Codestral Embed 2505
Red Neuronal
Codestral Embed 2505 es un modelo de embedding de Mistral para búsqueda semántica de código y vectorización de repositorios.
Características
- Entrada
- texto
- Salida
- vectores (embeddings)
- Tamaño del contexto
- 8 192 tokens
- Dimensiones del vector
- 1 536
Costo del prompt
(por 1M tokens)
Cómo funciona Codestral Embed 2505?
Codestral Embed 2505 es un modelo de embedding de Mistral optimizado para código: convierte funciones, archivos y repositorios completos en vectores, ofreciendo resultados precisos en búsquedas de bases de código. En BotHub, el acceso se realiza a través de una API compatible con OpenAI, sin necesidad de VPN ni tarjetas extranjeras, con pago en rublos por uso de tokens. Utilice el modelo para búsqueda semántica en repositorios, asistentes RAG para documentación interna y código, deduplicación y agrupación de fragmentos, o para encontrar secciones similares durante la refactorización. Almacene los vectores en Qdrant, pgvector u otro repositorio; cambiar de modelo en BotHub no requiere reescribir la integración.Preguntas frecuentes sobre Codestral Embed 2505
Puede usar los resultados generados con fines comerciales. Todos los derechos sobre el contenido creado le pertenecen. La única restricción: asegúrese de que la solicitud no incluya material de terceros protegido por derechos de autor. El usuario es responsable de respetar los derechos sobre los datos de entrada.
codestral-embed-2505 de Mistral convierte código y texto en vectores. Sus tareas: búsqueda semántica en repositorios, RAG para documentación, agrupación y deduplicación de fragmentos, búsqueda de funciones similares y clasificación. La ventana de contexto de 8192 tokens es suficiente para un archivo grande o un bloque de código completo.
La salida no es texto, sino un vector numérico de dimensión fija. Estos embeddings se almacenan en bases de datos vectoriales (Qdrant, pgvector, Milvus), se comparan mediante similitud de coseno y se obtiene una lista clasificada de fragmentos similares. Consulte la dimensión exacta en la respuesta de la API en la primera solicitud.
No hay indicios de razonamiento antes de responder, ya que la tarea del modelo es distinta: no formula respuestas, sino que calcula la representación vectorial de la entrada. La lógica sobre los resultados la construye su código o un modelo generativo conectado a la misma API.
No se indica soporte para llamadas a funciones o salida estructurada, ya que no es el escenario principal para embeddings. Sin embargo, la respuesta de la API llega en formato JSON estándar con un array de vectores, por lo que es fácil procesarla en su pipeline y guardarla en la base de datos.
No se indica soporte para nada que no sea texto, así que considere solo texto y código. Si su proyecto requiere entradas multimodales, en BotHub puede cambiar a un modelo adecuado a través de la API compatible con OpenAI sin reescribir la integración.
No tenemos datos sobre idiomas, por lo que no podemos garantizar la precisión; pruébelo con su propio corpus. Un consejo práctico: procese tanto las consultas como los documentos con el mismo modelo para que los vectores sean comparables y la búsqueda predecible.