Source: https://ailoot.ai/models/pt-pt/mistralai-codestral-embed-2505/ Canonical: https://ailoot.ai/models/pt-pt/mistralai-codestral-embed-2505/ Language: pt-pt # Mistral: Codestral Embed 2505 [Markdown](https://ailoot.ai/models/pt-pt/mistralai-codestral-embed-2505/index.md) · [JSON](https://ailoot.ai/models/pt-pt/mistralai-codestral-embed-2505/facts.json) ## [Mistral: Codestral Embed 2505](https://ailoot.ai/models/pt-pt/mistralai-codestral-embed-2505/) Codestral Embed 2505 representa código e consultas em linguagem natural como vetores para pesquisa em repositórios e recuperação para assistentes de programação. O fabricante documenta um contexto de 8192 tokens, dimensões configuráveis até 3072 e formatos de saída de vírgula flutuante, inteiros ou bits compactados. - [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `mistralai/codestral-embed-2505`](https://ailoot.ai/models/pt-pt/mistralai-codestral-embed-2505/#method-0) Sobre o modelo Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo. Codestral Embed 2505 é o modelo de embeddings da Mistral AI especializado em recuperação de código. Recebe texto com código-fonte ou uma consulta sobre código em linguagem natural e devolve vetores numéricos. O fabricante posiciona-o para pesquisa em repositórios, recuperação de contexto para assistentes de programação, análise de similaridade e duplicados e agrupamento de código pela sua funcionalidade ou estrutura. O seu identificador de edição fixa é codestral-embed-2505. Entrada e representação Uma entrada de código pode ser uma função, um fragmento de código-fonte relacionado ou outra unidade significativa de um repositório. Uma consulta em linguagem natural pode descrever o comportamento a localizar, em vez de indicar o símbolo exato. O embedding representa essa entrada para comparação; o modelo não gera uma nova implementação nem executa o código que recebe. A publicação oficial documenta um contexto de entrada completo de 8192 tokens. Para recuperação, o fabricante recomenda fragmentos com cerca de 3000 caracteres e uma sobreposição de 1000 caracteres, observando que fragmentos maiores podem prejudicar a recuperação. Estas são recomendações de preparação para recuperação, não um limite de tokens de 3000 caracteres. Mantenha o ficheiro, o símbolo e a localização de origem associados a cada elemento preparado, para que a aplicação possa devolver o código relevante após a pesquisa. Precisão e dimensões de saída O guia de embeddings de código documenta os tipos de saída float, int8, uint8, binary e ubinary. Float utiliza valores de precisão simples de 32 bits. Int8 utiliza inteiros de 8 bits com sinal entre -128 e 127, enquanto uint8 utiliza valores de 8 bits sem sinal entre 0 e 255. Binary e ubinary armazenam valores quantizados de um único bit em elementos compactados de 8 bits, utilizando, respetivamente, contentores com ou sem sinal. A representação de bits compactados altera o comprimento da lista devolvida: o guia descreve um elemento compactado por cada oito dimensões lógicas do embedding. Uma comparação que tem em conta o formato é, por isso, diferente de tratar os bytes compactados como coordenadas comuns de vírgula flutuante. Preserve o tipo escolhido com o vetor e utilize a mesma representação para o código indexado e a respetiva consulta. A documentação dos parâmetros indica uma dimensão predefinida de 1536 e um máximo de 3072. As dimensões estão ordenadas por relevância, e o fabricante descreve a conservação do primeiro número escolhido de dimensões como forma de selecionar o tamanho da representação. Escolha a dimensão de forma consistente para a coleção armazenada e as novas consultas. Uma representação mais curta ou quantizada altera o comportamento de armazenamento e comparação; não aumenta o contexto de entrada nem transforma o modelo num gerador de código. Programação aumentada por recuperação O primeiro caso de utilização da publicação é recuperar contexto para completar, editar ou explicar código. Prepare unidades de código significativas e conserve a revisão do repositório e os identificadores de origem. Uma pergunta sobre o tratamento de um erro específico pode recuperar funções relacionadas, que a aplicação fornece depois a um modelo de programação juntamente com o pedido real de alteração. Um resultado prático é um conjunto ordenado de excertos de código-fonte com caminhos de ficheiros, símbolos e o conteúdo necessário para compreender o seu comportamento. Os excertos recuperados podem ser abertos por um programador ou passados a um assistente. Codestral Embed realiza a etapa de representação; um componente separado seleciona os resultados e um modelo de geração escreve a explicação ou o código proposto. Pesquisa semântica e similaridade O fabricante descreve pesquisa de código com consultas em linguagem natural ou em código. Um programador pode pedir a implementação de um comportamento mesmo quando o nome da função difere da formulação do pedido. Inclua o comportamento e as condições que distinguem a implementação pretendida; uma consulta geral sobre um subsistema inteiro pode recuperar material relacionado sem resolver a pergunta específica. A publicação também descreve a localização de código quase duplicado ou funcionalmente semelhante apesar de diferenças lexicais. Esses resultados podem ajudar a localizar uma implementação reutilizável ou identificar código que precisa de revisão adicional. A similaridade no espaço de embeddings é um sinal para examinar o código-fonte; não demonstra que dois fragmentos tenham comportamento idêntico para todas as entradas. Agrupamento, análise e comparação Os embeddings de código podem ser utilizados para agrupar código por funcionalidade ou estrutura e examinar a composição de um repositório. Mantenha os excertos originais e os identificadores disponíveis, para que um grupo possa ser interpretado por uma pessoa ou por uma etapa posterior da aplicação. Um cluster é um agrupamento baseado em representações, não uma descrição de arquitetura automaticamente verificada. Os exemplos de vetores de vírgula flutuante do fabricante utilizam embeddings normalizados com norma unitária, para os quais a similaridade do cosseno, o produto escalar e a distância euclidiana produzem ordenações consistentes. A saída quantizada e de bits compactados deve manter o seu próprio tratamento de formato, em vez de herdar uma suposição sobre coordenadas brutas de vírgula flutuante. O endpoint publicado também conserva índices de entrada, ajudando a preservar a ligação entre cada vetor e o seu elemento de origem. Edição e limites práticos A página exata do modelo enumera fluxos de embeddings e lotes com uma designação de contexto de 8k, enquanto a publicação indica o valor de 8192 tokens. Preserve a edição com nome 2505, a dimensão de saída e o tipo escolhidos ao longo do fluxo da coleção e das consultas. Esta é uma saída vetorial orientada a código, distinta do completamento de texto de Codestral e do modelo textual Mistral Embed de dimensão fixa. Prepare unidades de código que contenham o comportamento relevante, mantenha as suas localizações de origem e formule a pergunta a localizar. O artefacto útil é uma representação recuperável ligada a código real, que apoia a etapa seguinte de explicação, edição ou revisão por um programador sem realizar essa etapa por si só. **Ailoot Ultra · Embeddings** `POST /v1/embeddings` `mistralai/codestral-embed-2505` [`mistralai/codestral-embed-2505`](https://ailoot.ai/models/pt-pt/#m=mistralai%2Fcodestral-embed-2505&route=Ultra&caller=mistralai%2Fcodestral-embed-2505&fmt=embeddings) Mistral /`mistralai/codestral-embed-2505` ### Introdução Codestral Embed 2505 representa código e consultas em linguagem natural como vetores para pesquisa em repositórios e recuperação para assistentes de programação. O fabricante documenta um contexto de 8192 tokens, dimensões configuráveis até 3072 e formatos de saída de vírgula flutuante, inteiros ou bits compactados. Entradas aceites Texto · token\_ids Resultados embedding ### Disponível no Ailoot · entradas e métodos **Ailoot Ultra · Embeddings** `POST /v1/embeddings` Entrada `text`, `token_ids` Saída `embedding` Contexto 8192 tokens Formato de saída json | Campo | Tipo | Requisito | Valores e limites | Predefinição | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObrigatório | Valores e limites mistralai/codestral-embed-2505 | Predefinição— | | Campo`input` | Tipo`string\|string[]\|integer[]\|integer[][]` | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 Condições: Lote homogéneo não vazio. Os IDs de tokens são números inteiros não negativos. Orçamento de entrada: Máximo: 8192 · Unidade de texto: bytes UTF8 · Unidade de tokens: elementos do array de tokens | Predefinição— | | Campo`encoding_format` | Tipo`string` | RequisitoOpcional | Valores e limites float | Predefiniçãofloat | | Campo`dimensions` | Tipo`integer` | RequisitoNão suportado | Valores e limites Mínimo: 1 | Predefinição— | | Campo`user` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`session_id` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`trace` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`provider` | Tipo`object` | RequisitoOpcional | Valores e limites Condições: provider.options rejeitado | Predefinição— | Combinações de materiais de entrada **text\_to\_embedding** Parâmetros e ciclo de vida do método | Parâmetro | Contrato | | --- | --- | | Parâmetro`content_type` | Contratoapplication/json | | Parâmetro`required` | Contratomodel, input | | Parâmetro`input_shapes` | Contratostring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parâmetro`encoding_format` | Contratofloat | | Parâmetro`dimensions_override` | Contratofalse | | Parâmetro`max_input_budget_units` | Contrato8192 | | Parâmetro`multimodal_objects` | Contratofalse | | Parâmetro`material_types` | Contratotext, token\_ids | Ciclo de vida: `synchronous_json` Guarde o índice e a dimensão de cada vetor. O nome do modelo multimodal não permite objetos de imagem neste caminho exato. ### Tarifários As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado. Modo rápido Tarifa normal Quando o modo rápido está selecionado Modo flex Tarifa normal Quando o modo flex está selecionado Esforço máximo de raciocínio Tarifa normal Quando o esforço máximo de raciocínio usa o ajuste predefinido (default) #### Tarifas Ailoot #### Preços por configuração | Configuração | Tabela de tarifas | Custo | | --- | --- | --- | | ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada **$0.0003** / 1K tokens Saída · Tokens de saída **$0** / 1K tokens Entrada · Leitura da cache **—** / 1K tokens Entrada · Escrita na cache **—** / 1K tokens Entrada · Escrita na cache, 1 hora **—** / 1K tokens | O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. [Como funcionam a reserva e a liquidação →](https://ailoot.ai/docs/pt-pt/billing/reserve/) ### Exemplos de pedidos #### Ailoot Ultra · Embeddings curlPython SDK ```bash set -eu : "${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) ``` ### Receber e guardar os resultados #### Ailoot Ultra · Embeddings json ##### Guardar todos os resultados concluídos Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra. Guarde cada vetor com o respetivo índice. O número de vetores tem de ser igual ao número de entradas; as dimensões têm de ser consistentes. ##### Se for necessário verificar a resposta original Não é introduzido nenhum endpoint de tarefas de embeddings. Campos da resposta | Campo | Tipo | | --- | --- | | Campo`object` | Tipostring | | Campo`model` | Tipostring | | Campo`data[].index` | Tipointeger | | Campo`data[].embedding` | Tipofinite float\[\] | | Campo`usage` | Tipoobject | Erros e passos seguintes | Resposta | Condição | Passo seguinte | | --- | --- | --- | | Resposta400 · `invalid_request_error` | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. | ### Aliases #### Aliases do modelo **Ailoot Ultra** [`mistralai/codestral-embed-2505`](https://ailoot.ai/models/pt-pt/#m=mistralai%2Fcodestral-embed-2505&route=Ultra&caller=mistralai%2Fcodestral-embed-2505&fmt=embeddings) #### Aliases dos caminhos dos métodos Use os caminhos dos métodos indicados acima. #### IDs de chamada relacionados [`mistralai/codestral-embed-2505`](https://ailoot.ai/models/pt-pt/#m=mistralai%2Fcodestral-embed-2505&route=Ultra&caller=mistralai%2Fcodestral-embed-2505&fmt=embeddings) FAQ · Mistral: Codestral Embed 2505 Que entradas e resultados estão disponíveis? `POST /v1/embeddings` · `mistralai/codestral-embed-2505`: `text`, `token_ids` → `embedding` Que campos utiliza o pedido? `POST /v1/embeddings` · `mistralai/codestral-embed-2505`: `model`, `input`, `encoding_format`, `provider` Que limites se aplicam? `POST /v1/embeddings` · `mistralai/codestral-embed-2505`: `ctx`: `8192`; `input.budget.maximum`: `8192` (bytes UTF8); `input.min_items`: `1` Ligue o Ailoot ao Claude Code, OpenCode, Hermes ou à sua aplicação. ## A empresa e a sua carteira de projetos A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. ## Compre tokens com desconto. Desconto por subscrição para trabalho regular. Códigos promocionais — até 50% na compra de tokens. Subscrição Escolha um plano com desconto para os pedidos regulares. Código promocional até 50% Introduza o código na compra. O preço é recalculado conforme a campanha em vigor. Custos no histórico O modelo, os tokens e o montante são guardados para cada pedido. [Escolher subscrição](https://ailoot.ai/docs/pt-pt/billing/subscriptions/) · [Ver preços dos modelos](https://ailoot.ai/models/pt-pt/) ## Ligue a API ao produto que vende. SaaS, aplicações e bots — ao abrigo da oferta e do contrato de licença Ailoot. Para revenda, peça uma licença de revendedor. Aplicação comercial Integre geração de texto, imagens, vídeo e som nas funcionalidades pagas do seu serviço. Licença de revendedor Envie uma descrição do projeto e do modelo de acesso. Peça condições escritas de utilização e revenda. Documentos no site A oferta, o contrato de licença e a política de tratamento de dados estão disponíveis antes da ligação. [Pedir licença de revendedor](mailto:support@ailoot.ai) · [Oferta e contrato de licença](https://ailoot.ai/legal/offer?lang=pt-pt) ## Ailoot · A empresa e a sua carteira de projetos A Ailoot assenta numa experiência operacional consolidada, numa ampla base de clientes, num serviço estável e no acompanhamento contínuo dos KPI. A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. A Ailoot aplica essa experiência operacional ao acesso por API a funcionalidades de IA nos produtos dos clientes, agentes, aplicações e automatizações.