Mistral: Codestral Embed 2505 lawan OpenAI: Text Embedding 3 Small
Perbandingan berdampingan Mistral: Codestral Embed 2505 (US$0,52 / 1 jt token (≈ Rp 9.492)) dan OpenAI: Text Embedding 3 Small (US$0,07 / 1 jt token (≈ Rp 1.266)) menggunakan harga USD dan kemampuan terkini dari katalog api14. Keduanya berjalan melalui API yang sama dan kompatibel dengan OpenAI.
Spesifikasi
| Mistral: Codestral Embed 2505 | OpenAI: Text Embedding 3 Small | |
|---|---|---|
| Penyedia | Mistral | OpenAI |
| Masukan | US$0,52 / 1 jt token (≈ Rp 9.492) | US$0,07 / 1 jt token (≈ Rp 1.266) |
| Jendela konteks | 8.192 | 8.192 |
| Output maks. | 6.553 | 7.372 |
| Masukan | text | text |
| Keluaran | embeddings | embeddings |
| panggilan alat | ||
| Output terstruktur | ||
| Pengaturan penalaran | ||
| Ditambahkan | 30 Okt 2025 | 30 Okt 2025 |
Perbedaan utama
- OpenAI: Text Embedding 3 Small 87% lebih murah untuk token input.
Lebih mendalam
Mistral: Codestral Embed 2505 adalah model embeddings dari Mistral, dan OpenAI: Text Embedding 3 Small adalah model embeddings dari OpenAI. Keduanya berada dalam kategori embeddings, yang berarti keduanya menerima teks sebagai input dan mengembalikan vektor sebagai output, bukan menghasilkan balasan chat. Keduanya bukan model chat serbaguna, jadi Anda tidak akan memanggil salah satunya untuk menyusun jawaban atau melakukan percakapan. Anda akan memanggilnya ketika Anda membutuhkan representasi numerik dari teks untuk pencarian, pengelompokan, deduplikasi, atau klasifikasi.
Kedua model ini berdekatan pada spesifikasi yang paling penting di sini. Keduanya menerima teks sebagai satu-satunya modalitas input dan keduanya mengembalikan embeddings sebagai satu-satunya modalitas output, jadi tidak ada perbedaan multimodal untuk dipertimbangkan. Keduanya memiliki panjang konteks 8192 token, yang berarti jumlah teks yang dapat Anda embed dalam satu panggilan sama di kedua sisi. Keduanya tidak mengekspos parameter yang didukung, jadi Anda tidak dapat menyetelnya dengan opsi tambahan saat permintaan. Satu perbedaan kualitatif yang tercantum adalah pada harga input, di mana model OpenAI lebih murah di antara keduanya. Harga output tidak berbeda secara signifikan di antara keduanya, jadi selisih biaya, jika ada, berasal dari sisi input.
Untuk sebagian besar tugas embedding, pilihan bermuara pada kecocokan rather than kemampuan mentah, karena cakupan kemampuannya hampir identik. Jika Anda melakukan embedding kode, pengenal, atau teks yang mencampur bahasa alami dengan sumber, Codestral Embed 2505 adalah kandidat alami mengingat garis keturunannya. Jika Anda melakukan embedding prosa biasa untuk pencarian semantik, pengambilan atas dokumentasi, atau pengelompokan teks pengguna, Text Embedding 3 Small adalah default yang wajar, dan ini adalah opsi yang lebih murah pada input, yang penting ketika Anda melakukan embedding korpus besar di mana volume input mendominasi. Jika korpus Anda besar dan sebagian besar berupa teks biasa, perbedaan harga input adalah argumen praktis utama untuk model OpenAI. Jika korpus Anda berat kode, model Mistral adalah yang pertama untuk dicoba.
Memanggil salah satu model melalui api14 adalah operasi yang sama. API ini kompatibel dengan OpenAI, jadi Anda mengarahkan klien yang ada ke base URL api14, mengirim teks Anda ke endpoint embeddings, dan mengatur field model ke id yang Anda inginkan. Untuk menggunakan model Mistral, atur id model ke mistralai/codestral-embed-2505. Untuk menggunakan model OpenAI, atur ke openai/text-embedding-3-small. Tidak ada hal lain dalam permintaan yang berubah, dan bentuk responsnya sama, jadi Anda dapat beralih di antara keduanya dengan mengedit satu string tersebut. Itu membuatnya murah untuk melakukan benchmark keduanya terhadap data Anda sendiri sebelum berkomitmen.
Ada kasus di mana model Mistral tetap menjadi pilihan yang lebih baik meskipun biayanya lebih tinggi pada input. Jika teks Anda sebagian besar adalah kode atau terkait kode, dan Anda peduli dengan kualitas vektor yang dihasilkan untuk konten semacam itu, model Codestral adalah yang dibangun untuk materi tersebut, dan perbedaan harga input mungkin layak diserap. Sebaliknya, jika beban kerja Anda adalah teks biasa bervolume tinggi dan biaya per token input menjadi faktor penentu, model OpenAI adalah yang perlu dipilih. Karena keduanya berbagi panjang konteks yang sama dan modalitas input serta output yang sama, Anda dapat memutuskan hanya berdasarkan jenis konten dan biaya input.
Berganti cukup dengan satu string
Kedua model menggunakan endpoint dan bentuk permintaan yang sama. Ubah nilai model dari "mistralai/codestral-embed-2505" ke "openai/text-embedding-3-small", prompt, streaming, dan tools tetap berfungsi.
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": "openai/text-embedding-3-small",
"input": [
"The quick brown fox",
"Lorem ipsum"
]
});
console.log(result.data.map((d) => d.embedding.length));
Perbandingan lainnya
- Amazon: Titan Multimodal Embeddings G1 lawan Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 lawan Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 lawan Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 lawan Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text lawan Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text lawan Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text lawan Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 lawan Cohere: Embed 5 Fast