Mistral: Codestral Embed 2505 contre Perplexity: Embed V1 4B
Un comparatif côte à côte de Mistral: Codestral Embed 2505 (0,52 $US / 1M jetons (≈ 0,47 €)) et Perplexity: Embed V1 4B (0,11 $US / 1M jetons (≈ 0,09 €)) d’après les prix actuels en USD et les capacités du catalogue api14. Les deux passent par la même API compatible OpenAI.
Caractéristiques
| Mistral: Codestral Embed 2505 | Perplexity: Embed V1 4B | |
|---|---|---|
| Fournisseur | Mistral | Perplexity |
| Entrée | 0,52 $US / 1M jetons (≈ 0,47 €) | 0,11 $US / 1M jetons (≈ 0,09 €) |
| Fenêtre de contexte | 8 192 | 32 000 |
| Sortie max. | 6 553 | 28 800 |
| Entrée | text | text |
| Sortie | embeddings | embeddings |
| Appel d’outils | ||
| Sortie structurée | ||
| Contrôle du raisonnement | ||
| Ajouté le | 30 oct. 2025 | 16 mars 2026 |
Principales différences
- Perplexity: Embed V1 4B est 80% moins cher sur les tokens d’entrée.
- Perplexity: Embed V1 4B lit 3.9× plus de contexte (32 000 tokens).
En détail
Mistral : Codestral Embed 2505 est un modèle d'embeddings de Mistral, publié le 2025-10-30. Perplexity : Embed V1 4B est un modèle d'embeddings de Perplexity, publié le 2026-03-16. Les deux appartiennent à la catégorie embeddings, donc aucun ne génère de complétions de chat ni de texte libre. Chacun prend du texte en entrée et renvoie des embeddings en sortie, ce qui en fait des briques de base pour la recherche, la récupération, le clustering, la déduplication et pipelines similaires plutôt que des assistants avec lesquels on dialogue.
La différence la plus claire entre eux est la longueur de contexte. Codestral Embed 2505 accepte jusqu'à 8192 tokens par entrée, tandis qu'Embed V1 4B accepte jusqu'à 32000 tokens. C'est un écart d'environ quatre fois, et cela compte lorsqu'un document unique, un fichier source ou une transcription est assez long pour qu'on doive sinon le découper. Sur les modalités, les deux sont identiques : texte en entrée, embeddings en sortie, rien d'autre. Aucun ne liste de paramètres pris en charge, donc vous ne devez pas vous attendre à ce que des réglages ajustables tels que les dimensions ou les options de pooling soient exposés via l'API. La comparaison qualitative marque aussi Embed V1 4B comme le moins cher côté entrée, tandis que le prix de sortie n'est pas significativement différent entre eux.
Pour le travail quotidien, le choix se résume généralement à la taille d'entrée et au coût. Si vous calculez des embeddings de requêtes courtes, de noms de fonctions, de messages de commit, de titres de tickets ou de petits morceaux de code, Codestral Embed 2505 est un choix raisonnable et sa fenêtre de 8192 tokens est largement suffisante. Si vous calculez des embeddings de fichiers entiers, de longues pages de documentation, de fils de support ou de contexte multi-fichiers en une seule passe, Embed V1 4B est le meilleur choix car sa fenêtre de 32000 tokens vous permet d'éviter un découpage agressif, et c'est aussi le moins cher des deux en entrée. Le découpage n'est pas gratuit : il ajoute du code de prétraitement, il peut couper une unité cohérente en deux, et il multiplie le nombre de vecteurs que vous stockez et recherchez. Une fenêtre plus grande peut éliminer complètement ce travail pour de nombreux corpus.
Appeler l'un ou l'autre modèle via api14 fonctionne de la même manière car la passerelle expose une API compatible OpenAI. Vous pointez votre client existant vers l'URL de base api14, envoyez votre texte au point de terminaison embeddings avec votre clé api14, et définissez le champ model sur l'id souhaité. Basculer entre eux est un changement d'une ligne : utilisez "mistralai/codestral-embed-2505" pour le modèle Mistral ou "perplexity/pplx-embed-v1-4b" pour le modèle Perplexity. Les formes de requête et de réponse restent les mêmes, donc vous pouvez conserver un seul chemin de code et choisir le modèle par charge de travail, ou exécuter les deux et comparer la qualité de récupération sur vos propres données.
Changer de modèle en une chaîne
Les deux modèles utilisent le même endpoint et la même structure de requête. Remplacez la valeur de model "mistralai/codestral-embed-2505" par "perplexity/pplx-embed-v1-4b" : prompts, streaming et outils continuent de fonctionner.
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));
Plus de comparatifs
- Amazon: Titan Multimodal Embeddings G1 contre Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 contre Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 contre Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 contre Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text contre Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text contre Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text contre Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 contre Cohere: Embed 5 Fast