codestral-embed

Oversigt. Codestral Embed er den første embeddingmodel fra Mistral AI, der er specialiseret i kode. Den blev udgivet den 28. maj 2025 og distribueres udelukkende gennem Mistrals API og Batch API som et produkt med lukkede vægte. Den modtager tekst eller kode i et kontekstvindue på op til 8.192 tokens og returnerer en numerisk embeddingvektor i stedet for genereret tekst. Udviklere bruger den, når de har brug for koderepræsentationer til søgning, klyngedannelse eller hentning i en kodebase, hvor en generel embeddingmodel ville fange semantikken mindre præcist.

Vigtigste styrker. Modellen leverer vektorer i matryoshka-stil: Standardstørrelsen på 1.536 dimensioner kan afkortes til et hvilket som helst mindre antal, mens de mest relevante komponenter bevares først, op til maksimalt 3.072 dimensioner. Uddata kan rekvireres som float, int8, uint8, binary eller ubinary, hvilket lader en udvikler afveje lagerplads og sammenligningsomkostninger mod præcision uden at skulle lave en ny embedding. Mistral anbefaler den til opgaver med kodehentning og foreslår at opdele kildekoden i bidder på cirka 3.000 tegn med 1.000 tegns overlap for at holde kvaliteten stabil på tværs af filgrænser.

Anvendelsesområder. Brug denne model til kodehentning og semantisk søgning i repositories, hvor en kodespecialiseret embedding giver mere nyttige resultater end en tekstmodel. Matryoshka-uddata gør den velegnet, når du har brug for at variere embeddingdimensionen per indeks eller niveau — vektorer i fuld bredde til præcis lagring og afkortede binære vektorer til et hurtigt filter i første gennemløb. Kontekstvinduet på 8.192 tokens passer til hele funktioner eller bidder fra flere filer, og det kodespecialiserede fokus rammer tekst med mange identifikatorer og syntaks bedre end et generelt endepunkt.

Begrænsninger. Modellen er kun til embedding: Den returnerer vektorer og kan derfor ikke generere tekst, foretage verktøjskald eller fungere som en chat- eller ræsonneringsmodel, selvom den bærer Codestral-navnet. Inddata er kun tekst og kode — der er ingen understøttelse af billeder eller lyd. Indgangsvinduet er på 8.192 tokens, og Mistral har ikke oplyst antallet af parametre, arkitektur eller hvor træningsdataene slutter, så modellens interne kapacitet og aktualitet kan ikke vurderes ud fra dokumentationen.

Bemærkning om suverænitet. Codestral Embed er bygget af Mistral AI, en fransk modelskaber uden eksponering for CLOUD Act, og betjenes kun gennem Mistrals API uden offentlige vægte. Et niveau med endepunkter placeret i EU er tilgængeligt for suveræn routing, hvor data skal forblive i EU.