Embeddings
Mistral Embed
Mistral Embed ist ein Embeddings-Modell von Mistral AI. Eingabe: Text. Ausgabe: Embedding-Vektoren.
EmbeddingsCodestral Embed
Codestral Embed ist ein Embedding-Modell von Mistral AI. Es stellt Eingaben als Zahlenvektoren dar. Damit kannst du Ähnlichkeiten untersuchen, etwa für eine Suche nach passenden Dokumenten.
Wie kannst du es nutzen?
Nutze den in den Quellen genannten Anbieterzugang für genau diese Version. Ein Produktabo enthält nicht automatisch API-Guthaben.
Aktuell im HerstellerkatalogQuellenstand 2026-10-13
Mistral AI im Verzeichnis
EingabeText
AusgabeEmbedding-Vektoren
Kontext8.000 Tokens
Technische Daten
Identität, Funktionen und Betrieb getrennt lesen. Die Angaben beziehen sich auf diese konkrete Version.
„Nicht bestätigt“ kennzeichnet eine offene Angabe. Es bedeutet weder „nicht vorhanden“ noch „unbegrenzt“.
| Hersteller | Mistral AI |
|---|---|
| Modellfamilie | Mistral · Ministral · Voxtral |
| Modell-/API-ID | codestral-embed-2505 |
| Status | Aktuell im Herstellerkatalog |
| Modellart | Embeddings |
|---|---|
| Eingabe | Text |
| Ausgabe | Embedding-Vektoren |
| Kontext | 8.000 Tokens |
|---|---|
| Maximaler Output / Horizont | Nicht bestätigt |
| Bereitstellung | Gehostete API |
|---|---|
| Gewichte | Gehosteter oder integrierter Zugang |
| Lizenz | Anbieterbedingungen |
Daten im Überblick
Die Grafik zeigt die im Profil dokumentierten Grenzen. Kontext und maximale Ausgabe sind keine addierbaren Budgets und keine Qualitätsbewertung. Zusätzliche Bedingungen stehen im Datenblatt.
- Kontext
- 8.000 Tokens
- Maximaler Output / Horizont
- Nicht bestätigt
Datenbasis: Herstellerangaben im Quellenstand 2026-10-13. Quellen zu diesem Profil ↓
Einsatz und Grenzen
Codestral Embed ist ein Embeddings-Modell von Mistral AI. Eingabe: Text. Ausgabe: Embedding-Vektoren.
Embeddings sind Vektoren für Ähnlichkeit und Retrieval. Nutze dieselben Dokumente und Suchfragen, halte Dimension und Vorverarbeitung fest und bewerte relevante Treffer.
Prüfe vor einem API-Aufruf, ob dein Konto Zugriff hat und welchen Endpunkt, Tarif und welche Region du verwenden musst. Notiere die genaue Modellversion. Ein Kurzname in der API kann später auf einen anderen Modellstand verweisen.
Leistung: Wir haben die Leistung dieses Modells hier nicht selbst gemessen. Nutze die Aufgabe unten, um es an deinen Anforderungen zu prüfen.
Was kostet Codestral Embed?
Bestätigter Tarif / Preisangabe0,15 USD je 1 Mio. Eingabetokens
Tarife und Zugang vor Nutzung in der Anbieterquelle prüfen.
Zugang: Gehostete API. Prüfe vor einer Integration die für dein Konto und deine Region verfügbaren Endpunkte. Ein Eintrag im öffentlichen Katalog ist keine Bestätigung eines freigeschalteten Kontos.
Praxis: Codeähnlichkeit und Korrektheit unterscheiden
Praxisergänzung geprüft am 22. Oktober 2026 · eigene Aufgabe, kein Modellbenchmark
Codestral Embed erzeugt Zahlenvektoren für die Suche in Code. Es schreibt keine Chatantwort auf eine Aufgabenbeschreibung. Mit zwei bewusst künstlichen Dimensionen kannst du die anschließende Ähnlichkeitsrechnung von Hand prüfen. Die Zahlen unten sind nicht vom Modell erzeugt und zeigen keine gemessene Retrieval-Qualität.
Vorbereitung
Mistral dokumentiert codestral-embed-2505 als Code-Embedding-Modell; der allgemeine Alias codestral-embed ist davon zu unterscheiden. Für echte Abfragen musst du Modell, Ausgabedimension und Datenformat festhalten. Die Dokumentation bietet auch quantisierte Ausgabeformate. Die folgende zweidimensionale Rechenvorlage ist ausschließlich Unterrichtsmaterial und kein Beispiel einer tatsächlichen API-Antwort.
Lies die Herstellerabgrenzung und bearbeite die fiktive Vorlage zuerst von Hand. Diese Trockenübung braucht keinen API-Aufruf.
Speichere deine Kontrollwerte als antwort.json. Das ist eine eigene Rechen- oder Planungsantwort, kein behaupteter Modelloutput.
Vergleiche mit dem Soll und verändere einen Grenzfall. Prüfe echte Modellantworten und produktive Abläufe später gesondert.
Aufgabe zum Kopieren
Die Angaben sind fiktiv. Speichere den geforderten JSON-Teil der Antwort separat als antwort.json; zusätzliche Erklärungen gehören in eine andere Datei.
Offline-Rechnung, nicht als Chatprompt an den Embedding-Endpunkt senden. Künstlicher Suchvektor q=[1,0]. Kandidaten A=[1,0], B=[0,1], C=[0,0]. Berechne Cosinusähnlichkeit als Skalarprodukt geteilt durch das Produkt der Längen. Einen Nullvektor nicht bewerten. JSON: aehnlichkeit_a, aehnlichkeit_b, nicht_bewertbar (sortierte IDs), rangfolge (nur bewertbare IDs, absteigend).Vorlage herunterladenLokalen JSON-Prüfer herunterladen
Lösung und Prüfkriterien ansehen
- A hat dieselbe Richtung wie q, B steht senkrecht dazu.
- Bei C ist der Nenner null; eine Ähnlichkeit wäre nicht definiert.
- Ein hoher Suchwert belegt weder die Korrektheit noch die sichere Ausführbarkeit von Code.
{
"aehnlichkeit_a": 1,
"aehnlichkeit_b": 0,
"nicht_bewertbar": [
"C"
],
"rangfolge": [
"A",
"B"
]
}Das Soll ist redaktionell aus der Vorlage abgeleitet, keine aufgezeichnete Modellantwort. Der lokale Prüfer vergleicht die festgelegten Felder und führt keinen generierten Code oder API-Aufruf aus. Er bewertet keine freien Begründungen.
Speichere Prüfer und deine Antwort im selben Ordner. Mit installiertem Python: python pruefen.py antwort.json.
| Beobachtung | Was du prüfst |
|---|---|
| C wird als perfekter Treffer geführt | Behandle den Nullvektor als nicht bewertbar, statt durch null zu teilen. |
| Die Vorlage wird an einen Chat-Endpunkt geschickt | Ein Embedding-Modell gibt Vektoren aus. Die Rechenaufgabe erfolgt in deiner Anwendung oder von Hand. |
| Der ähnlichste Code wird direkt ausgeführt | Lies und teste gefundenen Code unabhängig vom Retrieval-Wert. |
Passende Anleitungen
Wie die Rechnung zu einem Suchsystem wird, erklärt Vektordatenbank und Ähnlichkeitssuche verstehen.
Wenn gefundene Codeausschnitte später in einen Arbeitsablauf eingehen, zeigt lokale KI in VS Code einrichten und Code prüfen den Weg zu einer kontrollierten Codeprobe.
Gezielte Praxisergänzung auf Basis aktueller Herstellerunterlagen. Der Datenstand der bisherigen Modell-Faktentabellen bleibt separat ausgewiesen. Neue Beispiele und Grafiken sind eigene Erklärungen; es wurden keine Modellantworten oder Leistungswerte gemessen.
Herstellerunterlagen zur Ergänzung: Code Embeddings | Mistral Docs (Abruf 2026-10-22) · Codestral Embed | Mistral AI (Abruf 2026-10-22).
Quellen und Prüfstand
Quellenstand: 2026-10-13. Spezifikationen, Tarife und Zugang können sich ändern. Die Illustration zeigt den dokumentierten Datenweg, keine gemessene Leistung.
Häufige Fragen
Was ist Codestral Embed?
Codestral Embed ist ein Embeddings-Modell von Mistral AI. Eingabe: Text. Ausgabe: Embedding-Vektoren. Hersteller: Mistral AI. Dokumentierte ID: codestral-embed-2505.
Was verarbeitet Codestral Embed?
Eingabe: Text. Ausgabe: Embedding-Vektoren. Maßgeblich sind die Funktionen des konkreten Endpunkts in der Herstellerquelle.
Kannst du Codestral Embed lokal betreiben?
Der dokumentierte Zugang lautet: Gehostete API. Öffentlich verfügbare offene Gewichte werden damit nicht bestätigt. Ein integriertes On-Device-Modell kann besondere Hardware und Plattformvorgaben haben.
Was kostet Codestral Embed?
0,15 USD je 1 Mio. Eingabetokens. Tarife und Zugang vor Nutzung in der Anbieterquelle prüfen. Bei selbst betriebenen Gewichten kommen Hardware- und Betriebskosten hinzu.
Ist das ein Leistungstest oder eine Rangliste?
Nein. Das Profil dokumentiert Herstellerangaben mit Quellenstand 2026-10-13. Die Testidee ist redaktionell formuliert und wurde hier nicht ausgeführt; sie ist keine Qualitätsgarantie.
Wie groß ist das Kontextfenster von Codestral Embed?
Im dokumentierten Quellenstand: 8.000 Tokens. Beachte die Bedingungen der konkreten Modellversion und des verwendeten Endpunkts. Kontext ist keine Wortzahl und kein Nachweis, dass jede enthaltene Information zuverlässig verarbeitet wird.
Wie prüfst du Codestral Embed für deine Aufgabe?
Lege eine kleine Aufgabe mit bekanntem oder nachprüfbarem Ergebnis fest. Notiere Version, Eingabe und Einstellungen. Vergleiche die Ausgabe mit deinem Prüfkriterium und halte Fehler sowie tatsächliche Kosten getrennt fest. Die Testidee auf dieser Seite ist ein Vorschlag und wurde hier nicht als Modelltest ausgeführt.
Sind die zwei Zahlen pro Vektor echte Codestral-Ausgaben?
Nein. Es sind künstliche Unterrichtswerte, mit denen du die Cosinusrechnung nachvollziehen kannst. Sie bilden weder Modellqualität noch reale Codeähnlichkeit ab.
Kann Codestral Embed meinen Code reparieren?
Das Embedding-Modell liefert Repräsentationen für Suche und ähnliche Anwendungen. Eine Codeänderung ist eine separate Aufgabe für ein generatives Modell und anschließende Tests.
Warum erhält der Nullvektor keinen Rang?
Bei einer Länge von null ist die Cosinusähnlichkeit nicht definiert. Der Fall braucht eine Fehlerbehandlung statt eines erfundenen Suchwerts.