Mistral: Codestral Embed
codestral-embed- 输入 / 输出
- $0.15 / $0.00
- 上下文
- 8K
- 模态
- 嵌入
Codestral Embed 简介
Codestral Embed 是 Mistral AI 首个专为代码打造的向量（embedding）模型。它把源文件、代码片段和自然语言问题转成向量，让编程助手在写代码或改代码之前先检索到正确的函数。Mistral 称它在自家的代码检索评测中胜过 Voyage Code 3、Cohere Embed v4.0 和 OpenAI 的大型向量模型。处理普通文本时，Mistral 的通用文本向量模型 Mistral Embed 更合适。
擅长的任务
- 专为代码检索训练，在 Mistral 的评测集中覆盖自然语言到代码的搜索、代码到代码的相似度和 SQL 检索。
- 输出维度按相关性排序，可以只保留前面任意数量的维度来缩小索引。
- Mistral 称，即使只用 int8 精度的 256 维，也胜过它测试的各个竞品代码向量模型。
- 适用于编程智能体的检索增强生成、重复检测、聚类和代码分析。
什么情况换别的模型
- 它只做向量化，不生成也不解释代码，回答问题仍需要对话模型。
- Mistral 建议每个分块约 3,000 个字符，重叠 1,000 个字符，因为分块更大会降低检索质量。
- 对制度文件、客服文章等非代码文档，通用文本向量模型是更自然的选择。
快速上手
创建 API 密钥
在 Console 生成一把密钥，平台上的模型都能用。
发送第一个请求
复制你所用语言的示例代码，向该端点发起请求。
嵌入TokenLab 端点POST/v1/embeddingscurl -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." }'
价格
Verified 价格用于 Verified，多数模型更便宜；Official 价格是模型厂商公布的价格，用于更稳定的 Official。Auto 按最终完成请求的线路计价。
嵌入
每 1M token- Official 价格
- 输入 $0.15 / 输出 $0.00 / 缓存读取 $0.015
- Verified 价格
- —
- 折扣
- —
缓存读取
- Official 价格
- $0.015
- Verified 价格
- —
- 折扣
- —
| Official 价格每 1M token | Verified 价格每 1M token | 折扣 | |
|---|---|---|---|
| 嵌入 | 输入 $0.15 / 输出 $0.00 / 缓存读取 $0.015 | — | — |
| 提示词缓存价格 | |||
| 缓存读取 | $0.015 | — | — |
用量与动态
成功率是请求完成的比例；延迟是拿到一次完整响应要花的时间，P95 表示 95% 的请求都在这个时间内完成。
用量与可用性
最近 24 小时- 请求
- 成功率
- P95 延迟
- 总 token 数
数据来自汇总的用户请求，不含状态检查。
直接在 Console 里试
Codestral Embed 已在 Console 备好，提示词已填好，可以直接修改或发送。
帮我用 codestral-embed 完成一次 embedding，接口是 /v1/embeddings。返回结果和费用。
使用场景
编程智能体的仓库检索
为代码库中的每个函数和文件建立索引，智能体改代码之前先检索与任务描述最接近的内容。
自然语言代码搜索
让开发者输入“重试是怎么处理的”这样的问题，直接得到相关源文件，而不是关键词匹配的结果。
重复和近似克隆检测
把各服务中的函数向量化，标出向量非常接近的函数对，它们往往是值得合并的复制粘贴逻辑。
问题到代码的匹配
对缺陷报告做向量化，匹配最可能需要修复的文件，作为分诊机器人的第一步。
提示词示例
这个仓库里哪里校验了 webhook 签名？
def retry_with_backoff(fn, attempts=5): ...（对一个函数做向量化，找出其他服务里类似的辅助函数）
统计每个客户的订单总额，找出总额超过 1000 的客户：SELECT customer_id, SUM(total) FROM orders GROUP BY customer_id HAVING SUM(total) > 1000
此模型按条件计价，仅凭月度 token 总量无法可靠估算；请按请求规格、缓存和适用时段查看详细定价。
FAQ
Codestral Embed 用来做什么？
对源代码做检索。把代码块和查询向量化，存储向量，再按相似度取回最近的代码块。典型用途是语义代码搜索、为编程智能体检索上下文、重复检测，以及按用途对代码聚类。
Codestral Embed 和 Mistral Embed 有什么区别？
Codestral Embed 专门面向代码及与代码相关的查询，Mistral Embed 是通用文本模型，用于文档、聚类和基于普通文本的检索增强生成。代码仓库用 Codestral Embed，知识库和文章用 Mistral Embed。
可以减小向量的维度吗？
可以。Mistral 按相关性排列输出维度，所以可以只保留较短的前缀来得到更小的索引。Mistral 称 int8 精度的 256 维仍胜过它测试的竞品代码向量模型，但还是要在自己的代码上检查召回率。
向量化之前应该怎么切分代码？
Mistral 建议每块约 3,000 个字符，重叠 1,000 个字符。它的测试中，更大的分块会降低检索效果。尽量沿函数或类的边界切分，并给每个分块保留文件路径和符号名。
它会生成代码吗？
不会。它只返回向量。请搭配编程对话模型使用：Codestral Embed 找出相关代码，对话模型阅读并写出改动。
Codestral Embed 的费用是多少？
在 TokenLab 上，Codestral Embed 的价格为 输入 $0.15 / 输出 $0.00 每 1M token。完整明细见上方价格表。 价格因计费单位、规格和用量而异。请在模型的详细定价中对比相同条件下的费率；单一费率不代表总价。
Codestral Embed 应该使用哪个端点？
Codestral Embed 使用 https://api.tokenlab.sh/v1/embeddings。代码写法见下方的请求示例。
Codestral Embed 支持哪些操作？
Codestral Embed 支持 嵌入。选了操作，上面会显示对应的端点和请求示例。
Codestral Embed 对比
资料来源
审阅于 2026年10月2日
