Source: https://ailoot.ai/models/nb/mistralai-codestral-embed-2505/
Canonical: https://ailoot.ai/models/nb/mistralai-codestral-embed-2505/
Language: nb

# Mistral: Codestral Embed 2505

[Markdown](https://ailoot.ai/models/nb/mistralai-codestral-embed-2505/index.md) · [JSON](https://ailoot.ai/models/nb/mistralai-codestral-embed-2505/facts.json)

## [Mistral: Codestral Embed 2505](https://ailoot.ai/models/nb/mistralai-codestral-embed-2505/)

Codestral Embed 2505 representerer kode og forespørsler i naturlig språk som vektorer for repositorysøk og gjenfinning til kodeassistenter. Produsenten dokumenterer en kontekst på 8192 tokener, konfigurerbare dimensjoner opptil 3072 og flyttalls-, heltalls- eller bitpakkede resultatformater.

- [**Ailoot Ultra · Vektorrepresentasjoner** `POST /v1/embeddings` `mistralai/codestral-embed-2505`](https://ailoot.ai/models/nb/mistralai-codestral-embed-2505/#method-0)

Om modellen

Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.

Codestral Embed 2505 er Mistral AIs embeddingmodell spesialisert for kodegjenfinning. Den mottar tekst med kildekode eller en kodeforespørsel i naturlig språk og returnerer numeriske vektorer. Produsenten posisjonerer den for søk i kodelagre, kontekstgjenfinning til kodeassistenter, likhets- og duplikatanalyse og gruppering av kode etter funksjonalitet eller struktur. Den faste utgivelsesidentifikatoren er codestral-embed-2505.

Inndata og representasjon

Kodeinndata kan være en funksjon, et relatert kildefragment eller en annen meningsfull enhet i et kodelager. En forespørsel i naturlig språk kan beskrive adferden som skal finnes, fremfor å navngi det nøyaktige symbolet. Embeddingvektoren representerer inndataene for sammenligning; modellen genererer ikke en ny implementering eller utfører koden den mottar.

Den offisielle utgivelsen dokumenterer en full inndatakontekst på 8192 tokener. For gjenfinning anbefaler produsenten stykker på omtrent 3000 tegn med 1000 tegns overlapp, og påpeker at større stykker kan svekke gjenfinningen. Dette er anbefalinger for gjenfinningsforberedelse, ikke en tokengrense på 3000 tegn. Hold filen, symbolet og kildeplasseringen knyttet til hvert forberedt element, slik at applikasjonen kan returnere relevant kode etter søk.

Resultatpresisjon og dimensjoner

Veiledningen for kodeembeddinger dokumenterer resultattypene float, int8, uint8, binary og ubinary. Float bruker 32-biters verdier med enkelpresisjon. Int8 bruker 8-biters heltall med fortegn fra -128 til 127, mens uint8 bruker 8-biters verdier uten fortegn fra 0 til 255. Binary og ubinary lagrer kvantiserte enkeltbitverdier i pakkede 8-biters elementer, med henholdsvis beholdere med og uten fortegn.

Bitpakket representasjon endrer lengden på listen som returneres: Veiledningen beskriver ett pakket element per åtte logiske embeddingdimensjoner. En formatbevisst sammenligning er derfor forskjellig fra å behandle de pakkede bytene som vanlige flyttallskoordinater. Behold den valgte typen sammen med vektoren og bruk samme representasjon for indeksert kode og forespørselen til den.

Parameterdokumentasjonen gir en standarddimensjon på 1536 og et maksimum på 3072. Dimensjonene er ordnet etter relevans, og produsenten beskriver å beholde det første valgte antallet som en måte å velge representasjonsstørrelse på. Velg dimensjonen konsekvent for den lagrede samlingen og nye forespørsler. En kortere eller kvantisert representasjon endrer lagrings- og sammenligningsadferd; den øker ikke inndatakonteksten eller gjør modellen til en kodegenerator.

Koding med gjenfunnet kontekst

Utgivelsens første bruksområde er å gjenfinne kontekst for kodefullføring, redigering eller forklaring. Forbered meningsfulle kodeenheter og behold kodelagerrevisjonen og kildeidentifikatorene. Et spørsmål om hvordan en bestemt feil håndteres, kan gjenfinne relaterte funksjoner som applikasjonen deretter gir til en kodemodell sammen med den faktiske endringsforespørselen.

Et praktisk resultat er et rangert sett kildeutdrag med filstier, symboler og innholdet som trengs for å forstå adferden. Utdragene kan åpnes av en utvikler eller gis til en assistent. Codestral Embed gjør representasjonstrinnet; en separat komponent velger resultatene, og en genereringsmodell skriver forklaringen eller kodeforslaget.

Semantisk søk og likhet

Produsenten beskriver kodesøk med forespørsler i naturlig språk eller kode. En utvikler kan spørre etter implementeringen av en adferd selv når funksjonsnavnet avviker fra forespørselens ordlyd. Inkluder adferden og betingelsene som skiller den tilsiktede implementeringen fra andre; en generell forespørsel om et helt delsystem kan gjenfinne relatert materiale uten å avklare det konkrete spørsmålet.

Utgivelsen beskriver også gjenfinning av nesten identisk eller funksjonelt lik kode til tross for leksikalske forskjeller. Slike resultater kan bidra til å finne en gjenbrukbar implementering eller identifisere kode som trenger nærmere gjennomgang. Likhet i embeddingrommet er et signal om å undersøke kilden; det fastslår ikke at to fragmenter har identisk adferd for alle inndata.

Klyngedannelse, analyse og sammenligning

Kodeembeddinger kan brukes til å gruppere kode etter funksjonalitet eller struktur og undersøke sammensetningen av et kodelager. Hold originalutdragene og identifikatorene tilgjengelige, slik at en person eller et senere applikasjonstrinn kan tolke en gruppe. En klynge er en representasjonsbasert gruppering, ikke en automatisk bekreftet arkitekturbeskrivelse.

Produsentens flyttallsvektoreksempler bruker enhetsnormaliserte embeddinger, der cosinuslikhet, prikkprodukt og euklidsk avstand gir konsistente rangeringer. Kvantisert og bitpakket resultat bør beholde sin egen formathåndtering fremfor å overta en antakelse om rå flyttallskoordinater. Det publiserte endepunktet beholder også inndataindekser, noe som bidrar til å bevare forbindelsen mellom hver vektor og kildeelementet.

Utgave og praktiske grenser

Den nøyaktige modellsiden oppgir embedding- og batcharbeidsflyter med en kontekstbetegnelse på 8k, mens utgivelsen gir verdien 8192 tokener. Bevar den navngitte 2505-utgaven, valgt resultatdimensjon og type gjennom samlings- og forespørselsarbeidsflyten. Dette er kodeorientert vektorresultat, atskilt fra Codestrals tekstfullføring og den fastdimensjonale tekstmodellen Mistral Embed.

Forbered kodeenheter som bærer den relevante adferden, behold kildeplasseringene og formuler spørsmålet du skal finne materiale til. Den nyttige artefakten er en gjenfinnbar representasjon knyttet til faktisk kode, som støtter neste forklarings-, redigerings- eller utviklergjennomgangstrinn uten å utføre det selv.

**Ailoot Ultra · Vektorrepresentasjoner** `POST /v1/embeddings` `mistralai/codestral-embed-2505`

[`mistralai/codestral-embed-2505`](https://ailoot.ai/models/nb/#m=mistralai%2Fcodestral-embed-2505&route=Ultra&caller=mistralai%2Fcodestral-embed-2505&fmt=embeddings)

Mistral /`mistralai/codestral-embed-2505`

### Start

Codestral Embed 2505 representerer kode og forespørsler i naturlig språk som vektorer for repositorysøk og gjenfinning til kodeassistenter. Produsenten dokumenterer en kontekst på 8192 tokener, konfigurerbare dimensjoner opptil 3072 og flyttalls-, heltalls- eller bitpakkede resultatformater.

Godkjente inndata

Tekst · token\_ids

Resultater

embedding

### Tilgjengelig i Ailoot · inndata & metoder

**Ailoot Ultra · Vektorrepresentasjoner** `POST /v1/embeddings`

Inndatatyper

`text`, `token_ids`

Utdatatyper

`embedding`

Kontekst

8 192 tokens

Utdataformat

json

| Felt | Type | Krav | Verdier & grenser | Standard |
| --- | --- | --- | --- | --- |
| Felt`model` | Type`string` | KravPåkrevd | Verdier & grenser mistralai/codestral-embed-2505 | Standard— |
| Felt`input` | Type`string\|string[]\|integer[]\|integer[][]` | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 Vilkår: Ikke-tom batch med ensartede elementer. Token-ID-er er ikke-negative heltall. Inndatabudsjett: Maksimum: 8 192 · Tekstenhet: UTF8-byte · Tokenenhet: elementer i token-arrayet | Standard— |
| Felt`encoding_format` | Type`string` | KravValgfritt | Verdier & grenser float | Standardfloat |
| Felt`dimensions` | Type`integer` | KravStøttes ikke | Verdier & grenser Minimum: 1 | Standard— |
| Felt`user` | Type`json_value` | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
| Felt`session_id` | Type`json_value` | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
| Felt`trace` | Type`json_value` | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
| Felt`provider` | Type`object` | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises | Standard— |

Kombinasjoner av inngående materialer

**text\_to\_embedding**

Metodeparametere og livssyklus

| Parameter | Avtale |
| --- | --- |
| Parameter`content_type` | Avtaleapplication/json |
| Parameter`required` | Avtalemodel, input |
| Parameter`input_shapes` | Avtalestring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Parameter`encoding_format` | Avtalefloat |
| Parameter`dimensions_override` | Avtalefalse |
| Parameter`max_input_budget_units` | Avtale8192 |
| Parameter`multimodal_objects` | Avtalefalse |
| Parameter`material_types` | Avtaletext, token\_ids |

Livssyklus: `synchronous_json`

Bevar hver vektors indeks og dimensjon.

Et multimodalt modellnavn innebærer ikke at bildeobjekter er tillatt på denne nøyaktige stien.

### Priser

Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.

Hurtigmodus

Standardpris Når hurtigmodus er valgt

Flex-modus

Standardpris Når flex-modus er valgt

Maksimal resonneringsinnsats

Standardpris Når justeringen «default» brukes for maksimal resonneringsinnsats

#### Ailoot-satser

#### Priser etter konfigurasjon

| Konfigurasjon | Prisplan | Kostnad |
| --- | --- | --- |
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener **$0.0003** / 1K tokener Utdata · Utgående tokener **$0** / 1K tokener Inndata · Lesing fra hurtigbuffer **—** / 1K tokener Inndata · Skriving til hurtigbuffer **—** / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time **—** / 1K tokener |

Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. [Slik fungerer reservasjon og oppgjør →](https://ailoot.ai/docs/nb/billing/reserve/)

### Eksempelforespørsler

#### Ailoot Ultra · Vektorrepresentasjoner

curlPython SDK

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "mistralai/codestral-embed-2505", "input": ["First document", "Second document"]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
```

```python
from openai import OpenAI
import os

client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='mistralai/codestral-embed-2505',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### Motta og lagre resultater

#### Ailoot Ultra · Vektorrepresentasjoner

json

##### Behold alle ferdige resultater

Behold alle fullstendige returnerte svar, filer og innholdsdeler.

Bevar hver vektor sammen med indeksen. Antall vektorer må være lik antall inndata; dimensjonene må være konsistente.

##### Hvis det opprinnelige svaret må kontrolleres

Det innføres ikke noe endepunkt for embedding-jobber.

Svarfelter

| Felt | Type |
| --- | --- |
| Felt`object` | Typestring |
| Felt`model` | Typestring |
| Felt`data[].index` | Typeinteger |
| Felt`data[].embedding` | Typefinite float\[\] |
| Felt`usage` | Typeobject |

Feil og neste trinn

| Svar | Vilkår | Neste trinn |
| --- | --- | --- |
| Svar400 · `invalid_request_error` | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |

### Aliaser

#### Modellaliaser

**Ailoot Ultra** [`mistralai/codestral-embed-2505`](https://ailoot.ai/models/nb/#m=mistralai%2Fcodestral-embed-2505&route=Ultra&caller=mistralai%2Fcodestral-embed-2505&fmt=embeddings)

#### Aliaser for metodestier

Bruk metodestiene som vises ovenfor.

#### Tilknyttede anroper-ID-er

[`mistralai/codestral-embed-2505`](https://ailoot.ai/models/nb/#m=mistralai%2Fcodestral-embed-2505&route=Ultra&caller=mistralai%2Fcodestral-embed-2505&fmt=embeddings)

FAQ · Mistral: Codestral Embed 2505

Hvilke inndata og resultater er tilgjengelige?

`POST /v1/embeddings` · `mistralai/codestral-embed-2505`: `text`, `token_ids` → `embedding`

Hvilke felt bruker forespørselen?

`POST /v1/embeddings` · `mistralai/codestral-embed-2505`: `model`, `input`, `encoding_format`, `provider`

Hvilke grenser gjelder?

`POST /v1/embeddings` · `mistralai/codestral-embed-2505`: `ctx`: `8192`; `input.budget.maximum`: `8192` (UTF8-byte); `input.min_items`: `1`

Koble Ailoot til Claude Code, OpenCode, Hermes eller egen applikasjon.

## Selskapet og dets prosjektportefølje

Selskapet og dets prosjektportefølje: millioner av kunder; månedlig salg for milliarder.

## Kjøp tokener med rabatt.

Abonnementsrabatt for jevnlig bruk. Kampanjekoder gir opptil 50% på tokenkjøp.

Abonnement

Velg et rabattabonnement for faste forespørsler.

Kampanjekode opptil 50%

Oppgi kode ved kjøp. Prisen beregnes på nytt etter gjeldende kampanje.

Kostnader i historikken

Modell, tokener og beløp lagres for hver forespørsel.

[Velg abonnement](https://ailoot.ai/docs/nb/billing/subscriptions/) · [Se modellpriser](https://ailoot.ai/models/nb/)

## Koble API-et til produktet du selger.

SaaS, apper og boter etter Ailoots offentlige tilbud og lisensavtale. Be om forhandlerlisens for videresalg.

Kommersiell applikasjon

Bygg tekst-, bilde-, video- og lydgenerering inn i betalte funksjoner i tjenesten.

Forhandlerlisens

Send prosjektbeskrivelse og tilgangsopplegg. Be om skriftlige vilkår for bruk og videresalg.

Dokumenter på nettstedet

Offentlig tilbud, lisensavtale og retningslinjer for databehandling er tilgjengelige før tilkobling.

[Be om forhandlerlisens](mailto:support@ailoot.ai) · [Offentlig tilbud og lisensavtale](https://ailoot.ai/legal/offer?lang=nb)

## Ailoot · Selskapet og dets prosjektportefølje





Ailoot bygger på etablert driftserfaring, en stor kundebase, stabil tjeneste og løpende KPI-kontroll.





Selskapet og dets prosjektportefølje: millioner av kunder; månedlig salg for milliarder.





Ailoot bruker denne driftserfaringen til API-tilgang til AI-funksjoner i kundenes produkter, agenter, applikasjoner og automatiseringer.