Indlæser kataloget…
Indlæser kataloget…
Mistral AI's specialiserede kodemodel til fill-in-the-middle, koderettelse og testgenerering med et kontekstvindue på 256k tokens.
Oversigt. Codestral 2508 er en model med lukkede vægte fra det franske Mistral AI, som kun er tilgængelig via API. Den er specialbygget til fill-in-the-middle-kodegenerering, koderettelse og generering af test. Modellen blev udgivet i august 2025 og leveres med et kontekstvindue på 256k tokens, hvilket gør den velegnet til opgaver, der kræver ræsonnering på tværs af store filer eller projekter med mange filer frem for blot korte kodestumper. Den betjenes udelukkende gennem Mistrals API, som drives af leverandøren — der findes ingen åbne vægte.
Vigtigste styrker. Modellen er optimeret til arbejdsgangen i en kodeditor frem for fri chat: Den accepterer tekst- og kodefiler som inddata og returnerer tekst, og den understøtter både verktøjskald og strukturerede uddata til afkodning begrænset af et skema. På Design Arena ligger dens Elo-score fra 1.034 inden for spiludvikling til 1.099 inden for 3D, mens UI-komponenter ligger på 1.072. Det er ikke en ræsonneringsmodel — der tilbydes ikke indstilleligt ræsonneringsniveau her, da Mistral forbeholder den kontrol til deres separate hybrid- og ræsonneringsserier.
Anvendelsesområder. Brug Codestral 2508 til fill-in-the-middle-autofærdiggørelse, målrettet koderettelse og automatiseret testgenerering, især hvor opgaven dækker en stor kodebase og har brug for hele kontekstvinduet på 256k frem for en enkelt fil. Dens korte svartid og understøttelse af værktøjskald gør den også velegnet til chat-assisterede kodesessioner, der kalder eksterne værktøjer eller forventer strukturerede svar valideret mod et JSON-skema. Den er ikke positioneret som en generel ræsonneringsmodel, så begræns dens anvendelsesområde til kodecentrerede opgaver.
Begrænsninger. Mistral har trods gentagne forespørgsler ikke oplyst parametertal, arkitektur eller licens for denne version, så disse forbliver ukendte for kunderne. Den har ingen billedforståelse — inddatatypen 'fil' dækker kode, tekst og PDF'er læst som ren tekst, ikke billeder — og dens resultater for kodekvalitet på Design Arena ligger i middelklassen og har været faldende i de seneste cyklusser. Den bør derfor ikke betragtes som en frontmodel til kodning.
Bemærkning om suverænitet. Codestral 2508 er bygget af Mistral AI, et fransk selskab, og er kun tilgængelig som et API drevet af leverandøren uden åbne vægte. Hvor beregningen sker, og om dine inddata opbevares eller bruges til træning, afhænger af det endepunkt, der betjener forespørgslen; se fakta om endepunktet her på siden.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L1 | 0,30 / 0,90€ | Online |
13 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Fejlretning i kode er et eksplicit fokusområde, og vinduet på 256k gør det muligt for modellen at indlæse stack traces, omkringliggende moduler og nylige diffs i én arbejdsgang.
Codestral-2508 er bygget til fill-in-the-middle-færdiggørelse og tilbyder et kontekstvindue på 256k samt understøttelse af promptcaching, så den kan rumme store filer og kontekst på tværs af filer uden at trække betaling for præfikset ved hvert tastetryk.
Kodegenerering og fejlretning med langt kontekstvindue er kernen i denne models design; 256k tokens dækker gennemgang af hele filer og flere filer ad gangen, som ville blive afkortet på kodemodeller med mindre vinduer.
Refactoring kræver sammenhæng i hele filen; Codestral-2508's kontekst på 256k plus promptcaching af det stabile præfiks passer arkitektonisk direkte til store mekaniske omskrivninger.
Generering af test er et erklæret formål med denne kodespecialist, og dens vindue på 256k lader den læse det omkringliggende modul eller en del af repositoriet, før den skriver assertions.
Understøttelse af verktøykall plus et kontekstvindue på 256k gør den velegnet som en agent til kodning, men dette er en model orienteret mod færdiggørelse og rettelser snarere end en planlægger til opgaver med mange trin, så kombiner den med et eksplicit lag til orkestrering.
Indbygget understøttelse af verktøykall gør den anvendelig til backends med funktionskald, med det forbehold at dens styrke ligger i kode frem for generel konverterende brug af værktøjer.
En stærk kodespecialiseret model med nok kontekst til at forklare store filer, selvom forklaring er et sekundært anvendelsesområde i forhold til dens fokus på generering og fejlretning.
Verktøykall og en kontekst på 256k giver den plads til at bevare tilstande mellem trin, men ingen offentliggjorte benchmarks for ræsonnering eller planlægning adskiller den fra generelle alternativer her.
Konteksten på 256k håndterer lange inddata i én arbejdsgang, men opsummering ligger uden for modellens kodespecialisering, og generelle modeller er et bedre standardvalg.
Kontekstvinduet på 256k rummer nemt lange dokumenter, men da modellen er finjusteret til kode, er ekstraktiv spørgsmål-svar over prosa kompetent snarere end førende i sin klasse.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod hele Stav-kataloget.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "mistral-ai/codestral-2508",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på