Mistral: Codestral Embed 2505 contre Qwen: Qwen3 Embedding 4B
Un comparatif côte à côte de Mistral: Codestral Embed 2505 (0,52 $US / 1M jetons (≈ 0,47 €)) et Qwen: Qwen3 Embedding 4B (0,07 $US / 1M jetons (≈ 0,06 €)) 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 | Qwen: Qwen3 Embedding 4B | |
|---|---|---|
| Fournisseur | Mistral | Qwen |
| Entrée | 0,52 $US / 1M jetons (≈ 0,47 €) | 0,07 $US / 1M jetons (≈ 0,06 €) |
| Fenêtre de contexte | 8 192 | 32 768 |
| Sortie max. | 6 553 | 29 491 |
| Entrée | text | text |
| Sortie | embeddings | embeddings |
| Appel d’outils | ||
| Sortie structurée | ||
| Contrôle du raisonnement | ||
| Ajouté le | 30 oct. 2025 | 28 oct. 2025 |
Principales différences
- Qwen: Qwen3 Embedding 4B est 87% moins cher sur les tokens d’entrée.
- Qwen: Qwen3 Embedding 4B lit 4.0× plus de contexte (32 768 tokens).
En détail
Mistral : Codestral Embed 2505 est un modèle d'embeddings de Mistral, publié le 30 octobre 2025. Qwen : Qwen3 Embedding 4B est un modèle d'embeddings de Qwen, publié le 28 octobre 2025. Les deux appartiennent à la catégorie des embeddings, donc aucun ne génère de complétions de chat ; vous envoyez du texte et recevez des vecteurs en retour. Cette fonction commune est le point de départ de la comparaison, car le choix entre les deux se résume à la taille du contexte et au prix plutôt qu'à des types de sortie différents.
La différence la plus nette est la fenêtre de contexte. Codestral Embed 2505 accepte jusqu'à 8 192 tokens en entrée, tandis que Qwen3 Embedding 4B accepte jusqu'à 32 768 tokens, soit quatre fois plus. Les deux prennent du texte en entrée et renvoient des embeddings en sortie, il n'y a donc aucun écart de modalité à peser : aucun des deux modèles ne traite les images, l'audio ou autre chose que du texte. Aucun ne liste de paramètres pris en charge, vous ne devez donc pas vous attendre à ajuster l'échantillonnage ou des options similaires sur l'un ou l'autre appel. Côté prix, Qwen3 Embedding 4B est le moins cher des deux pour l'entrée, et les données de comparaison ne les distinguent pas sur le coût de sortie.
Pour le travail pratique, la décision suit généralement la longueur des documents que vous devez transformer en embeddings. Si vous vectorisez des passages courts, des fonctions individuelles, des docstrings ou de petits morceaux de code source, Codestral Embed 2505 tient confortablement dans sa limite de 8 192 tokens et son orientation vers le code en fait un choix par défaut raisonnable pour la recherche dans un dépôt et la récupération de code. Si vos entrées sont de longs fichiers, des modules entiers, de longues pages de documentation ou de gros morceaux que vous préférez ne pas découper, Qwen3 Embedding 4B est plus adapté car sa fenêtre de 32 768 tokens vous permet de conserver davantage d'un document intact dans une seule requête, et c'est aussi l'option la moins chère en entrée, ce qui compte lorsque vous vectorisez un grand corpus.
Appeler l'un ou l'autre modèle via api14 fonctionne de la même manière, car l'API est compatible OpenAI. Vous pointez votre client existant vers l'URL de base d'api14, vous envoyez votre texte au point de terminaison des embeddings, et vous changez uniquement l'identifiant du modèle : "mistralai/codestral-embed-2505" pour le modèle Mistral ou "qwen/qwen3-embedding-4b" pour le modèle Qwen. La forme de votre requête, l'authentification et l'analyse de la réponse restent identiques, vous pouvez donc basculer entre les deux ou les exécuter côte à côte sans réécrire le code d'intégration. Le tableau des prix en direct sur la page indique les tarifs actuels pour chacun.
Il reste des cas où Codestral Embed 2505 est le meilleur choix malgré la fenêtre plus petite. Si votre pipeline découpe déjà le texte en segments courts, la différence de contexte cesse d'avoir d'importance, et un modèle d'embeddings axé sur le code est un choix judicieux pour indexer du code source et y faire correspondre des requêtes. Dans cette situation, la limite de 8 192 tokens n'est pas une contrainte, et vous pouvez choisir en fonction de la qualité avec laquelle chaque modèle représente votre contenu particulier plutôt que sur la seule taille de la fenêtre.
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 "qwen/qwen3-embedding-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": "qwen/qwen3-embedding-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