Mistral: Codestral Embed 2505, Mistral का एक embeddings मॉडल है, जिसे 2025-10-30 को जारी किया गया था। Perplexity: Embed V1 4B, Perplexity का एक embeddings मॉडल है, जिसे 2026-03-16 को जारी किया गया था। दोनों embeddings श्रेणी में आते हैं, इसलिए इनमें से कोई भी चैट completions या मुक्त टेक्स्ट उत्पन्न नहीं करता। प्रत्येक टेक्स्ट लेता है और embeddings लौटाता है, जो उन्हें खोज, retrieval, clustering, deduplication और इसी तरह की pipelines के लिए बिल्डिंग ब्लॉक बनाता है, न कि उन सहायकों के रूप में जिनसे आप बात करते हैं।
इनके बीच सबसे स्पष्ट अंतर context length है। Codestral Embed 2505 प्रति इनपुट अधिकतम 8192 tokens स्वीकार करता है, जबकि Embed V1 4B अधिकतम 32000 tokens स्वीकार करता है। यह लगभग चार गुना का अंतर है, और यह तब मायने रखता है जब कोई एकल दस्तावेज़, स्रोत फ़ाइल या transcript इतना लंबा हो कि अन्यथा आपको उसे विभाजित करना पड़े। modalities पर दोनों समान हैं: टेक्स्ट अंदर, embeddings बाहर, और कुछ नहीं। दोनों में कोई भी समर्थित पैरामीटर सूचीबद्ध नहीं है, इसलिए आपको यह अपेक्षा नहीं करनी चाहिए कि dimensions या pooling विकल्प जैसे tunable knobs API के माध्यम से उजागर किए जाएंगे। गुणात्मक तुलना Embed V1 4B को सस्ते इनपुट पक्ष के रूप में भी चिह्नित करती है, जबकि output pricing उनके बीच अर्थपूर्ण रूप से भिन्न नहीं है।
दिन प्रतिदिन के काम के लिए, चुनाव आम तौर पर इनपुट आकार और लागत पर निर्भर करता है। यदि आप छोटी queries, function names, commit messages, ticket titles या कोड के छोटे chunks embed कर रहे हैं, तो Codestral Embed 2505 एक उचित विकल्प है और इसकी 8192 token विंडो पर्याप्त से अधिक है। यदि आप पूरी फ़ाइलें, लंबे documentation pages, support threads या एक ही पास में multi file context embed कर रहे हैं, तो Embed V1 4B बेहतर विकल्प है क्योंकि इसकी 32000 token विंडो आपको आक्रामक chunking से बचने देती है, और यह इनपुट पर दोनों में से सस्ता भी है। Chunking मुफ़्त नहीं है: यह preprocessing कोड जोड़ती है, यह एक सुसंगत इकाई को आधे में विभाजित कर सकती है, और यह आपके द्वारा संग्रहीत और खोजे जाने वाले vectors की संख्या को कई गुना बढ़ा देती है। एक बड़ी विंडो कई corpora के लिए उस काम को पूरी तरह से हटा सकती है।
api14 के माध्यम से किसी भी मॉडल को कॉल करना एक ही तरह से काम करता है क्योंकि gateway एक OpenAI-compatible API उजागर करता है। आप अपने मौजूदा client को api14 base URL पर इंगित करते हैं, अपने टेक्स्ट को अपनी api14 key के साथ embeddings endpoint पर भेजते हैं, और model फ़ील्ड को उस id पर सेट करते हैं जो आप चाहते हैं। उनके बीच स्विच करना एक पंक्ति का परिवर्तन है: Mistral मॉडल के लिए "mistralai/codestral-embed-2505" या Perplexity मॉडल के लिए "perplexity/pplx-embed-v1-4b" उपयोग करें। request और response के आकार समान रहते हैं, इसलिए आप एक कोड पथ रख सकते हैं और प्रति workload मॉडल चुन सकते हैं, या दोनों चला सकते हैं और अपने स्वयं के डेटा पर retrieval गुणवत्ता की तुलना कर सकते हैं।
अभी भी ऐसे मामले हैं जहां Codestral Embed 2505 सही विकल्प है। यदि आपके इनपुट लगातार छोटे हैं और आप Mistral के साथ बने रहना चाहते हैं, या यदि आप अपने stack में कहीं और पहले से ही Mistral मॉडलों पर मानकीकृत हैं, तो यह context length से जुड़े किसी भी नुकसान के बिना उस ज़मीन को कवर करता है। चूंकि कोई भी मॉडल समर्थित पैरामीटर उजागर नहीं करता और दोनों केवल टेक्स्ट हैं, व्यावहारिक निर्णय इनपुट लंबाई, इनपुट लागत और provider प्राथमिकता तक सीमित हो जाता है, और प्रतिबद्ध होने से पहले वर्तमान संख्याओं की जांच करने के लिए इस पृष्ठ पर live price table ही स्थान है।