{ "aboutHtml": "

Codestral Embed 2505 adalah model embedding Mistral AI yang dikhususkan untuk temu kembali kode. Model menerima teks berisi kode sumber atau kueri kode dalam bahasa alami, lalu mengembalikan vektor numerik. Pembuat memosisikannya untuk pencarian repositori, temu kembali konteks asisten pemrograman, analisis kemiripan dan duplikasi, serta pengelompokan kode berdasarkan fungsi atau strukturnya. Pengenal rilis tetapnya adalah codestral-embed-2505.

Masukan dan representasi

Masukan kode dapat berupa fungsi, fragmen sumber terkait, atau unit repositori lain yang bermakna. Kueri bahasa alami dapat menjelaskan perilaku yang ingin ditemukan, bukan menyebut simbol tepat. Embedding merepresentasikan masukan untuk perbandingan; model tidak menghasilkan implementasi baru atau menjalankan kode yang diterimanya.

Rilis resmi mendokumentasikan konteks masukan lengkap 8.192 token. Untuk temu kembali, pembuat menyarankan potongan sekitar 3.000 karakter dengan tumpang tindih 1.000 karakter, serta mencatat bahwa potongan lebih besar dapat menurunkan kinerja temu kembali. Ini adalah rekomendasi persiapan temu kembali; 3.000 karakter bukan batas token. Simpan hubungan berkas, simbol, dan lokasi sumber dengan setiap item yang disiapkan agar aplikasi dapat mengembalikan kode relevan setelah pencarian.

Presisi keluaran dan dimensi

Panduan embedding kode mendokumentasikan jenis keluaran float, int8, uint8, binary, dan ubinary. Float menggunakan nilai presisi tunggal 32 bit. Int8 menggunakan integer bertanda 8 bit dari -128 hingga 127, sedangkan uint8 menggunakan nilai tanpa tanda 8 bit dari 0 hingga 255. Binary dan ubinary menyimpan nilai satu bit terkuantisasi dalam elemen 8 bit terkemas, masing-masing menggunakan wadah bertanda atau tanpa tanda.

Representasi bit terkemas mengubah panjang daftar yang dikembalikan: panduan menjelaskan satu elemen terkemas untuk setiap delapan dimensi embedding logis. Karena itu, perbandingan yang memahami format berbeda dari memperlakukan byte terkemas sebagai koordinat floating-point biasa. Simpan jenis yang dipilih bersama vektor dan gunakan representasi yang sama untuk kode terindeks serta kuerinya.

Dokumentasi parameter memberikan dimensi bawaan 1.536 dan maksimum 3.072. Dimensi diurutkan berdasarkan relevansi, dan pembuat menjelaskan penyimpanan sejumlah dimensi awal sesuai jumlah yang dipilih sebagai cara memilih ukuran representasi. Pilih dimensi secara konsisten untuk koleksi tersimpan dan kueri baru. Representasi lebih pendek atau terkuantisasi mengubah perilaku penyimpanan dan perbandingan; representasi tersebut tidak memperbesar konteks masukan atau menjadikan model pembangkit kode.

Pemrograman berbantuan temu kembali

Kasus penggunaan pertama rilis ini adalah menemukan konteks untuk pelengkapan, penyuntingan, atau penjelasan kode. Siapkan unit kode yang bermakna dan simpan revisi repositori serta pengenal sumber. Pertanyaan tentang penanganan galat tertentu dapat menemukan fungsi terkait, yang kemudian diberikan aplikasi kepada model pemrograman bersama permintaan perubahan sebenarnya.

Hasil praktisnya adalah himpunan cuplikan sumber berperingkat dengan jalur berkas, simbol, dan konten yang diperlukan untuk memahami perilakunya. Cuplikan yang ditemukan dapat dibuka pengembang atau diteruskan kepada asisten. Codestral Embed melakukan tahap representasi; komponen terpisah memilih hasil, dan model pembangkitan menulis penjelasan atau kode usulan.

Pencarian semantik dan kemiripan

Pembuat menjelaskan pencarian kode menggunakan kueri bahasa alami atau kode. Pengembang dapat meminta implementasi suatu perilaku meskipun nama fungsi berbeda dari pilihan kata permintaan. Sertakan perilaku dan kondisi yang membedakan implementasi tujuan; kueri umum tentang seluruh subsistem dapat menemukan materi terkait tanpa menjawab pertanyaan spesifik.

Rilis ini juga menjelaskan pencarian kode yang hampir duplikat atau serupa secara fungsional meskipun memiliki perbedaan leksikal. Hasil tersebut dapat membantu menemukan implementasi yang dapat digunakan kembali atau mengidentifikasi kode yang perlu ditinjau lebih lanjut. Kemiripan dalam ruang embedding adalah sinyal untuk memeriksa sumber; bukan bukti bahwa dua fragmen berperilaku identik untuk setiap masukan.

Pengelompokan, analitik, dan perbandingan

Embedding kode dapat digunakan untuk mengelompokkan kode berdasarkan fungsi atau struktur dan memeriksa komposisi repositori. Pastikan cuplikan serta pengenal asli tetap tersedia agar kelompok dapat ditafsirkan manusia atau tahap aplikasi berikutnya. Kelompok adalah pengelompokan berbasis representasi, bukan deskripsi arsitektur yang otomatis terverifikasi.

Contoh vektor floating-point pembuat menggunakan embedding yang dinormalisasi ke panjang satu, dengan kemiripan kosinus, hasil kali titik, dan jarak Euclidean memberikan peringkat yang konsisten. Keluaran terkuantisasi dan bit terkemas harus mempertahankan penanganan formatnya sendiri, bukan mewarisi asumsi tentang koordinat floating-point mentah. Endpoint yang diterbitkan juga mempertahankan indeks masukan, sehingga membantu menjaga hubungan setiap vektor dengan item sumber.

Edisi dan batas praktis

Halaman model yang tepat mencantumkan alur embedding dan batch dengan label konteks 8k, sedangkan rilis memberikan nilai 8.192 token. Pertahankan edisi bernama 2505, dimensi keluaran, dan jenis yang dipilih sepanjang alur koleksi serta kueri. Ini adalah keluaran vektor berorientasi kode, berbeda dari pelengkapan teks Codestral dan model embedding teks Mistral Embed berdimensi tetap.

Siapkan unit kode yang memuat perilaku relevan, simpan lokasi sumbernya, dan nyatakan pertanyaan yang ingin ditemukan jawabannya. Artefak yang berguna adalah representasi yang dapat ditemukan kembali dan terikat pada kode sebenarnya, yang mendukung tahap penjelasan, penyuntingan, atau peninjauan pengembang berikutnya tanpa menjalankan tahap itu sendiri.

", "aboutText": "Codestral Embed 2505 adalah model embedding Mistral AI yang dikhususkan untuk temu kembali kode. Model menerima teks berisi kode sumber atau kueri kode dalam bahasa alami, lalu mengembalikan vektor numerik. Pembuat memosisikannya untuk pencarian repositori, temu kembali konteks asisten pemrograman, analisis kemiripan dan duplikasi, serta pengelompokan kode berdasarkan fungsi atau strukturnya. Pengenal rilis tetapnya adalah codestral-embed-2505.\n\nMasukan dan representasi\n\nMasukan kode dapat berupa fungsi, fragmen sumber terkait, atau unit repositori lain yang bermakna. Kueri bahasa alami dapat menjelaskan perilaku yang ingin ditemukan, bukan menyebut simbol tepat. Embedding merepresentasikan masukan untuk perbandingan; model tidak menghasilkan implementasi baru atau menjalankan kode yang diterimanya.\n\nRilis resmi mendokumentasikan konteks masukan lengkap 8.192 token. Untuk temu kembali, pembuat menyarankan potongan sekitar 3.000 karakter dengan tumpang tindih 1.000 karakter, serta mencatat bahwa potongan lebih besar dapat menurunkan kinerja temu kembali. Ini adalah rekomendasi persiapan temu kembali; 3.000 karakter bukan batas token. Simpan hubungan berkas, simbol, dan lokasi sumber dengan setiap item yang disiapkan agar aplikasi dapat mengembalikan kode relevan setelah pencarian.\n\nPresisi keluaran dan dimensi\n\nPanduan embedding kode mendokumentasikan jenis keluaran float, int8, uint8, binary, dan ubinary. Float menggunakan nilai presisi tunggal 32 bit. Int8 menggunakan integer bertanda 8 bit dari -128 hingga 127, sedangkan uint8 menggunakan nilai tanpa tanda 8 bit dari 0 hingga 255. Binary dan ubinary menyimpan nilai satu bit terkuantisasi dalam elemen 8 bit terkemas, masing-masing menggunakan wadah bertanda atau tanpa tanda.\n\nRepresentasi bit terkemas mengubah panjang daftar yang dikembalikan: panduan menjelaskan satu elemen terkemas untuk setiap delapan dimensi embedding logis. Karena itu, perbandingan yang memahami format berbeda dari memperlakukan byte terkemas sebagai koordinat floating-point biasa. Simpan jenis yang dipilih bersama vektor dan gunakan representasi yang sama untuk kode terindeks serta kuerinya.\n\nDokumentasi parameter memberikan dimensi bawaan 1.536 dan maksimum 3.072. Dimensi diurutkan berdasarkan relevansi, dan pembuat menjelaskan penyimpanan sejumlah dimensi awal sesuai jumlah yang dipilih sebagai cara memilih ukuran representasi. Pilih dimensi secara konsisten untuk koleksi tersimpan dan kueri baru. Representasi lebih pendek atau terkuantisasi mengubah perilaku penyimpanan dan perbandingan; representasi tersebut tidak memperbesar konteks masukan atau menjadikan model pembangkit kode.\n\nPemrograman berbantuan temu kembali\n\nKasus penggunaan pertama rilis ini adalah menemukan konteks untuk pelengkapan, penyuntingan, atau penjelasan kode. Siapkan unit kode yang bermakna dan simpan revisi repositori serta pengenal sumber. Pertanyaan tentang penanganan galat tertentu dapat menemukan fungsi terkait, yang kemudian diberikan aplikasi kepada model pemrograman bersama permintaan perubahan sebenarnya.\n\nHasil praktisnya adalah himpunan cuplikan sumber berperingkat dengan jalur berkas, simbol, dan konten yang diperlukan untuk memahami perilakunya. Cuplikan yang ditemukan dapat dibuka pengembang atau diteruskan kepada asisten. Codestral Embed melakukan tahap representasi; komponen terpisah memilih hasil, dan model pembangkitan menulis penjelasan atau kode usulan.\n\nPencarian semantik dan kemiripan\n\nPembuat menjelaskan pencarian kode menggunakan kueri bahasa alami atau kode. Pengembang dapat meminta implementasi suatu perilaku meskipun nama fungsi berbeda dari pilihan kata permintaan. Sertakan perilaku dan kondisi yang membedakan implementasi tujuan; kueri umum tentang seluruh subsistem dapat menemukan materi terkait tanpa menjawab pertanyaan spesifik.\n\nRilis ini juga menjelaskan pencarian kode yang hampir duplikat atau serupa secara fungsional meskipun memiliki perbedaan leksikal. Hasil tersebut dapat membantu menemukan implementasi yang dapat digunakan kembali atau mengidentifikasi kode yang perlu ditinjau lebih lanjut. Kemiripan dalam ruang embedding adalah sinyal untuk memeriksa sumber; bukan bukti bahwa dua fragmen berperilaku identik untuk setiap masukan.\n\nPengelompokan, analitik, dan perbandingan\n\nEmbedding kode dapat digunakan untuk mengelompokkan kode berdasarkan fungsi atau struktur dan memeriksa komposisi repositori. Pastikan cuplikan serta pengenal asli tetap tersedia agar kelompok dapat ditafsirkan manusia atau tahap aplikasi berikutnya. Kelompok adalah pengelompokan berbasis representasi, bukan deskripsi arsitektur yang otomatis terverifikasi.\n\nContoh vektor floating-point pembuat menggunakan embedding yang dinormalisasi ke panjang satu, dengan kemiripan kosinus, hasil kali titik, dan jarak Euclidean memberikan peringkat yang konsisten. Keluaran terkuantisasi dan bit terkemas harus mempertahankan penanganan formatnya sendiri, bukan mewarisi asumsi tentang koordinat floating-point mentah. Endpoint yang diterbitkan juga mempertahankan indeks masukan, sehingga membantu menjaga hubungan setiap vektor dengan item sumber.\n\nEdisi dan batas praktis\n\nHalaman model yang tepat mencantumkan alur embedding dan batch dengan label konteks 8k, sedangkan rilis memberikan nilai 8.192 token. Pertahankan edisi bernama 2505, dimensi keluaran, dan jenis yang dipilih sepanjang alur koleksi serta kueri. Ini adalah keluaran vektor berorientasi kode, berbeda dari pelengkapan teks Codestral dan model embedding teks Mistral Embed berdimensi tetap.\n\nSiapkan unit kode yang memuat perilaku relevan, simpan lokasi sumbernya, dan nyatakan pertanyaan yang ingin ditemukan jawabannya. Artefak yang berguna adalah representasi yang dapat ditemukan kembali dan terikat pada kode sebenarnya, yang mendukung tahap penjelasan, penyuntingan, atau peninjauan pengembang berikutnya tanpa menjalankan tahap itu sendiri.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "48d6f2ff440b31c1f2f4b4608a5379ace89a83a5d424a12a6454e190ad8e335c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
•

Mistral: Codestral Embed 2505

Mistral /mistralai/codestral-embed-2505

Mulai

Codestral Embed 2505 merepresentasikan kode dan kueri bahasa alami sebagai vektor untuk pencarian repositori serta temu kembali asisten pemrograman. Pembuat mendokumentasikan konteks 8.192 token, dimensi yang dapat dikonfigurasi hingga 3.072, dan format keluaran floating-point, integer, atau bit terkemas.

Masukan yang diterima
Teks · token_ids
Hasil
embedding
Tentang model

Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.

Codestral Embed 2505 adalah model embedding Mistral AI yang dikhususkan untuk temu kembali kode. Model menerima teks berisi kode sumber atau kueri kode dalam bahasa alami, lalu mengembalikan vektor numerik. Pembuat memosisikannya untuk pencarian repositori, temu kembali konteks asisten pemrograman, analisis kemiripan dan duplikasi, serta pengelompokan kode berdasarkan fungsi atau strukturnya. Pengenal rilis tetapnya adalah codestral-embed-2505.

Masukan dan representasi

Masukan kode dapat berupa fungsi, fragmen sumber terkait, atau unit repositori lain yang bermakna. Kueri bahasa alami dapat menjelaskan perilaku yang ingin ditemukan, bukan menyebut simbol tepat. Embedding merepresentasikan masukan untuk perbandingan; model tidak menghasilkan implementasi baru atau menjalankan kode yang diterimanya.

Rilis resmi mendokumentasikan konteks masukan lengkap 8.192 token. Untuk temu kembali, pembuat menyarankan potongan sekitar 3.000 karakter dengan tumpang tindih 1.000 karakter, serta mencatat bahwa potongan lebih besar dapat menurunkan kinerja temu kembali. Ini adalah rekomendasi persiapan temu kembali; 3.000 karakter bukan batas token. Simpan hubungan berkas, simbol, dan lokasi sumber dengan setiap item yang disiapkan agar aplikasi dapat mengembalikan kode relevan setelah pencarian.

Presisi keluaran dan dimensi

Panduan embedding kode mendokumentasikan jenis keluaran float, int8, uint8, binary, dan ubinary. Float menggunakan nilai presisi tunggal 32 bit. Int8 menggunakan integer bertanda 8 bit dari -128 hingga 127, sedangkan uint8 menggunakan nilai tanpa tanda 8 bit dari 0 hingga 255. Binary dan ubinary menyimpan nilai satu bit terkuantisasi dalam elemen 8 bit terkemas, masing-masing menggunakan wadah bertanda atau tanpa tanda.

Representasi bit terkemas mengubah panjang daftar yang dikembalikan: panduan menjelaskan satu elemen terkemas untuk setiap delapan dimensi embedding logis. Karena itu, perbandingan yang memahami format berbeda dari memperlakukan byte terkemas sebagai koordinat floating-point biasa. Simpan jenis yang dipilih bersama vektor dan gunakan representasi yang sama untuk kode terindeks serta kuerinya.

Dokumentasi parameter memberikan dimensi bawaan 1.536 dan maksimum 3.072. Dimensi diurutkan berdasarkan relevansi, dan pembuat menjelaskan penyimpanan sejumlah dimensi awal sesuai jumlah yang dipilih sebagai cara memilih ukuran representasi. Pilih dimensi secara konsisten untuk koleksi tersimpan dan kueri baru. Representasi lebih pendek atau terkuantisasi mengubah perilaku penyimpanan dan perbandingan; representasi tersebut tidak memperbesar konteks masukan atau menjadikan model pembangkit kode.

Pemrograman berbantuan temu kembali

Kasus penggunaan pertama rilis ini adalah menemukan konteks untuk pelengkapan, penyuntingan, atau penjelasan kode. Siapkan unit kode yang bermakna dan simpan revisi repositori serta pengenal sumber. Pertanyaan tentang penanganan galat tertentu dapat menemukan fungsi terkait, yang kemudian diberikan aplikasi kepada model pemrograman bersama permintaan perubahan sebenarnya.

Hasil praktisnya adalah himpunan cuplikan sumber berperingkat dengan jalur berkas, simbol, dan konten yang diperlukan untuk memahami perilakunya. Cuplikan yang ditemukan dapat dibuka pengembang atau diteruskan kepada asisten. Codestral Embed melakukan tahap representasi; komponen terpisah memilih hasil, dan model pembangkitan menulis penjelasan atau kode usulan.

Pencarian semantik dan kemiripan

Pembuat menjelaskan pencarian kode menggunakan kueri bahasa alami atau kode. Pengembang dapat meminta implementasi suatu perilaku meskipun nama fungsi berbeda dari pilihan kata permintaan. Sertakan perilaku dan kondisi yang membedakan implementasi tujuan; kueri umum tentang seluruh subsistem dapat menemukan materi terkait tanpa menjawab pertanyaan spesifik.

Rilis ini juga menjelaskan pencarian kode yang hampir duplikat atau serupa secara fungsional meskipun memiliki perbedaan leksikal. Hasil tersebut dapat membantu menemukan implementasi yang dapat digunakan kembali atau mengidentifikasi kode yang perlu ditinjau lebih lanjut. Kemiripan dalam ruang embedding adalah sinyal untuk memeriksa sumber; bukan bukti bahwa dua fragmen berperilaku identik untuk setiap masukan.

Pengelompokan, analitik, dan perbandingan

Embedding kode dapat digunakan untuk mengelompokkan kode berdasarkan fungsi atau struktur dan memeriksa komposisi repositori. Pastikan cuplikan serta pengenal asli tetap tersedia agar kelompok dapat ditafsirkan manusia atau tahap aplikasi berikutnya. Kelompok adalah pengelompokan berbasis representasi, bukan deskripsi arsitektur yang otomatis terverifikasi.

Contoh vektor floating-point pembuat menggunakan embedding yang dinormalisasi ke panjang satu, dengan kemiripan kosinus, hasil kali titik, dan jarak Euclidean memberikan peringkat yang konsisten. Keluaran terkuantisasi dan bit terkemas harus mempertahankan penanganan formatnya sendiri, bukan mewarisi asumsi tentang koordinat floating-point mentah. Endpoint yang diterbitkan juga mempertahankan indeks masukan, sehingga membantu menjaga hubungan setiap vektor dengan item sumber.

Edisi dan batas praktis

Halaman model yang tepat mencantumkan alur embedding dan batch dengan label konteks 8k, sedangkan rilis memberikan nilai 8.192 token. Pertahankan edisi bernama 2505, dimensi keluaran, dan jenis yang dipilih sepanjang alur koleksi serta kueri. Ini adalah keluaran vektor berorientasi kode, berbeda dari pelengkapan teks Codestral dan model embedding teks Mistral Embed berdimensi tetap.

Siapkan unit kode yang memuat perilaku relevan, simpan lokasi sumbernya, dan nyatakan pertanyaan yang ingin ditemukan jawabannya. Artefak yang berguna adalah representasi yang dapat ditemukan kembali dan terikat pada kode sebenarnya, yang mendukung tahap penjelasan, penyuntingan, atau peninjauan pengembang berikutnya tanpa menjalankan tahap itu sendiri.

Tersedia di Ailoot · masukan & metode

Ailoot Ultra · Embedding POST /v1/embeddings
Masukan
text, token_ids
Keluaran
embedding
Konteks
8.192 tokens
Format keluaran
json
KolomJenisPersyaratanNilai & batasanBawaan
KolommodelJenisstringPersyaratanWajibNilai & batasan
mistralai/codestral-embed-2505
Bawaan—
KolominputJenisstring|string[]|integer[]|integer[][]PersyaratanWajibNilai & batasan
Item minimum: 1
Kondisi: Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.
Anggaran masukan: Maksimum: 8.192 · Satuan teks: byte UTF8 · Satuan token: elemen array token
Bawaan—
Kolomencoding_formatJenisstringPersyaratanOpsionalNilai & batasan
float
Bawaanfloat
KolomdimensionsJenisintegerPersyaratanTidak didukungNilai & batasan
Minimum: 1
Bawaan—
KolomuserJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
Kolomsession_idJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomtraceJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomproviderJenisobjectPersyaratanOpsionalNilai & batasan
Kondisi: provider.options ditolak
Bawaan—
Kombinasi bahan masukan

text_to_embedding

Parameter metode dan siklus hidup
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak8192
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext, token_ids

Siklus hidup: synchronous_json

Pertahankan index dan dimensi setiap vektor.

Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini.

Paket

Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.

Mode Fast
Tarif standar Saat mode fast dipilih
Mode Flex
Tarif standar Saat mode flex dipilih
Upaya penalaran maksimum
Tarif standar Saat upaya penalaran maksimum menggunakan penyesuaian default

Tarif Ailoot

Harga menurut konfigurasi

KonfigurasiJadwal tarifBiaya
KonfigurasiTarif dasar tokenJadwal tarifTarif dasarBiaya
Masukan · Token masukan $0.0003 / 1K token
Keluaran · Token keluaran $0 / 1K token
Masukan · Pembacaan cache — / 1K token
Masukan · Penulisan cache — / 1K token
Masukan · Penulisan cache, 1 jam — / 1K token

Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →

Contoh permintaan

Ailoot Ultra · Embedding

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/codestral-embed-2505", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

Terima dan simpan hasil

Ailoot Ultra · Embedding

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.

Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.

Jika respons asli perlu diperiksa

Endpoint untuk tugas embedding tidak ditambahkan.

Kolom respons
KolomJenis
KolomobjectJenisstring
KolommodelJenisstring
Kolomdata[].indexJenisinteger
Kolomdata[].embeddingJenisfinite float[]
KolomusageJenisobject
Kesalahan dan langkah berikutnya
ResponsKondisiLangkah berikutnya
Respons400 · invalid_request_errorKondisiBidang wajib, representasi materi, atau nilai parameter tidak validLangkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.

Alias

Alias model

Ailoot Ultra mistralai/codestral-embed-2505

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

mistralai/codestral-embed-2505

", "method_identity": { "effective_request_model_id": "mistralai/codestral-embed-2505", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "mistralai/codestral-embed-2505", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|mistralai%2Fcodestral-embed-2505", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "mistralai/codestral-embed-2505" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 8192, "text_unit": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 8192, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": 8192, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.0003000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000003", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"mistralai/codestral-embed-2505\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='mistralai/codestral-embed-2505',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.3, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mode Fast", "value": "Tarif standar", "when": "Saat mode fast dipilih" }, { "label": "Mode Flex", "value": "Tarif standar", "when": "Saat mode flex dipilih" }, { "label": "Upaya penalaran maksimum", "value": "Tarif standar", "when": "Saat upaya penalaran maksimum menggunakan penyesuaian default" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.0003000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000003", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "mistralai/codestral-embed-2505", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.0003000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000003", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "mistralai/codestral-embed-2505", "nativeProvenance": { "input_facts_canonical_sha256": "aa56821ffa691395a0b526417ad5ab50cc3edccd595f2a17891628ce29a5afc0", "input_html_sha256": "2e85278a85192145ebcd9ea356b386419feae6ec30ab4744c056151cfbf672bf", "private_audit_sha256": "69b12e45f540bc4e56d283346452c69e970bec40d5c0e548f53eec13c6e92e29", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/mistralai-codestral-embed-2505/", "description": "Codestral Embed 2505 merepresentasikan kode dan kueri bahasa alami sebagai vektor untuk pencarian repositori serta temu kembali asisten pemrograman. Pembuat mendokumentasikan konteks 8.192 token, dimensi yang dapat dikonfigurasi hingga 3.072, dan format keluaran floating-point, integer, atau bit terkemas.", "locale": "id", "md_url": "https://ailoot.ai/models/id/mistralai-codestral-embed-2505/index.md", "title": "Mistral: Codestral Embed 2505 — Ailoot", "url": "https://ailoot.ai/models/id/mistralai-codestral-embed-2505/" }, "rawModel": { "about": "Codestral Embed 2505 adalah model embedding Mistral AI yang dikhususkan untuk temu kembali kode. Model menerima teks berisi kode sumber atau kueri kode dalam bahasa alami, lalu mengembalikan vektor numerik. Pembuat memosisikannya untuk pencarian repositori, temu kembali konteks asisten pemrograman, analisis kemiripan dan duplikasi, serta pengelompokan kode berdasarkan fungsi atau strukturnya. Pengenal rilis tetapnya adalah codestral-embed-2505.\n\nMasukan dan representasi\n\nMasukan kode dapat berupa fungsi, fragmen sumber terkait, atau unit repositori lain yang bermakna. Kueri bahasa alami dapat menjelaskan perilaku yang ingin ditemukan, bukan menyebut simbol tepat. Embedding merepresentasikan masukan untuk perbandingan; model tidak menghasilkan implementasi baru atau menjalankan kode yang diterimanya.\n\nRilis resmi mendokumentasikan konteks masukan lengkap 8.192 token. Untuk temu kembali, pembuat menyarankan potongan sekitar 3.000 karakter dengan tumpang tindih 1.000 karakter, serta mencatat bahwa potongan lebih besar dapat menurunkan kinerja temu kembali. Ini adalah rekomendasi persiapan temu kembali; 3.000 karakter bukan batas token. Simpan hubungan berkas, simbol, dan lokasi sumber dengan setiap item yang disiapkan agar aplikasi dapat mengembalikan kode relevan setelah pencarian.\n\nPresisi keluaran dan dimensi\n\nPanduan embedding kode mendokumentasikan jenis keluaran float, int8, uint8, binary, dan ubinary. Float menggunakan nilai presisi tunggal 32 bit. Int8 menggunakan integer bertanda 8 bit dari -128 hingga 127, sedangkan uint8 menggunakan nilai tanpa tanda 8 bit dari 0 hingga 255. Binary dan ubinary menyimpan nilai satu bit terkuantisasi dalam elemen 8 bit terkemas, masing-masing menggunakan wadah bertanda atau tanpa tanda.\n\nRepresentasi bit terkemas mengubah panjang daftar yang dikembalikan: panduan menjelaskan satu elemen terkemas untuk setiap delapan dimensi embedding logis. Karena itu, perbandingan yang memahami format berbeda dari memperlakukan byte terkemas sebagai koordinat floating-point biasa. Simpan jenis yang dipilih bersama vektor dan gunakan representasi yang sama untuk kode terindeks serta kuerinya.\n\nDokumentasi parameter memberikan dimensi bawaan 1.536 dan maksimum 3.072. Dimensi diurutkan berdasarkan relevansi, dan pembuat menjelaskan penyimpanan sejumlah dimensi awal sesuai jumlah yang dipilih sebagai cara memilih ukuran representasi. Pilih dimensi secara konsisten untuk koleksi tersimpan dan kueri baru. Representasi lebih pendek atau terkuantisasi mengubah perilaku penyimpanan dan perbandingan; representasi tersebut tidak memperbesar konteks masukan atau menjadikan model pembangkit kode.\n\nPemrograman berbantuan temu kembali\n\nKasus penggunaan pertama rilis ini adalah menemukan konteks untuk pelengkapan, penyuntingan, atau penjelasan kode. Siapkan unit kode yang bermakna dan simpan revisi repositori serta pengenal sumber. Pertanyaan tentang penanganan galat tertentu dapat menemukan fungsi terkait, yang kemudian diberikan aplikasi kepada model pemrograman bersama permintaan perubahan sebenarnya.\n\nHasil praktisnya adalah himpunan cuplikan sumber berperingkat dengan jalur berkas, simbol, dan konten yang diperlukan untuk memahami perilakunya. Cuplikan yang ditemukan dapat dibuka pengembang atau diteruskan kepada asisten. Codestral Embed melakukan tahap representasi; komponen terpisah memilih hasil, dan model pembangkitan menulis penjelasan atau kode usulan.\n\nPencarian semantik dan kemiripan\n\nPembuat menjelaskan pencarian kode menggunakan kueri bahasa alami atau kode. Pengembang dapat meminta implementasi suatu perilaku meskipun nama fungsi berbeda dari pilihan kata permintaan. Sertakan perilaku dan kondisi yang membedakan implementasi tujuan; kueri umum tentang seluruh subsistem dapat menemukan materi terkait tanpa menjawab pertanyaan spesifik.\n\nRilis ini juga menjelaskan pencarian kode yang hampir duplikat atau serupa secara fungsional meskipun memiliki perbedaan leksikal. Hasil tersebut dapat membantu menemukan implementasi yang dapat digunakan kembali atau mengidentifikasi kode yang perlu ditinjau lebih lanjut. Kemiripan dalam ruang embedding adalah sinyal untuk memeriksa sumber; bukan bukti bahwa dua fragmen berperilaku identik untuk setiap masukan.\n\nPengelompokan, analitik, dan perbandingan\n\nEmbedding kode dapat digunakan untuk mengelompokkan kode berdasarkan fungsi atau struktur dan memeriksa komposisi repositori. Pastikan cuplikan serta pengenal asli tetap tersedia agar kelompok dapat ditafsirkan manusia atau tahap aplikasi berikutnya. Kelompok adalah pengelompokan berbasis representasi, bukan deskripsi arsitektur yang otomatis terverifikasi.\n\nContoh vektor floating-point pembuat menggunakan embedding yang dinormalisasi ke panjang satu, dengan kemiripan kosinus, hasil kali titik, dan jarak Euclidean memberikan peringkat yang konsisten. Keluaran terkuantisasi dan bit terkemas harus mempertahankan penanganan formatnya sendiri, bukan mewarisi asumsi tentang koordinat floating-point mentah. Endpoint yang diterbitkan juga mempertahankan indeks masukan, sehingga membantu menjaga hubungan setiap vektor dengan item sumber.\n\nEdisi dan batas praktis\n\nHalaman model yang tepat mencantumkan alur embedding dan batch dengan label konteks 8k, sedangkan rilis memberikan nilai 8.192 token. Pertahankan edisi bernama 2505, dimensi keluaran, dan jenis yang dipilih sepanjang alur koleksi serta kueri. Ini adalah keluaran vektor berorientasi kode, berbeda dari pelengkapan teks Codestral dan model embedding teks Mistral Embed berdimensi tetap.\n\nSiapkan unit kode yang memuat perilaku relevan, simpan lokasi sumbernya, dan nyatakan pertanyaan yang ingin ditemukan jawabannya. Artefak yang berguna adalah representasi yang dapat ditemukan kembali dan terikat pada kode sebenarnya, yang mendukung tahap penjelasan, penyuntingan, atau peninjauan pengembang berikutnya tanpa menjalankan tahap itu sendiri.", "alias_of": null, "aliases": [], "author": "Mistral", "available": null, "canonical_model": "mistralai/codestral-embed-2505", "capabilities": { "context_length": 8192, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.0003000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000003", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Informasi lengkap harga konfigurasi tersedia di bagian detail." } ], "ctx": 8192, "entity_type": "model", "formats": [ "embeddings" ], "id": "mistralai/codestral-embed-2505", "input": [ "text", "token_ids" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "mistralai/codestral-embed-2505" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 8192, "text_unit": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 8192, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": 8192, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "units": [ { "amount": "0.0003000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000003", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"mistralai/codestral-embed-2505\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='mistralai/codestral-embed-2505',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.3, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mode Fast", "value": "Tarif standar", "when": "Saat mode fast dipilih" }, { "label": "Mode Flex", "value": "Tarif standar", "when": "Saat mode flex dipilih" }, { "label": "Upaya penalaran maksimum", "value": "Tarif standar", "when": "Saat upaya penalaran maksimum menggunakan penyesuaian default" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.0003000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000003", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "mistralai/codestral-embed-2505", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.0003000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000003", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "mistralai/codestral-embed-2505", "request_model_id": "mistralai/codestral-embed-2505", "route_label": "Ultra" } ], "name": "Mistral: Codestral Embed 2505", "price": { "in": 0.3, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.3, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.0003000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000003", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "public_id": "mistralai/codestral-embed-2505", "short": "Codestral Embed 2505 merepresentasikan kode dan kueri bahasa alami sebagai vektor untuk pencarian repositori serta temu kembali asisten pemrograman. Pembuat mendokumentasikan konteks 8.192 token, dimensi yang dapat dikonfigurasi hingga 3.072, dan format keluaran floating-point, integer, atau bit terkemas." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Codestral Embed 2505 merepresentasikan kode dan kueri bahasa alami sebagai vektor untuk pencarian repositori serta temu kembali asisten pemrograman. Pembuat mendokumentasikan konteks 8.192 token, dimensi yang dapat dikonfigurasi hingga 3.072, dan format keluaran floating-point, integer, atau bit terkemas.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "8881d454155b61f8ee4ca97aa3ff5f238dd96fe1a0908d94dd15d69dd5c8c5db", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "f46e66b6d725a4af7e9eaa2c770265923785f722e7764cf5bf0f1f66f428bfeb" }