Codestral Embed 2505
Réseau Neuronal
Codestral Embed 2505 est un modèle d'embedding Mistral pour la recherche sémantique de code et la vectorisation de dépôts.
Caractéristiques
- Entrée
- texte
- Sortie
- vecteurs (embeddings)
- Taille du contexte
- 8 192 tokens
- Dimensions du vecteur
- 1 536
Coût du prompt
(par 1M tokens)
Comment ça marche Codestral Embed 2505?
Codestral Embed 2505 est un modèle d'embedding Mistral optimisé pour le code : il convertit les fonctions, les fichiers et des dépôts entiers en vecteurs, offrant des résultats précis pour la recherche dans les bases de code. Sur BotHub, l'accès se fait via une API unique compatible OpenAI, sans VPN ni carte étrangère, avec un paiement en roubles à l'usage. Utilisez ce modèle pour la recherche sémantique dans les dépôts, les assistants RAG pour la documentation interne et le code, la déduplication et le clustering de fragments, ou la recherche de segments similaires lors du refactoring. Stockez les vecteurs dans Qdrant, pgvector ou une autre base de données ; changer de modèle sur BotHub ne nécessite aucune réécriture de votre intégration.Questions fréquentes sur Codestral Embed 2505
Vous pouvez utiliser les résultats générés à des fins commerciales. Tous les droits sur le contenu créé vous appartiennent. Seule restriction : vérifiez que la requête ne contient pas de contenus protégés par le droit d'auteur appartenant à des tiers. Le respect des droits sur les données d'entrée relève de votre responsabilité.
codestral-embed-2505 de Mistral transforme le code et le texte en vecteurs. Les cas d'usage : recherche sémantique dans les dépôts, RAG sur la documentation, clustering et déduplication de fragments, recherche de fonctions similaires, classification. La fenêtre contextuelle de 8192 jetons suffit pour un gros fichier ou un bloc de code complet.
Le résultat n'est pas du texte, mais un vecteur numérique de dimension fixe. Ces embeddings sont stockés dans des bases vectorielles (Qdrant, pgvector, Milvus), comparés par similarité cosinus pour obtenir une liste classée de fragments similaires. Vérifiez la dimension exacte dans la réponse de l'API lors de la première requête.
Nos données n'indiquent pas de capacité de raisonnement avant réponse, et la tâche du modèle est différente : il ne formule pas de réponse, mais calcule une représentation vectorielle de l'entrée. La logique sur les résultats est construite par votre code ou un modèle génératif connecté à la même API.
Nos données n'indiquent pas de prise en charge de l'appel de fonctions ou de sortie structurée, ce qui n'est pas le scénario principal pour les embeddings. Cependant, la réponse de l'API est un JSON standard avec un tableau de vecteurs, facile à traiter dans un pipeline et à enregistrer en base de données.
Nos données n'indiquent pas la prise en charge d'autre chose que du texte, donc prévoyez du texte et du code. Si votre projet nécessite des entrées multimodales, vous pouvez passer à un modèle approprié sur BotHub via l'API compatible OpenAI sans réécrire votre intégration.
Nous n'avons pas de données sur les langues, nous ne pouvons donc pas garantir la précision ; testez sur votre propre corpus. Une astuce pratique : traitez à la fois les requêtes et les documents avec le même modèle pour que les vecteurs restent comparables et la recherche prévisible.