Você pode usar os resultados da geração para fins comerciais. Todos os direitos sobre o conteúdo criado pertencem a você. A única restrição: certifique-se de que a solicitação não inclua materiais de terceiros protegidos por direitos autorais. A responsabilidade pelo cumprimento dos direitos sobre os dados de entrada é do usuário.

O codestral-embed-2505 da Mistral transforma código e texto em vetores. Tarefas: busca semântica em repositórios, RAG em documentação, agrupamento e desduplicação de fragmentos, busca de funções similares e classificação. A janela de contexto de 8192 tokens é suficiente para um arquivo grande ou um bloco de código completo.

A saída não é texto, mas um vetor numérico de dimensão fixa. Esses embeddings são armazenados em bancos de dados vetoriais — Qdrant, pgvector, Milvus — comparados por similaridade de cosseno para obter uma lista ranqueada de fragmentos similares. Verifique a dimensão exata na resposta da API na primeira solicitação.

Não há indicações de raciocínio antes da resposta, pois a tarefa do modelo é outra: ele não formula uma resposta, mas calcula a representação vetorial da entrada. A lógica sobre os resultados é construída pelo seu código ou por um modelo generativo conectado à mesma API.

Não há suporte para chamada de funções ou saída estruturada, pois não é o cenário principal para embeddings. No entanto, a resposta da API vem em JSON padrão com um array de vetores, facilitando o processamento no pipeline e o armazenamento no banco de dados.

Não há suporte para nada além de texto, portanto, conte apenas com texto e código. Se o projeto precisar de entradas multimodais, no BotHub você pode alternar para um modelo adequado via API compatível com OpenAI sem reescrever a integração.

Não temos dados sobre idiomas, então não podemos prometer precisão — teste com seu próprio corpus. Uma dica prática: processe tanto as consultas quanto os documentos através do mesmo modelo; assim, os vetores permanecerão comparáveis e a busca será previsível.