Mistral Codestral Embed (codestral-embed-2505)
нейросеть
Mistral Codestral Embed создаёт компактные векторные представления для фрагментов кода, файлов и репозиториев, оптимизированные для задач семантического поиска и извлечения. Подходит для индексирования кодовой базы, построения баз знаний по репозиториям и повышения качества retrieval-augmented coding assistants. Модель доступна через BotHub — интегрируйте поиск и подсказки в рабочие процессы без лишних сложностей.
Характеристики
- Входные данные
- текст
- Результат
- векторы (эмбеддинги)
- Размер контекста
- 8 192 токена
- Размерность вектора
- 1 536
Стоимость промпта
(за 1M токенов)
import OpenAI from 'openai';
const openai = new OpenAI({
apiKey: '<your bothub access token>',
baseURL: 'https://openai.bothub.chat/v1'
});
async function main() {
const response = await openai.embeddings.create({
model: 'codestral-embed-2505',
input: 'The food was delicious and the waiter...',
encoding_format: 'float'
});
const embedding = response.data[0].embedding;
console.log(embedding);
}main();
Как работает Mistral Codestral Embed (codestral-embed-2505)?
Попробуйте Codestral Embed на BotHub — индексируйте репозитории и улучшайте кодовый поиск.Частые вопросы о Mistral Codestral Embed (codestral-embed-2505)
Вы можете использовать результаты генерации в коммерческих целях. Все права на созданный контент принадлежат вам. Единственное ограничение: убедитесь, что в запросе не использовались защищённые авторским правом материалы третьих сторон. Ответственность за соблюдение прав на входные данные лежит на пользователе.
Codestral Embed 2505 преобразует текст в числовые векторы, подходящие для семантического поиска, сопоставления, RAG, рекомендаций и кластеризации. Используйте его для индексации документов, поиска похожих фрагментов и построения векторных приложений на основе сходства и контекстного поиска.
Модель генерирует эмбеддинги — массивы чисел, представляющие смысл входного текста. Формат вывода подходит для загрузки в векторные базы данных и вычисления расстояний/косинусного сходства; конкретная структура возвращаемого массива соответствует API-интеграции, которую вы используете.
В наших данных не отмечено, что модель выполняет рассуждения перед ответом. Как эмбеддинговый инструмент, она кодирует смысл в векторы, а явные цепочки рассуждений обычно не часть таких выходов; для пошаговых рассуждений применяйте текстовые модели.
В наших данных не отмечено поддержку вызова функций или структурированного JSON-вывода. Модель возвращает числовые векторы — они служат для поиска и сравнения, а не для выполнения функций; для function calling и синтаксированных ответов используйте соответствующие текстовые API.
В наших данных не отмечено приёма изображений, аудио или видео. Codestral Embed 2505 предназначен для работы с текстом, поэтому обработка мультимедийных входов не подтверждена; для встраивания мультимедиа подберите модель с явной поддержкой соответствующих типов.
В наших данных не указано детальное качество понимания русского. На практике качество эмбеддингов для русского зависит от обучающего корпуса и задач; рекомендуем протестировать модель на ваших текстах, чтобы оценить семантическое сходство и пригодность для поиска и RAG.