{
  "aboutHtml": "<p>Codestral Embed 2505 è il modello di embedding di Mistral AI specializzato nel recupero di codice. Riceve testo contenente codice sorgente o una query sul codice in linguaggio naturale e restituisce vettori numerici. Il produttore lo propone per ricerca nei repository, recupero di contesto per assistenti di programmazione, analisi di similarità e duplicati, e raggruppamento del codice per funzionalità o struttura. Il suo identificatore di release fisso è codestral-embed-2505.</p><p>Input e rappresentazione</p><p>Un input di codice può essere una funzione, un frammento sorgente correlato o un’altra unità significativa di un repository. Una query in linguaggio naturale può descrivere il comportamento da trovare anziché nominare il simbolo esatto. L’embedding rappresenta quell’input per il confronto; il modello non genera una nuova implementazione e non esegue il codice ricevuto.</p><p>La release ufficiale documenta un contesto completo di input di 8192 token. Per il recupero, il produttore raccomanda segmenti di circa 3000 caratteri con 1000 caratteri di sovrapposizione, osservando che segmenti più grandi possono peggiorare il recupero. Sono raccomandazioni di preparazione per la ricerca, non un limite in token di 3000 caratteri. Mantieni file, simbolo e posizione nella fonte associati a ogni elemento preparato, affinché l’applicazione possa restituire il codice pertinente dopo la ricerca.</p><p>Precisione e dimensioni dell’output</p><p>La guida di embedding del codice documenta i tipi di output float, int8, uint8, binary e ubinary. Float usa valori a precisione singola di 32 bit. Int8 usa interi con segno a 8 bit da -128 a 127, mentre uint8 usa valori senza segno a 8 bit da 0 a 255. Binary e ubinary memorizzano valori quantizzati a singolo bit in elementi compattati a 8 bit, usando contenitori rispettivamente con e senza segno.</p><p>La rappresentazione con bit compattati cambia la lunghezza dell’elenco restituito: la guida descrive un elemento compattato ogni otto dimensioni logiche di embedding. Un confronto consapevole del formato è quindi diverso dal trattare i byte compattati come normali coordinate a virgola mobile. Preserva il tipo scelto insieme al vettore e usa la stessa rappresentazione per il codice indicizzato e la sua query.</p><p>La documentazione dei parametri indica una dimensione predefinita di 1536 e un massimo di 3072. Le dimensioni sono ordinate per pertinenza e il produttore descrive il mantenimento del numero scelto di prime dimensioni come un modo per selezionare la dimensione della rappresentazione. Scegli la dimensione in modo coerente per la raccolta memorizzata e le nuove query. Una rappresentazione più corta o quantizzata cambia il comportamento di memorizzazione e confronto; non aumenta il contesto di input e non trasforma il modello in un generatore di codice.</p><p>Programmazione aumentata dal recupero</p><p>Il primo caso d’uso della release è recuperare contesto per completamento, modifica o spiegazione del codice. Prepara unità di codice significative e conserva la revisione del repository e gli identificatori delle fonti. Una domanda su come viene gestito un particolare errore può recuperare funzioni correlate, che l’applicazione fornisce poi a un modello di programmazione insieme alla richiesta effettiva di modifica.</p><p>Un risultato concreto è un insieme ordinato di frammenti sorgenti con percorsi di file, simboli e il contenuto necessario per comprenderne il comportamento. I frammenti recuperati possono essere aperti da uno sviluppatore o passati a un assistente. Codestral Embed esegue il passaggio di rappresentazione; un componente separato seleziona i risultati e un modello generativo scrive la spiegazione o il codice proposto.</p><p>Ricerca semantica e similarità</p><p>Il produttore descrive la ricerca nel codice con query in linguaggio naturale o codice. Uno sviluppatore può chiedere l’implementazione di un comportamento anche quando il nome della funzione differisce dalla formulazione della richiesta. Includi comportamento e condizioni che distinguono l’implementazione desiderata; una query generale su un intero sottosistema può recuperare materiale correlato senza risolvere la domanda specifica.</p><p>La release descrive anche la ricerca di codice quasi duplicato o funzionalmente simile nonostante differenze lessicali. Tali risultati possono aiutare a trovare un’implementazione riutilizzabile o identificare codice che richiede ulteriori verifiche. La similarità nello spazio di embedding è un segnale per esaminare il sorgente; non stabilisce che due frammenti abbiano comportamento identico per ogni input.</p><p>Clustering, analisi e confronto</p><p>Gli embedding di codice possono essere usati per raggruppare codice per funzionalità o struttura ed esaminare la composizione di un repository. Mantieni disponibili i frammenti originali e gli identificatori, affinché un gruppo possa essere interpretato da una persona o da una fase applicativa successiva. Un cluster è un raggruppamento basato sulla rappresentazione, non una descrizione dell’architettura verificata automaticamente.</p><p>Gli esempi di vettori a virgola mobile del produttore usano embedding normalizzati a norma unitaria, per i quali similarità del coseno, prodotto scalare e distanza euclidea danno ordinamenti coerenti. Gli output quantizzati e con bit compattati dovrebbero conservare la propria gestione del formato, anziché ereditare un’ipotesi sulle coordinate grezze a virgola mobile. L’endpoint pubblicato conserva inoltre gli indici di input, aiutando a mantenere il collegamento tra ogni vettore e il suo elemento di origine.</p><p>Edizione e confini pratici</p><p>La pagina esatta del modello elenca flussi di embedding e batch con un’indicazione di contesto di 8k, mentre la release fornisce il valore di 8192 token. Preserva l’edizione denominata 2505, la dimensione di output scelta e il tipo lungo l’intero flusso della raccolta e delle query. È output vettoriale orientato al codice, distinto dal completamento testuale di Codestral e dal modello testuale Mistral Embed a dimensione fissa.</p><p>Prepara unità di codice che contengano il comportamento pertinente, mantieni le posizioni nelle fonti e formula la domanda a cui la ricerca deve rispondere. L’artefatto utile è una rappresentazione recuperabile collegata a codice effettivo, che supporta il successivo passaggio di spiegazione, modifica o verifica da parte dello sviluppatore senza eseguirlo direttamente.</p>",
  "aboutText": "Codestral Embed 2505 è il modello di embedding di Mistral AI specializzato nel recupero di codice. Riceve testo contenente codice sorgente o una query sul codice in linguaggio naturale e restituisce vettori numerici. Il produttore lo propone per ricerca nei repository, recupero di contesto per assistenti di programmazione, analisi di similarità e duplicati, e raggruppamento del codice per funzionalità o struttura. Il suo identificatore di release fisso è codestral-embed-2505.\n\nInput e rappresentazione\n\nUn input di codice può essere una funzione, un frammento sorgente correlato o un’altra unità significativa di un repository. Una query in linguaggio naturale può descrivere il comportamento da trovare anziché nominare il simbolo esatto. L’embedding rappresenta quell’input per il confronto; il modello non genera una nuova implementazione e non esegue il codice ricevuto.\n\nLa release ufficiale documenta un contesto completo di input di 8192 token. Per il recupero, il produttore raccomanda segmenti di circa 3000 caratteri con 1000 caratteri di sovrapposizione, osservando che segmenti più grandi possono peggiorare il recupero. Sono raccomandazioni di preparazione per la ricerca, non un limite in token di 3000 caratteri. Mantieni file, simbolo e posizione nella fonte associati a ogni elemento preparato, affinché l’applicazione possa restituire il codice pertinente dopo la ricerca.\n\nPrecisione e dimensioni dell’output\n\nLa guida di embedding del codice documenta i tipi di output float, int8, uint8, binary e ubinary. Float usa valori a precisione singola di 32 bit. Int8 usa interi con segno a 8 bit da -128 a 127, mentre uint8 usa valori senza segno a 8 bit da 0 a 255. Binary e ubinary memorizzano valori quantizzati a singolo bit in elementi compattati a 8 bit, usando contenitori rispettivamente con e senza segno.\n\nLa rappresentazione con bit compattati cambia la lunghezza dell’elenco restituito: la guida descrive un elemento compattato ogni otto dimensioni logiche di embedding. Un confronto consapevole del formato è quindi diverso dal trattare i byte compattati come normali coordinate a virgola mobile. Preserva il tipo scelto insieme al vettore e usa la stessa rappresentazione per il codice indicizzato e la sua query.\n\nLa documentazione dei parametri indica una dimensione predefinita di 1536 e un massimo di 3072. Le dimensioni sono ordinate per pertinenza e il produttore descrive il mantenimento del numero scelto di prime dimensioni come un modo per selezionare la dimensione della rappresentazione. Scegli la dimensione in modo coerente per la raccolta memorizzata e le nuove query. Una rappresentazione più corta o quantizzata cambia il comportamento di memorizzazione e confronto; non aumenta il contesto di input e non trasforma il modello in un generatore di codice.\n\nProgrammazione aumentata dal recupero\n\nIl primo caso d’uso della release è recuperare contesto per completamento, modifica o spiegazione del codice. Prepara unità di codice significative e conserva la revisione del repository e gli identificatori delle fonti. Una domanda su come viene gestito un particolare errore può recuperare funzioni correlate, che l’applicazione fornisce poi a un modello di programmazione insieme alla richiesta effettiva di modifica.\n\nUn risultato concreto è un insieme ordinato di frammenti sorgenti con percorsi di file, simboli e il contenuto necessario per comprenderne il comportamento. I frammenti recuperati possono essere aperti da uno sviluppatore o passati a un assistente. Codestral Embed esegue il passaggio di rappresentazione; un componente separato seleziona i risultati e un modello generativo scrive la spiegazione o il codice proposto.\n\nRicerca semantica e similarità\n\nIl produttore descrive la ricerca nel codice con query in linguaggio naturale o codice. Uno sviluppatore può chiedere l’implementazione di un comportamento anche quando il nome della funzione differisce dalla formulazione della richiesta. Includi comportamento e condizioni che distinguono l’implementazione desiderata; una query generale su un intero sottosistema può recuperare materiale correlato senza risolvere la domanda specifica.\n\nLa release descrive anche la ricerca di codice quasi duplicato o funzionalmente simile nonostante differenze lessicali. Tali risultati possono aiutare a trovare un’implementazione riutilizzabile o identificare codice che richiede ulteriori verifiche. La similarità nello spazio di embedding è un segnale per esaminare il sorgente; non stabilisce che due frammenti abbiano comportamento identico per ogni input.\n\nClustering, analisi e confronto\n\nGli embedding di codice possono essere usati per raggruppare codice per funzionalità o struttura ed esaminare la composizione di un repository. Mantieni disponibili i frammenti originali e gli identificatori, affinché un gruppo possa essere interpretato da una persona o da una fase applicativa successiva. Un cluster è un raggruppamento basato sulla rappresentazione, non una descrizione dell’architettura verificata automaticamente.\n\nGli esempi di vettori a virgola mobile del produttore usano embedding normalizzati a norma unitaria, per i quali similarità del coseno, prodotto scalare e distanza euclidea danno ordinamenti coerenti. Gli output quantizzati e con bit compattati dovrebbero conservare la propria gestione del formato, anziché ereditare un’ipotesi sulle coordinate grezze a virgola mobile. L’endpoint pubblicato conserva inoltre gli indici di input, aiutando a mantenere il collegamento tra ogni vettore e il suo elemento di origine.\n\nEdizione e confini pratici\n\nLa pagina esatta del modello elenca flussi di embedding e batch con un’indicazione di contesto di 8k, mentre la release fornisce il valore di 8192 token. Preserva l’edizione denominata 2505, la dimensione di output scelta e il tipo lungo l’intero flusso della raccolta e delle query. È output vettoriale orientato al codice, distinto dal completamento testuale di Codestral e dal modello testuale Mistral Embed a dimensione fissa.\n\nPrepara unità di codice che contengano il comportamento pertinente, mantieni le posizioni nelle fonti e formula la domanda a cui la ricerca deve rispondere. L’artefatto utile è una rappresentazione recuperabile collegata a codice effettivo, che supporta il successivo passaggio di spiegazione, modifica o verifica da parte dello sviluppatore senza eseguirlo direttamente.",
  "editorialOverlay": {
    "copy_fields": null,
    "copy_sha256": null,
    "copy_source": null,
    "html_sha256": "57803c76489721bcdaa99c01f4221af3a99c71761bc025038258d989a06ffcc0",
    "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06",
    "raw_model_unchanged": true,
    "schema": "ailoot-native-model-editorial-v1"
  },
  "locale": "it",
  "methods": [
    {
      "html": "<div class=\"sheet-head\"><span class=\"mav\" aria-hidden=\"true\">•</span><h2 id=\"sheet-title\">Mistral: Codestral Embed 2505</h2><button class=\"icon-btn\" type=\"button\" data-close-sheet aria-label=\"Chiudi\">×</button></div><div class=\"idline\"><span>Mistral /</span><code>mistralai/codestral-embed-2505</code><button type=\"button\" id=\"copy-id\">Copia ID</button></div><nav class=\"card-jump-nav\" aria-label=\"Sezioni della scheda del modello\"><button type=\"button\" data-card-jump=\"overview\">Introduzione</button><button type=\"button\" data-card-jump=\"methods\">Input e metodi</button><button type=\"button\" data-card-jump=\"pricing\">Tariffe</button><button type=\"button\" data-card-jump=\"examples\">Esempi</button><button type=\"button\" data-card-jump=\"results\">Risultati</button><button type=\"button\" data-card-jump=\"aliases\">Alias</button></nav><div class=\"card-method-tabs\" role=\"tablist\" aria-label=\"Metodi API\"><button type=\"button\" role=\"tab\" tabindex=\"0\" aria-controls=\"card-method-content\" aria-selected=\"true\" id=\"card-method-tab-0\" data-card-method=\"Ultra|embeddings|/v1/embeddings|mistralai%2Fcodestral-embed-2505\">Embedding</button></div><div id=\"card-method-content\" role=\"tabpanel\" aria-labelledby=\"card-method-tab-0\"><section class=\"card-section\" data-card-section=\"overview\"><h3 tabindex=\"-1\">Introduzione</h3><p class=\"mdesc-full\">Codestral Embed 2505 rappresenta codice e query in linguaggio naturale come vettori per ricerca nei repository e recupero degli assistenti di programmazione. Il produttore documenta un contesto di 8192 token, dimensioni configurabili fino a 3072 e formati di output a virgola mobile, interi o con bit compattati.</p><dl class=\"card-io\" data-card-io><div><dt>Input accettati</dt><dd>Testo · token_ids</dd></div><div><dt>Risultati</dt><dd>embedding</dd></div></dl><details class=\"card-about\"><summary>Informazioni sul modello</summary><p class=\"note-s\" data-model-method-boundary>Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.</p><div class=\"mabout\" id=\"m-about\"><p>Codestral Embed 2505 è il modello di embedding di Mistral AI specializzato nel recupero di codice. Riceve testo contenente codice sorgente o una query sul codice in linguaggio naturale e restituisce vettori numerici. Il produttore lo propone per ricerca nei repository, recupero di contesto per assistenti di programmazione, analisi di similarità e duplicati, e raggruppamento del codice per funzionalità o struttura. Il suo identificatore di release fisso è codestral-embed-2505.</p><p>Input e rappresentazione</p><p>Un input di codice può essere una funzione, un frammento sorgente correlato o un’altra unità significativa di un repository. Una query in linguaggio naturale può descrivere il comportamento da trovare anziché nominare il simbolo esatto. L’embedding rappresenta quell’input per il confronto; il modello non genera una nuova implementazione e non esegue il codice ricevuto.</p><p>La release ufficiale documenta un contesto completo di input di 8192 token. Per il recupero, il produttore raccomanda segmenti di circa 3000 caratteri con 1000 caratteri di sovrapposizione, osservando che segmenti più grandi possono peggiorare il recupero. Sono raccomandazioni di preparazione per la ricerca, non un limite in token di 3000 caratteri. Mantieni file, simbolo e posizione nella fonte associati a ogni elemento preparato, affinché l’applicazione possa restituire il codice pertinente dopo la ricerca.</p><p>Precisione e dimensioni dell’output</p><p>La guida di embedding del codice documenta i tipi di output float, int8, uint8, binary e ubinary. Float usa valori a precisione singola di 32 bit. Int8 usa interi con segno a 8 bit da -128 a 127, mentre uint8 usa valori senza segno a 8 bit da 0 a 255. Binary e ubinary memorizzano valori quantizzati a singolo bit in elementi compattati a 8 bit, usando contenitori rispettivamente con e senza segno.</p><p>La rappresentazione con bit compattati cambia la lunghezza dell’elenco restituito: la guida descrive un elemento compattato ogni otto dimensioni logiche di embedding. Un confronto consapevole del formato è quindi diverso dal trattare i byte compattati come normali coordinate a virgola mobile. Preserva il tipo scelto insieme al vettore e usa la stessa rappresentazione per il codice indicizzato e la sua query.</p><p>La documentazione dei parametri indica una dimensione predefinita di 1536 e un massimo di 3072. Le dimensioni sono ordinate per pertinenza e il produttore descrive il mantenimento del numero scelto di prime dimensioni come un modo per selezionare la dimensione della rappresentazione. Scegli la dimensione in modo coerente per la raccolta memorizzata e le nuove query. Una rappresentazione più corta o quantizzata cambia il comportamento di memorizzazione e confronto; non aumenta il contesto di input e non trasforma il modello in un generatore di codice.</p><p>Programmazione aumentata dal recupero</p><p>Il primo caso d’uso della release è recuperare contesto per completamento, modifica o spiegazione del codice. Prepara unità di codice significative e conserva la revisione del repository e gli identificatori delle fonti. Una domanda su come viene gestito un particolare errore può recuperare funzioni correlate, che l’applicazione fornisce poi a un modello di programmazione insieme alla richiesta effettiva di modifica.</p><p>Un risultato concreto è un insieme ordinato di frammenti sorgenti con percorsi di file, simboli e il contenuto necessario per comprenderne il comportamento. I frammenti recuperati possono essere aperti da uno sviluppatore o passati a un assistente. Codestral Embed esegue il passaggio di rappresentazione; un componente separato seleziona i risultati e un modello generativo scrive la spiegazione o il codice proposto.</p><p>Ricerca semantica e similarità</p><p>Il produttore descrive la ricerca nel codice con query in linguaggio naturale o codice. Uno sviluppatore può chiedere l’implementazione di un comportamento anche quando il nome della funzione differisce dalla formulazione della richiesta. Includi comportamento e condizioni che distinguono l’implementazione desiderata; una query generale su un intero sottosistema può recuperare materiale correlato senza risolvere la domanda specifica.</p><p>La release descrive anche la ricerca di codice quasi duplicato o funzionalmente simile nonostante differenze lessicali. Tali risultati possono aiutare a trovare un’implementazione riutilizzabile o identificare codice che richiede ulteriori verifiche. La similarità nello spazio di embedding è un segnale per esaminare il sorgente; non stabilisce che due frammenti abbiano comportamento identico per ogni input.</p><p>Clustering, analisi e confronto</p><p>Gli embedding di codice possono essere usati per raggruppare codice per funzionalità o struttura ed esaminare la composizione di un repository. Mantieni disponibili i frammenti originali e gli identificatori, affinché un gruppo possa essere interpretato da una persona o da una fase applicativa successiva. Un cluster è un raggruppamento basato sulla rappresentazione, non una descrizione dell’architettura verificata automaticamente.</p><p>Gli esempi di vettori a virgola mobile del produttore usano embedding normalizzati a norma unitaria, per i quali similarità del coseno, prodotto scalare e distanza euclidea danno ordinamenti coerenti. Gli output quantizzati e con bit compattati dovrebbero conservare la propria gestione del formato, anziché ereditare un’ipotesi sulle coordinate grezze a virgola mobile. L’endpoint pubblicato conserva inoltre gli indici di input, aiutando a mantenere il collegamento tra ogni vettore e il suo elemento di origine.</p><p>Edizione e confini pratici</p><p>La pagina esatta del modello elenca flussi di embedding e batch con un’indicazione di contesto di 8k, mentre la release fornisce il valore di 8192 token. Preserva l’edizione denominata 2505, la dimensione di output scelta e il tipo lungo l’intero flusso della raccolta e delle query. È output vettoriale orientato al codice, distinto dal completamento testuale di Codestral e dal modello testuale Mistral Embed a dimensione fissa.</p><p>Prepara unità di codice che contengano il comportamento pertinente, mantieni le posizioni nelle fonti e formula la domanda a cui la ricerca deve rispondere. L’artefatto utile è una rappresentazione recuperabile collegata a codice effettivo, che supporta il successivo passaggio di spiegazione, modifica o verifica da parte dello sviluppatore senza eseguirlo direttamente.</p></div></details></section><section class=\"card-section\" data-card-section=\"methods\"><h3 tabindex=\"-1\">Disponibile in Ailoot · input e metodi</h3><details class=\"card-method\" open><summary><b>Ailoot Ultra · Embedding</b> <code>POST /v1/embeddings</code></summary><dl class=\"method-capabilities\"><div><dt>Tipi di input</dt><dd><code>text</code>, <code>token_ids</code></dd></div><div><dt>Tipi di output</dt><dd><code>embedding</code></dd></div><div><dt>Contesto</dt><dd>8192 tokens</dd></div><div><dt>Formato di output</dt><dd>json</dd></div></dl><div class=\"tw\" data-card-parameters data-typed-parameters><table><thead><tr><th>Campo</th><th>Tipo</th><th>Requisito</th><th>Valori e limiti</th><th>Predefinito</th></tr></thead><tbody><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Campo\" scope=\"row\"><span class=\"card-cell-label\">Campo</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Tipo\" data-field-type><span class=\"card-cell-label\">Tipo</span><code>string</code></td><td data-cell-label=\"Requisito\"><span class=\"card-cell-label\">Requisito</span>Obbligatorio</td><td data-cell-label=\"Valori e limiti\"><span class=\"card-cell-label\">Valori e limiti</span><div>mistralai/codestral-embed-2505</div></td><td data-cell-label=\"Predefinito\" data-default=\"unspecified\"><span class=\"card-cell-label\">Predefinito</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Campo\" scope=\"row\"><span class=\"card-cell-label\">Campo</span><code class=\"card-field-name\">input</code></th><td data-cell-label=\"Tipo\" data-field-type><span class=\"card-cell-label\">Tipo</span><code>string|string[]|integer[]|integer[][]</code></td><td data-cell-label=\"Requisito\"><span class=\"card-cell-label\">Requisito</span>Obbligatorio</td><td data-cell-label=\"Valori e limiti\"><span class=\"card-cell-label\">Valori e limiti</span><div>Numero minimo di elementi: 1</div><div>Condizioni: Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi.</div><div>Budget di input: Massimo: 8192 · Unità di testo: byte UTF8 · Unità di token: elementi dell’array di token</div></td><td data-cell-label=\"Predefinito\" data-default=\"unspecified\"><span class=\"card-cell-label\">Predefinito</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Campo\" scope=\"row\"><span class=\"card-cell-label\">Campo</span><code class=\"card-field-name\">encoding_format</code></th><td data-cell-label=\"Tipo\" data-field-type><span class=\"card-cell-label\">Tipo</span><code>string</code></td><td data-cell-label=\"Requisito\"><span class=\"card-cell-label\">Requisito</span>Facoltativo</td><td data-cell-label=\"Valori e limiti\"><span class=\"card-cell-label\">Valori e limiti</span><div>float</div></td><td data-cell-label=\"Predefinito\" data-default=\"known\"><span class=\"card-cell-label\">Predefinito</span>float</td></tr><tr data-parameter-availability=\"unsupported\"><th data-cell-label=\"Campo\" scope=\"row\"><span class=\"card-cell-label\">Campo</span><code class=\"card-field-name\">dimensions</code></th><td data-cell-label=\"Tipo\" data-field-type><span class=\"card-cell-label\">Tipo</span><code>integer</code></td><td data-cell-label=\"Requisito\"><span class=\"card-cell-label\">Requisito</span>Non supportato</td><td data-cell-label=\"Valori e limiti\"><span class=\"card-cell-label\">Valori e limiti</span><div>Minimo: 1</div></td><td data-cell-label=\"Predefinito\" data-default=\"unspecified\"><span class=\"card-cell-label\">Predefinito</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Campo\" scope=\"row\"><span class=\"card-cell-label\">Campo</span><code class=\"card-field-name\">user</code></th><td data-cell-label=\"Tipo\" data-field-type><span class=\"card-cell-label\">Tipo</span><code>json_value</code></td><td data-cell-label=\"Requisito\"><span class=\"card-cell-label\">Requisito</span>Facoltativo</td><td data-cell-label=\"Valori e limiti\"><span class=\"card-cell-label\">Valori e limiti</span><div>Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.</div></td><td data-cell-label=\"Predefinito\" data-default=\"unspecified\"><span class=\"card-cell-label\">Predefinito</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Campo\" scope=\"row\"><span class=\"card-cell-label\">Campo</span><code class=\"card-field-name\">session_id</code></th><td data-cell-label=\"Tipo\" data-field-type><span class=\"card-cell-label\">Tipo</span><code>json_value</code></td><td data-cell-label=\"Requisito\"><span class=\"card-cell-label\">Requisito</span>Facoltativo</td><td data-cell-label=\"Valori e limiti\"><span class=\"card-cell-label\">Valori e limiti</span><div>Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.</div></td><td data-cell-label=\"Predefinito\" data-default=\"unspecified\"><span class=\"card-cell-label\">Predefinito</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Campo\" scope=\"row\"><span class=\"card-cell-label\">Campo</span><code class=\"card-field-name\">trace</code></th><td data-cell-label=\"Tipo\" data-field-type><span class=\"card-cell-label\">Tipo</span><code>json_value</code></td><td data-cell-label=\"Requisito\"><span class=\"card-cell-label\">Requisito</span>Facoltativo</td><td data-cell-label=\"Valori e limiti\"><span class=\"card-cell-label\">Valori e limiti</span><div>Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.</div></td><td data-cell-label=\"Predefinito\" data-default=\"unspecified\"><span class=\"card-cell-label\">Predefinito</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Campo\" scope=\"row\"><span class=\"card-cell-label\">Campo</span><code class=\"card-field-name\">provider</code></th><td data-cell-label=\"Tipo\" data-field-type><span class=\"card-cell-label\">Tipo</span><code>object</code></td><td data-cell-label=\"Requisito\"><span class=\"card-cell-label\">Requisito</span>Facoltativo</td><td data-cell-label=\"Valori e limiti\"><span class=\"card-cell-label\">Valori e limiti</span><div>Condizioni: provider.options rifiutato</div></td><td data-cell-label=\"Predefinito\" data-default=\"unspecified\"><span class=\"card-cell-label\">Predefinito</span>—</td></tr></tbody></table></div><details class=\"card-about\" data-material-combinations><summary>Combinazioni di materiali in input</summary><p class=\"note-s\"><b>text_to_embedding</b></p></details><details class=\"note-s\" data-method-contract><summary>Parametri e ciclo di vita del metodo</summary><div class=\"tw\" data-card-table=\"contract\"><table><thead><tr><th>Parametro</th><th>Contratto</th></tr></thead><tbody><tr><th data-cell-label=\"Parametro\" scope=\"row\"><span class=\"card-cell-label\">Parametro</span><code>content_type</code></th><td data-cell-label=\"Contratto\"><span class=\"card-cell-label\">Contratto</span>application/json</td></tr><tr><th data-cell-label=\"Parametro\" scope=\"row\"><span class=\"card-cell-label\">Parametro</span><code>required</code></th><td data-cell-label=\"Contratto\"><span class=\"card-cell-label\">Contratto</span>model, input</td></tr><tr><th data-cell-label=\"Parametro\" scope=\"row\"><span class=\"card-cell-label\">Parametro</span><code>input_shapes</code></th><td data-cell-label=\"Contratto\"><span class=\"card-cell-label\">Contratto</span>string, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]</td></tr><tr><th data-cell-label=\"Parametro\" scope=\"row\"><span class=\"card-cell-label\">Parametro</span><code>encoding_format</code></th><td data-cell-label=\"Contratto\"><span class=\"card-cell-label\">Contratto</span>float</td></tr><tr><th data-cell-label=\"Parametro\" scope=\"row\"><span class=\"card-cell-label\">Parametro</span><code>dimensions_override</code></th><td data-cell-label=\"Contratto\"><span class=\"card-cell-label\">Contratto</span>false</td></tr><tr><th data-cell-label=\"Parametro\" scope=\"row\"><span class=\"card-cell-label\">Parametro</span><code>max_input_budget_units</code></th><td data-cell-label=\"Contratto\"><span class=\"card-cell-label\">Contratto</span>8192</td></tr><tr><th data-cell-label=\"Parametro\" scope=\"row\"><span class=\"card-cell-label\">Parametro</span><code>multimodal_objects</code></th><td data-cell-label=\"Contratto\"><span class=\"card-cell-label\">Contratto</span>false</td></tr><tr><th data-cell-label=\"Parametro\" scope=\"row\"><span class=\"card-cell-label\">Parametro</span><code>material_types</code></th><td data-cell-label=\"Contratto\"><span class=\"card-cell-label\">Contratto</span>text, token_ids</td></tr></tbody></table></div><p>Ciclo di vita: <code>synchronous_json</code></p><p class=\"note-s\">Conserva l&#39;indice e la dimensione di ogni vettore.</p><p class=\"note-s\">Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico.</p></details></details></section><section class=\"card-section\" data-card-section=\"pricing\"><h3 tabindex=\"-1\">Tariffe</h3><div data-native-semantic-method=\"v1\" data-tariff-reference-only><p class=\"note-s\" data-rate-support-note>Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.</p><dl data-price-conditions><dt>Modalità rapida</dt><dd>Tariffa standard <span class=\"note-s\">Quando è selezionata la modalità rapida</span></dd><dt>Modalità flex</dt><dd>Tariffa standard <span class=\"note-s\">Quando è selezionata la modalità flex</span></dd><dt>Sforzo massimo di ragionamento</dt><dd>Tariffa standard <span class=\"note-s\">Quando lo sforzo massimo di ragionamento usa l&#39;adeguamento predefinito (default)</span></dd></dl></div><div data-declared-tariff-pricing><h4>Tariffe Ailoot</h4><h4>Prezzi per configurazione</h4><div class=\"tw\" data-pricing-profiles><table><thead><tr><th>Configurazione</th><th>Listino delle tariffe</th><th>Costo</th></tr></thead><tbody><tr><th data-cell-label=\"Configurazione\" scope=\"row\"><span class=\"card-cell-label\">Configurazione</span>Tariffe di base dei token</th><td data-cell-label=\"Listino delle tariffe\"><span class=\"card-cell-label\">Listino delle tariffe</span>Tariffa base</td><td data-cell-label=\"Costo\"><span class=\"card-cell-label\">Costo</span><div><span>Input · Token in input</span> <b>$0.0003</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Output · Token in output</span> <b>$0</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Lettura dalla cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Scrittura nella cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Scrittura nella cache, 1 ora</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div></td></tr></tbody></table></div></div><p class=\"note-s\">Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. <a href=\"/docs/it/billing/reserve/\">Come funzionano la prenotazione e l’addebito finale →</a></p></section><section class=\"card-section\" data-card-section=\"examples\"><h3 tabindex=\"-1\">Esempi di richieste</h3><h4>Ailoot Ultra · Embedding</h4><div class=\"code-group\"><div class=\"cg-bar\"><div class=\"cg-tabs\" role=\"tablist\" aria-label=\"Varianti di codice\"><button class=\"cg-tab\" id=\"model-code-1892-tab-0\" role=\"tab\" type=\"button\" aria-controls=\"model-code-1892-panel-0\" aria-selected=\"true\" tabindex=\"0\">curl</button><button class=\"cg-tab\" id=\"model-code-1892-tab-1\" role=\"tab\" type=\"button\" aria-controls=\"model-code-1892-panel-1\" aria-selected=\"false\" tabindex=\"-1\">Python SDK</button></div><div class=\"cg-tools\"><button class=\"cg-btn cg-copy\" type=\"button\" aria-label=\"Copia il codice\"><svg class=\"cp\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><rect x=\"5.25\" y=\"5.25\" width=\"8.5\" height=\"8.5\" rx=\"1.75\"/><path d=\"M10.75 5.25V3.5a1.25 1.25 0 0 0-1.25-1.25H3.5A1.25 1.25 0 0 0 2.25 3.5v6a1.25 1.25 0 0 0 1.25 1.25h1.75\"/></svg><svg class=\"ok\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><path d=\"m3 8.5 3.25 3.25L13 5\"/></svg></button></div></div><div class=\"cg-body\"><div class=\"cg-pane\" id=\"model-code-1892-panel-0\" role=\"tabpanel\" aria-labelledby=\"model-code-1892-tab-0\"><pre data-lang=\"bash\"><code>set -eu\n: &quot;${AILOOT_API_KEY:?Set your Ailoot API key}&quot;\npython3 - &lt;&lt;&#39;PY_REQUEST&#39;\nimport json,os\nfrom pathlib import Path\np=json.loads(&#39;{&quot;model&quot;: &quot;mistralai/codestral-embed-2505&quot;, &quot;input&quot;: [&quot;First document&quot;, &quot;Second document&quot;]}&#39;)\n\nPath(&quot;request.json&quot;).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 &quot;Authorization: Bearer $AILOOT_API_KEY&quot; -H &#39;Content-Type: application/json&#39; \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - &lt;&lt;&#39;PY_RESULT&#39;\nimport json\nfrom pathlib import Path\nr=json.loads(Path(&quot;result.json&quot;).read_text())\nfor x in r.get(&quot;data&quot;,[]): print(json.dumps({&quot;index&quot;:x.get(&quot;index&quot;),&quot;embedding&quot;:x.get(&quot;embedding&quot;)}))\nPY_RESULT\n</code></pre></div><div class=\"cg-pane\" id=\"model-code-1892-panel-1\" role=\"tabpanel\" aria-labelledby=\"model-code-1892-tab-1\" hidden><pre data-lang=\"python\"><code>from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=&quot;https://api.ailoot.ai/v1&quot;,api_key=os.environ[&quot;AILOOT_API_KEY&quot;],max_retries=0)\nresult=client.embeddings.create(model=&#39;mistralai/codestral-embed-2505&#39;,input=[&quot;First document&quot;,&quot;Second document&quot;])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n</code></pre></div></div></div></section><section class=\"card-section\" data-card-section=\"results\"><h3 tabindex=\"-1\">Ricevi e salva i risultati</h3><h4>Ailoot Ultra · Embedding</h4><p class=\"note-s\">json</p><div class=\"card-result-process\" data-all-results><h5>Conserva tutti i risultati completati</h5><p class=\"note-s\">Conserva ogni risposta, file e parte di contenuto restituiti per intero.</p><p class=\"note-s\">Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.</p></div><div class=\"card-result-process\" data-unknown-recovery><h5>Se occorre verificare la risposta originale</h5><p class=\"note-s\">Non viene introdotto alcun endpoint per i job di embedding.</p></div><details class=\"card-about\" data-output-fields><summary>Campi della risposta</summary><div class=\"tw\" data-card-table=\"output\"><table><thead><tr><th>Campo</th><th>Tipo</th></tr></thead><tbody><tr><th data-cell-label=\"Campo\" scope=\"row\"><span class=\"card-cell-label\">Campo</span><code class=\"card-field-name\">object</code></th><td data-cell-label=\"Tipo\" data-field-type><span class=\"card-cell-label\">Tipo</span>string</td></tr><tr><th data-cell-label=\"Campo\" scope=\"row\"><span class=\"card-cell-label\">Campo</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Tipo\" data-field-type><span class=\"card-cell-label\">Tipo</span>string</td></tr><tr><th data-cell-label=\"Campo\" scope=\"row\"><span class=\"card-cell-label\">Campo</span><code class=\"card-field-name\">data[].index</code></th><td data-cell-label=\"Tipo\" data-field-type><span class=\"card-cell-label\">Tipo</span>integer</td></tr><tr><th data-cell-label=\"Campo\" scope=\"row\"><span class=\"card-cell-label\">Campo</span><code class=\"card-field-name\">data[].embedding</code></th><td data-cell-label=\"Tipo\" data-field-type><span class=\"card-cell-label\">Tipo</span>finite float[]</td></tr><tr><th data-cell-label=\"Campo\" scope=\"row\"><span class=\"card-cell-label\">Campo</span><code class=\"card-field-name\">usage</code></th><td data-cell-label=\"Tipo\" data-field-type><span class=\"card-cell-label\">Tipo</span>object</td></tr></tbody></table></div></details><details class=\"card-about\" data-method-errors><summary>Errori e passaggi successivi</summary><div class=\"tw\" data-card-table=\"errors\"><table><thead><tr><th>Risposta</th><th>Condizione</th><th>Passaggio successivo</th></tr></thead><tbody><tr><th data-cell-label=\"Risposta\" scope=\"row\"><span class=\"card-cell-label\">Risposta</span>400 · <code>invalid_request_error</code></th><td data-cell-label=\"Condizione\"><span class=\"card-cell-label\">Condizione</span>Campi obbligatori, rappresentazione del materiale o valore del parametro non validi</td><td data-cell-label=\"Passaggio successivo\"><span class=\"card-cell-label\">Passaggio successivo</span>Correggi i campi indicati prima di una nuova richiesta di creazione.</td></tr></tbody></table></div></details></section><section class=\"card-section\" data-card-section=\"aliases\"><h3 tabindex=\"-1\">Alias</h3><h4>Alias del modello</h4><p class=\"note-s\"><span data-model-alias-route=\"Ultra\"><b>Ailoot Ultra</b> <a href=\"#m=mistralai%2Fcodestral-embed-2505&amp;route=Ultra&amp;caller=mistralai%2Fcodestral-embed-2505&amp;fmt=embeddings\"><code>mistralai/codestral-embed-2505</code></a></span></p><h4>Alias dei percorsi dei metodi</h4><p class=\"note-s\">Usa i percorsi dei metodi indicati sopra.</p><h4>ID di chiamata correlati</h4><p class=\"note-s\"><a href=\"#m=mistralai%2Fcodestral-embed-2505&amp;route=Ultra&amp;caller=mistralai%2Fcodestral-embed-2505&amp;fmt=embeddings\"><code>mistralai/codestral-embed-2505</code></a></p></section></div>",
      "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": "Campi obbligatori, rappresentazione del materiale o valore del parametro non validi",
                "http_status": 400,
                "recovery": "Correggi i campi indicati prima di una nuova richiesta di creazione.",
                "type": "invalid_request_error"
              }
            ],
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "job_read": null,
              "mode": "synchronous_json",
              "unknown": "Non viene introdotto alcun endpoint per i job di embedding."
            },
            "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": "Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.",
              "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": "elementi dell’array di token"
                },
                "conditions": "Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi.",
                "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": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "user",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "session_id",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "trace",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "source_interface",
                "conditions": "provider.options rifiutato",
                "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": [
            "Conserva l'indice e la dimensione di ogni vettore.",
            "Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico."
          ],
          "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": "Tariffe di base dei 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": "Modalità rapida",
            "value": "Tariffa standard",
            "when": "Quando è selezionata la modalità rapida"
          },
          {
            "label": "Modalità flex",
            "value": "Tariffa standard",
            "when": "Quando è selezionata la modalità flex"
          },
          {
            "label": "Sforzo massimo di ragionamento",
            "value": "Tariffa standard",
            "when": "Quando lo sforzo massimo di ragionamento usa l'adeguamento predefinito (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": "34438f90d90fb68ae30c8856d098d4329f13c37107ff6516c88a9e8ef83eccdf",
    "input_html_sha256": "340d2b56a4a4b97622a4bf6501c2f8f485a788198cbf7461e194bc2a1e12a903",
    "private_audit_sha256": "95b76e3f9421f49b1abed988b0820f97668b5c240436dfb19236921ec2392f07",
    "role": "historical-normalized-input-audit-hashes",
    "schema": "ailoot-native-model-provenance-v2"
  },
  "page": {
    "canonical": "https://ailoot.ai/models/it/mistralai-codestral-embed-2505/",
    "description": "Codestral Embed 2505 rappresenta codice e query in linguaggio naturale come vettori per ricerca nei repository e recupero degli assistenti di programmazione. Il produttore documenta un contesto di 8192 token, dimensioni configurabili fino a 3072 e formati di output a virgola mobile, interi o con bit compattati.",
    "locale": "it",
    "md_url": "https://ailoot.ai/models/it/mistralai-codestral-embed-2505/index.md",
    "title": "Mistral: Codestral Embed 2505 — Ailoot",
    "url": "https://ailoot.ai/models/it/mistralai-codestral-embed-2505/"
  },
  "rawModel": {
    "about": "Codestral Embed 2505 è il modello di embedding di Mistral AI specializzato nel recupero di codice. Riceve testo contenente codice sorgente o una query sul codice in linguaggio naturale e restituisce vettori numerici. Il produttore lo propone per ricerca nei repository, recupero di contesto per assistenti di programmazione, analisi di similarità e duplicati, e raggruppamento del codice per funzionalità o struttura. Il suo identificatore di release fisso è codestral-embed-2505.\n\nInput e rappresentazione\n\nUn input di codice può essere una funzione, un frammento sorgente correlato o un’altra unità significativa di un repository. Una query in linguaggio naturale può descrivere il comportamento da trovare anziché nominare il simbolo esatto. L’embedding rappresenta quell’input per il confronto; il modello non genera una nuova implementazione e non esegue il codice ricevuto.\n\nLa release ufficiale documenta un contesto completo di input di 8192 token. Per il recupero, il produttore raccomanda segmenti di circa 3000 caratteri con 1000 caratteri di sovrapposizione, osservando che segmenti più grandi possono peggiorare il recupero. Sono raccomandazioni di preparazione per la ricerca, non un limite in token di 3000 caratteri. Mantieni file, simbolo e posizione nella fonte associati a ogni elemento preparato, affinché l’applicazione possa restituire il codice pertinente dopo la ricerca.\n\nPrecisione e dimensioni dell’output\n\nLa guida di embedding del codice documenta i tipi di output float, int8, uint8, binary e ubinary. Float usa valori a precisione singola di 32 bit. Int8 usa interi con segno a 8 bit da -128 a 127, mentre uint8 usa valori senza segno a 8 bit da 0 a 255. Binary e ubinary memorizzano valori quantizzati a singolo bit in elementi compattati a 8 bit, usando contenitori rispettivamente con e senza segno.\n\nLa rappresentazione con bit compattati cambia la lunghezza dell’elenco restituito: la guida descrive un elemento compattato ogni otto dimensioni logiche di embedding. Un confronto consapevole del formato è quindi diverso dal trattare i byte compattati come normali coordinate a virgola mobile. Preserva il tipo scelto insieme al vettore e usa la stessa rappresentazione per il codice indicizzato e la sua query.\n\nLa documentazione dei parametri indica una dimensione predefinita di 1536 e un massimo di 3072. Le dimensioni sono ordinate per pertinenza e il produttore descrive il mantenimento del numero scelto di prime dimensioni come un modo per selezionare la dimensione della rappresentazione. Scegli la dimensione in modo coerente per la raccolta memorizzata e le nuove query. Una rappresentazione più corta o quantizzata cambia il comportamento di memorizzazione e confronto; non aumenta il contesto di input e non trasforma il modello in un generatore di codice.\n\nProgrammazione aumentata dal recupero\n\nIl primo caso d’uso della release è recuperare contesto per completamento, modifica o spiegazione del codice. Prepara unità di codice significative e conserva la revisione del repository e gli identificatori delle fonti. Una domanda su come viene gestito un particolare errore può recuperare funzioni correlate, che l’applicazione fornisce poi a un modello di programmazione insieme alla richiesta effettiva di modifica.\n\nUn risultato concreto è un insieme ordinato di frammenti sorgenti con percorsi di file, simboli e il contenuto necessario per comprenderne il comportamento. I frammenti recuperati possono essere aperti da uno sviluppatore o passati a un assistente. Codestral Embed esegue il passaggio di rappresentazione; un componente separato seleziona i risultati e un modello generativo scrive la spiegazione o il codice proposto.\n\nRicerca semantica e similarità\n\nIl produttore descrive la ricerca nel codice con query in linguaggio naturale o codice. Uno sviluppatore può chiedere l’implementazione di un comportamento anche quando il nome della funzione differisce dalla formulazione della richiesta. Includi comportamento e condizioni che distinguono l’implementazione desiderata; una query generale su un intero sottosistema può recuperare materiale correlato senza risolvere la domanda specifica.\n\nLa release descrive anche la ricerca di codice quasi duplicato o funzionalmente simile nonostante differenze lessicali. Tali risultati possono aiutare a trovare un’implementazione riutilizzabile o identificare codice che richiede ulteriori verifiche. La similarità nello spazio di embedding è un segnale per esaminare il sorgente; non stabilisce che due frammenti abbiano comportamento identico per ogni input.\n\nClustering, analisi e confronto\n\nGli embedding di codice possono essere usati per raggruppare codice per funzionalità o struttura ed esaminare la composizione di un repository. Mantieni disponibili i frammenti originali e gli identificatori, affinché un gruppo possa essere interpretato da una persona o da una fase applicativa successiva. Un cluster è un raggruppamento basato sulla rappresentazione, non una descrizione dell’architettura verificata automaticamente.\n\nGli esempi di vettori a virgola mobile del produttore usano embedding normalizzati a norma unitaria, per i quali similarità del coseno, prodotto scalare e distanza euclidea danno ordinamenti coerenti. Gli output quantizzati e con bit compattati dovrebbero conservare la propria gestione del formato, anziché ereditare un’ipotesi sulle coordinate grezze a virgola mobile. L’endpoint pubblicato conserva inoltre gli indici di input, aiutando a mantenere il collegamento tra ogni vettore e il suo elemento di origine.\n\nEdizione e confini pratici\n\nLa pagina esatta del modello elenca flussi di embedding e batch con un’indicazione di contesto di 8k, mentre la release fornisce il valore di 8192 token. Preserva l’edizione denominata 2505, la dimensione di output scelta e il tipo lungo l’intero flusso della raccolta e delle query. È output vettoriale orientato al codice, distinto dal completamento testuale di Codestral e dal modello testuale Mistral Embed a dimensione fissa.\n\nPrepara unità di codice che contengano il comportamento pertinente, mantieni le posizioni nelle fonti e formula la domanda a cui la ricerca deve rispondere. L’artefatto utile è una rappresentazione recuperabile collegata a codice effettivo, che supporta il successivo passaggio di spiegazione, modifica o verifica da parte dello sviluppatore senza eseguirlo direttamente.",
    "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": "Tutte le tariffe della configurazione sono riportate nei dettagli."
      }
    ],
    "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": "Campi obbligatori, rappresentazione del materiale o valore del parametro non validi",
                "http_status": 400,
                "recovery": "Correggi i campi indicati prima di una nuova richiesta di creazione.",
                "type": "invalid_request_error"
              }
            ],
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "job_read": null,
              "mode": "synchronous_json",
              "unknown": "Non viene introdotto alcun endpoint per i job di embedding."
            },
            "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": "Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.",
              "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": "elementi dell’array di token"
                },
                "conditions": "Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi.",
                "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": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "user",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "session_id",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "trace",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "source_interface",
                "conditions": "provider.options rifiutato",
                "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": [
            "Conserva l'indice e la dimensione di ogni vettore.",
            "Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico."
          ],
          "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": "Tariffe di base dei 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": "Modalità rapida",
            "value": "Tariffa standard",
            "when": "Quando è selezionata la modalità rapida"
          },
          {
            "label": "Modalità flex",
            "value": "Tariffa standard",
            "when": "Quando è selezionata la modalità flex"
          },
          {
            "label": "Sforzo massimo di ragionamento",
            "value": "Tariffa standard",
            "when": "Quando lo sforzo massimo di ragionamento usa l'adeguamento predefinito (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 rappresenta codice e query in linguaggio naturale come vettori per ricerca nei repository e recupero degli assistenti di programmazione. Il produttore documenta un contesto di 8192 token, dimensioni configurabili fino a 3072 e formati di output a virgola mobile, interi o con bit compattati."
  },
  "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 rappresenta codice e query in linguaggio naturale come vettori per ricerca nei repository e recupero degli assistenti di programmazione. Il produttore documenta un contesto di 8192 token, dimensioni configurabili fino a 3072 e formati di output a virgola mobile, interi o con bit compattati.",
  "source": {
    "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1",
    "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036",
    "raw_model_json_sha256": "518683f7e7694d72f6d6d542210fd7e8349f3c1e05c3923229e398405cb98671",
    "renderer_sha256": "3be1a96012c3c76b38a7b9bea6a57c0def38c56103737bee6a5e77aaa75e488a"
  },
  "sourceRevision": "b52097aa097953c08b0d72abe9279e90be2791b7848d8c1c4707aab7f662b2d8"
}