelde daha düşüktür. Official fiyatı, model üreticisinin yayınladığı fiyattır ve daha güvenilir Official rotası için geçerlidir. Auto, isteği tamamlayan rotanın fiyatını uygular.

Vektörleştirme

1M token başına

Official fiyatı: Girdi $0.15 / Çıktı $0.00 / Önbellek okuma $0.015
Verified fiyatı: —
İndirim: —

Prompt cache fiyatlandırması

Önbellek okuma

Official fiyatı: $0.015
Verified fiyatı: —
İndirim: —

	Official fiyatı1M token başına	Verified fiyatı1M token başına	İndirim
Vektörleştirme	Girdi $0.15 / Çıktı $0.00 / Önbellek okuma $0.015	—	—
Prompt cache fiyatlandırması
Önbellek okuma	$0.015	—	—

Kullanım ve etkinlik

Başarı oranı, tamamlanan isteklerin payıdır. Gecikme, tam bir yanıtın ne kadar sürdüğüdür; P95, isteklerin %95’inin bu süre içinde tamamlandığı anlamına gelir.

Kullanım ve kullanılabilirlik

Son 24 saat

İstekler
Başarı oranı
P95 gecikmesi
Toplam token

Model performansı

Son güncelleme: 12 Eki 2026 20:55 UTC

Metrikler, gizlilik ve veri hacmi eşikleri karşılandığında görünür.

Veriler, durum kontrolleri hariç tutularak toplu kullanıcı isteklerine dayanmaktadır.

Console'da aç

Codestral Embed modelini Console'da açın, istemi düzenlemek veya göndermek için hazır hale getirin.

codestral-embed ile /v1/embeddings üzerinden embedding işlemini dene. Sonucu ve maliyeti göster.

Kullanım senaryoları

Kodlama ajanları için depo arama
Bir kod tabanının her fonksiyonunu ve dosyasını indeksleyin, ardından ajan kodu düzenlemeden önce bir görev açıklamasıyla en yakın eşleşmeleri getirin.
Doğal dilde kod arama
Geliştiricilerin, anahtar kelime eşleşmeleri yerine yeniden denemelerin (retries) nasıl ele alındığı gibi bir soru yazıp ilgili kaynak dosyaları almasını sağlayın.
Kopya ve yakın kopya tespiti
Servisler genelinde fonksiyonları göpiştirin ve birleştirilmeye değer kopyala-yapıştır mantığına işaret eden, çok yakın vektörlere sahip çiftleri işaretleyin.
Hata-kod eşleştirme
Hata raporlarını göpiştirin ve triyaj botları için ilk adım olarak bunları düzeltmeye ihtiyaç duyma ihtimali en yüksek dosyalarla eşleştirin.

Prompt örnekleri

Bu deponun neresinde webhook imzalarını doğruluyoruz?

def retry_with_backoff(fn, attempts=5): ... (diğer servislerde benzer yardımcıları bulmak için bir fonksiyonu göpiştirin)

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

Bu model koşullu fiyatlandırmaya sahiptir. Yalnızca aylık token toplamları güvenilir bir tahmin üretmez; istek özellikleri, önbellek ve geçerli zaman penceresi için ayrıntılı fiyatlandırmayı kullanın.

FAQ

Codestral Embed ne için kullanılır?

Kaynak kod üzerinde getirme (retrieval). Kod parçacıklarını ve sorguları göpiştirir, vektörleri saklar ve benzerliğe göre en yakın parçaları çekersiniz. Tipik işler arasında anlamsal kod arama, kodlama ajanları için bağlam getirme, kopya tespiti ve kodun amacına göre kümelenmesi yer alır.

Codestral Embed, Mistral Embed'den nasıl farklıdır?

Codestral Embed kod ve kodla ilgili sorgular için özelleştirilmiştir; Mistral Embed ise belgeler, kümeleme ve düz metin üzerinde getirme artırımlı nesil için genel bir metin modelidir. Depolar için Codestral Embed'i, bilgi tabanları ve makaleler için Mistral Embed'i kullanın.

Vektör boyutunu küçültebilir miyim?

Evet. Mistral çıkış boyutlarını alakalılık sırasına göre düzenler; böylece daha küçük bir indeks için daha kısa bir önek tutabilirsiniz. Mistral, int8 hassasiyetindeki 256 boyutun test ettiği rakip kod göpiştiricilerini hâlâ geride bıraktığını bildirmektedir, ancak kendi kodunuz üzerinde geri çağrımı (recall) kontrol edin.

Kodu göpiştirmeden önce nasıl bölmeliyim?

Mistral, 1.000 karakter örtüşmeyle birlikte yaklaşık 3.000 karakterlik parçalar önermektedir. Testlerinde daha büyük parçalar getirme performansını düşürmüştür. Mümkün olduğunca fonksiyon veya sınıf sınırları boyunca bölün ve dosya yolunu ile sembol adını her parça ile birlikte tutun.

Kod üretir mi?

Hayır. Yalnızca vektörler döndürür. Bunu bir kodlama sohbet modeliyle eşleştirin: Codestral Embed ilgili kodu bulur, sohbet modeli ise onu okur ve değişikliği yazar.

Codestral Embed ne kadara mal olur?

TokenLab üzerinde Codestral Embed Girdi $0.15 / Çıktı $0.00 1M token başına'dır. Tam dökümü yukarıdaki fiyat tablosunda bulabilirsiniz. Ücretler faturalandırma birimine, özelliklere ve kullanıma göre değişir. Modelin ayrıntılı fiyatlandırmasında eşleşen koşulları karşılaştırın; tek bir ücret toplam maliyeti belirlemez.

Codestral Embed hangi endpoint'i kullanmalı?

Codestral Embed için varsayılan olarak https://api.tokenlab.sh/v1/embeddings kullanın. Sağlayıcıya özgü yerel format destekleniyorsa API workbench bu endpoint'i de gösterir.

Codestral Embed hangi operasyonları destekler?

Codestral Embed Vektörleştirme destekler. Yukarıdaki API workbench'te bir operasyon seçerek ilgili endpoint ve kod örneğini görebilirsiniz.