Usamos cookies. Las cookies y el almacenamiento del navegador mantienen tu sesión iniciada y recuerdan tus preferencias. Con tu permiso, también medimos cómo se usa el sitio. Puedes en cualquier momento. Consulta nuestra política de cookies.

¿Eres nuevo? Mira cómo funciona Un recorrido de 1 minuto por el entorno de pruebas, los modelos y tu clave API.

Mistral: Codestral Embed 2505 contra Perplexity: Embed V1 4B

Una comparativa lado a lado de Mistral: Codestral Embed 2505 (0,52 US$ / 1M fragmentos (≈ 0,47 €)) y Perplexity: Embed V1 4B (0,11 US$ / 1M fragmentos (≈ 0,09 €)) con precios actuales en USD y capacidades del catálogo de api14. Ambos funcionan a través de la misma API compatible con OpenAI.

Especificaciones

	Mistral: Codestral Embed 2505	Perplexity: Embed V1 4B
Proveedor	Mistral	Perplexity
Entrada	0,52 US$ / 1M fragmentos (≈ 0,47 €)	0,11 US$ / 1M fragmentos (≈ 0,09 €)
Ventana de contexto	8192	32.000
Salida máxima	6553	28.800
Entrada	text	text
Salida	embeddings	embeddings
Llamadas a herramientas
Salida estructurada
Control del razonamiento
Añadido	30 oct 2025	16 mar 2026

Diferencias clave

Perplexity: Embed V1 4B es 80% más barato en tokens de entrada.
Perplexity: Embed V1 4B lee 3.9× más contexto (32.000 tokens).

En detalle

Mistral: Codestral Embed 2505 es un modelo de embeddings de Mistral, lanzado el 2025-10-30. Perplexity: Embed V1 4B es un modelo de embeddings de Perplexity, lanzado el 2026-03-16. Ambos se sitúan en la categoría de embeddings, por lo que ninguno genera chat completions ni texto libre. Cada uno recibe texto y devuelve embeddings, lo que los convierte en bloques de construcción para pipelines de búsqueda, recuperación, agrupamiento, deduplicación y similares, en lugar de asistentes con los que conversas.

La diferencia más clara entre ellos es la longitud de contexto. Codestral Embed 2505 acepta hasta 8192 tokens por entrada, mientras que Embed V1 4B acepta hasta 32000 tokens. Es una brecha de aproximadamente cuatro veces, y es relevante cuando un solo documento, archivo fuente o transcripción es lo bastante largo como para que de otro modo tuvieras que dividirlo. En cuanto a modalidades, los dos son idénticos: texto de entrada, embeddings de salida, nada más. Ninguno lista parámetros soportados, así que no deberías esperar que se expongan a través de la API ajustes configurables como dimensiones u opciones de pooling. La comparación cualitativa también marca a Embed V1 4B como el lado de entrada más barato, mientras que el precio de salida no es significativamente distinto entre ellos.

Para el trabajo diario, la elección normalmente se reduce al tamaño de entrada y al costo. Si estás generando embeddings de consultas cortas, nombres de funciones, mensajes de commit, títulos de tickets o pequeños fragmentos de código, Codestral Embed 2505 es una opción razonable y su ventana de 8192 tokens es más que suficiente. Si estás generando embeddings de archivos completos, páginas de documentación largas, hilos de soporte o contexto de múltiples archivos en una sola pasada, Embed V1 4B es la mejor elección porque su ventana de 32000 tokens te permite evitar el chunking agresivo, y además es el más barato de los dos en entrada. El chunking no es gratis: agrega código de preprocesamiento, puede dividir una unidad coherente por la mitad y multiplica la cantidad de vectores que almacenas y buscas. Una ventana más grande puede eliminar ese trabajo por completo para muchos corpus.

Llamar a cualquiera de los dos modelos a través de api14 funciona de la misma manera porque la puerta de enlace expone una API compatible con OpenAI. Apuntas tu cliente existente a la URL base de api14, envías tu texto al endpoint de embeddings con tu clave de api14 y estableces el campo model al id que quieras. Cambiar entre ellos es un cambio de una línea: usa "mistralai/codestral-embed-2505" para el modelo de Mistral o "perplexity/pplx-embed-v1-4b" para el modelo de Perplexity. Las formas de la solicitud y la respuesta siguen siendo las mismas, así que puedes mantener una sola ruta de código y elegir el modelo por carga de trabajo, o ejecutar ambos y comparar la calidad de recuperación con tus propios datos.

Todavía hay casos en los que Codestral Embed 2505 es la elección correcta. Si tus entradas son consistentemente cortas y quieres quedarte con Mistral, o si ya estás estandarizado en modelos Mistral en otras partes de tu stack, cubre ese terreno sin ninguna desventaja ligada a la longitud de contexto. Dado que ninguno de los dos modelos expone parámetros soportados y ambos son solo texto, la decisión práctica se reduce a la longitud de entrada, el costo de entrada y la preferencia de proveedor, y la tabla de precios en vivo de esta página es el lugar para consultar los números actuales antes de comprometerte.

Cambia con una sola cadena

Ambos modelos usan el mismo endpoint y la misma estructura de solicitud. Cambia el valor de model de "mistralai/codestral-embed-2505" a "perplexity/pplx-embed-v1-4b": los prompts, el streaming y las herramientas siguen funcionando.

Detalles y entorno de pruebas de Mistral: Codestral Embed 2505 →Detalles y entorno de pruebas de Perplexity: Embed V1 4B →

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": "perplexity/pplx-embed-v1-4b",
  "input": [
    "The quick brown fox",
    "Lorem ipsum"
  ]
});
console.log(result.data.map((d) => d.embedding.length));

Más comparativas

Codestral Embed 2505 vs Embed V1 4B: precio de la API, contexto y funciones · api14