# Codestral Embed 2505

> Преобразует фрагменты кода и текстовые запросы в векторные представления для семантического поиска, подбора похожего кода и контекстного поиска для помощников разработчика.

- **ID для API:** `mistralai/codestral-embed-2505`
- **Тип Модели:** Модель эмбеддингов
- **Контекст:** 8 192 токенов
- **Максимум на ответ:** 6 553 токенов
- **Вход:** текст → **Выход:** эмбеддинги

## Описание

#### Суть
Codestral Embed — модель Mistral AI для создания векторных представлений кода. Она предназначена прежде всего для поиска по смыслу: сопоставляет запрос или фрагмент кода с подходящими участками в коллекции, даже если формулировки и имена в них различаются. Модель возвращает embeddings, а не готовые ответы, объяснения или исправления кода.

#### Сильные стороны
Модель ориентирована на retrieval по реальным программным репозиториям. Mistral описывает сценарии, где запрос на естественном языке помогает найти код, а фрагмент кода — связанный с ним код или документацию. Векторные представления также подходят для поиска похожих и почти дублирующихся участков, группировки кода по смыслу и извлечения контекста для coding assistant. Разработчик заявляет о поддержке выходных представлений с разными размерностями и точностями, чтобы выбирать компромисс между качеством поиска и расходом хранилища.

#### Контекст и модальности
На вход подаётся текст, на выходе модель формирует embeddings. Контекст — 8192 токена. Это не генеративная модель для диалога: её результат нужно использовать в поисковой системе или передавать другой модели как найденный контекст.

#### Типовые сценарии
Индексируйте репозитории и ищите нужные функции по описанию задачи или вопросу на естественном языке. Используйте поиск при формировании контекста для дополнения, редактирования и объяснения кода; сопоставляйте фрагменты, чтобы находить похожие решения или дубликаты. Векторное представление можно применять и для кластеризации кода и анализа структуры коллекции. Для рабочих процессов с большими корпусами Mistral рекомендует делить данные на фрагменты, а не без разбора отправлять их целиком.

#### Ограничения
Модель создаёт представления, но сама не выполняет поиск по репозиторию, не ранжирует результаты без соответствующей инфраструктуры и не генерирует итоговый ответ. Для практического применения нужны индекс embeddings и компонент поиска; качество результата зависит также от подготовки корпуса и выбранной стратегии разбиения.

#### Отличие от соседей по семейству
В отличие от генеративных моделей семейства Codestral, предназначенных для работы с кодом как с содержимым, Codestral Embed преобразует текст и код в представления для поиска и сопоставления. Это компонент retrieval-контура, а не замена модели, которая пишет или изменяет программу.

## Цены

- Запрос / 1М: 17,76 ₽

## Провайдеры

Выбрать Провайдера можно параметром `provider` в запросе.

| Провайдер | Цена | Контекст | Макс. ответ | Данные в РФ | 152-ФЗ |
| --- | --- | --- | --- | --- | --- |
| mistral/zdr | Запрос / 1М: 17,76 ₽ | 8 192 | 6 553 | — | — |
| mistral/eu | Запрос / 1М: 19,54 ₽ | 8 192 | 6 553 | — | — |

## Быстрый старт

```bash
curl https://polza.ai/api/v1/embeddings \
  -H "Authorization: Bearer $POLZA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "mistralai/codestral-embed-2505",
  "input": [
    "Пример текста для поиска"
  ]
}'
```

## Ссылки

- Страница: https://polza.ai/models/mistralai/codestral-embed-2505
- Каталог: https://polza.ai/models