Mistral: Codestral Embed 2505 vs. Qwen: Qwen3 Embedding 4B
Ein direkter Vergleich von Mistral: Codestral Embed 2505 (0,52 $ / 1 Mio. Tokens (≈ 0,47 €)) und Qwen: Qwen3 Embedding 4B (0,07 $ / 1 Mio. Tokens (≈ 0,06 €)) mit aktuellen USD-Preisen und Funktionen aus dem api14-Katalog. Beide laufen über dieselbe OpenAI-kompatible API.
Technische Daten
| Mistral: Codestral Embed 2505 | Qwen: Qwen3 Embedding 4B | |
|---|---|---|
| Anbieter | Mistral | Qwen |
| Eingabe | 0,52 $ / 1 Mio. Tokens (≈ 0,47 €) | 0,07 $ / 1 Mio. Tokens (≈ 0,06 €) |
| Kontextfenster | 8.192 | 32.768 |
| Max. Ausgabe | 6.553 | 29.491 |
| Eingabe | text | text |
| Ausgabe | embeddings | embeddings |
| Tool Calling | ||
| Strukturierte Ausgabe | ||
| Reasoning-Steuerung | ||
| Hinzugefügt | 30.10.2025 | 28.10.2025 |
Die wichtigsten Unterschiede
- Qwen: Qwen3 Embedding 4B ist bei Eingabe-Tokens 87% günstiger.
- Qwen: Qwen3 Embedding 4B liest 4.0× mehr Kontext (32.768 Tokens).
Im Detail
Mistral: Codestral Embed 2505 ist ein Embeddings-Modell von Mistral, veröffentlicht am 30. Oktober 2025. Qwen: Qwen3 Embedding 4B ist ein Embeddings-Modell von Qwen, veröffentlicht am 28. Oktober 2025. Beide gehören zur Kategorie Embeddings, daher erzeugt keines von beiden Chat-Completions; Sie senden Text ein und erhalten Vektoren zurück. Dieser gemeinsame Zweck ist der Ausgangspunkt für den Vergleich, denn die Wahl zwischen ihnen hängt eher von Kontextgröße und Preis ab als von unterschiedlichen Arten der Ausgabe.
Der deutlichste Unterschied ist das Kontextfenster. Codestral Embed 2505 akzeptiert bis zu 8.192 Token Eingabe, während Qwen3 Embedding 4B bis zu 32.768 Token akzeptiert, viermal so viel. Beide nehmen Text als Eingabe und beide geben Embeddings als Ausgabe zurück, es gibt also keine Modalitätslücke abzuwägen: Keines der Modelle verarbeitet Bilder, Audio oder etwas anderes als Text. Keines listet unterstützte Parameter auf, daher sollten Sie bei keinem der beiden Aufrufe erwarten, Sampling oder ähnliche Optionen abstimmen zu können. Beim Preis ist Qwen3 Embedding 4B das günstigere der beiden für Eingabe, und die Vergleichsdaten unterscheiden sie nicht bei den Ausgabekosten.
Für die praktische Arbeit folgt die Entscheidung meist der Länge der Dokumente, die Sie einbetten müssen. Wenn Sie kurze Passagen, einzelne Funktionen, Docstrings oder kleine Teile von Quellcode einbetten, passt Codestral Embed 2505 bequem in sein Limit von 8.192 Token, und sein codeorientierter Hintergrund macht es zu einer vernünftigen Standardwahl für Repository-Suche und Code-Retrieval. Wenn Ihre Eingaben lange Dateien, ganze Module, umfangreiche Dokumentationsseiten oder große Teile sind, die Sie lieber nicht aufteilen möchten, ist Qwen3 Embedding 4B die bessere Wahl, weil sein Fenster von 32.768 Token es Ihnen erlaubt, mehr von einem Dokument in einer einzigen Anfrage intakt zu halten, und es ist zudem die günstigere Option bei der Eingabe, was zählt, wenn Sie einen großen Korpus einbetten.
Beide Modelle über api14 aufzurufen funktioniert auf dieselbe Weise, weil die API OpenAI-kompatibel ist. Sie richten Ihren vorhandenen Client auf die api14 Base-URL, senden Ihren Text an den Embeddings-Endpunkt und ändern nur die Modell-ID: "mistralai/codestral-embed-2505" für das Mistral-Modell oder "qwen/qwen3-embedding-4b" für das Qwen-Modell. Die Struktur Ihrer Anfrage, die Authentifizierung und das Parsen der Antwort bleiben identisch, sodass Sie zwischen ihnen wechseln oder beide parallel betreiben können, ohne Integrationscode neu zu schreiben. Die live Preis-Tabelle auf der Seite zeigt die aktuellen Tarife für jedes Modell.
Es gibt weiterhin Fälle, in denen Codestral Embed 2505 trotz des kleineren Fensters die bessere Wahl ist. Wenn Ihre Pipeline Text bereits in kurze Segmente aufteilt, spielt der Kontextunterschied keine Rolle mehr, und ein codefokussiertes Embedding-Modell ist eine sinnvolle Wahl für die Indexierung von Quellcode und den Abgleich von Anfragen damit. In dieser Situation ist das Limit von 8.192 Token keine Einschränkung, und Sie können danach wählen, wie gut jedes Modell Ihre spezifischen Inhalte repräsentiert, statt allein nach der Fenstergröße.
Wechseln mit einem String
Beide Modelle nutzen denselben Endpunkt und dieselbe Anfragestruktur. Ändern Sie den model-Wert von "mistralai/codestral-embed-2505" auf "qwen/qwen3-embedding-4b", Prompts, Streaming und Tools funktionieren weiter.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.embeddings.create({
"model": "qwen/qwen3-embedding-4b",
"input": [
"The quick brown fox",
"Lorem ipsum"
]
});
console.log(result.data.map((d) => d.embedding.length));
Weitere Vergleiche
- Amazon: Titan Multimodal Embeddings G1 vs. Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 vs. Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 vs. Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 vs. Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text vs. Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text vs. Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text vs. Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 vs. Cohere: Embed 5 Fast