Mistral: Codestral Embed 2505 lawan Perplexity: Embed V1 4B
Perbandingan berdampingan Mistral: Codestral Embed 2505 (US$0,52 / 1 jt token (≈ Rp 9.492)) dan Perplexity: Embed V1 4B (US$0,11 / 1 jt token (≈ Rp 1.898)) menggunakan harga USD dan kemampuan terkini dari katalog api14. Keduanya berjalan melalui API yang sama dan kompatibel dengan OpenAI.
Spesifikasi
| Mistral: Codestral Embed 2505 | Perplexity: Embed V1 4B | |
|---|---|---|
| Penyedia | Mistral | Perplexity |
| Masukan | US$0,52 / 1 jt token (≈ Rp 9.492) | US$0,11 / 1 jt token (≈ Rp 1.898) |
| Jendela konteks | 8.192 | 32.000 |
| Output maks. | 6.553 | 28.800 |
| Masukan | text | text |
| Keluaran | embeddings | embeddings |
| panggilan alat | ||
| Output terstruktur | ||
| Pengaturan penalaran | ||
| Ditambahkan | 30 Okt 2025 | 16 Mar 2026 |
Perbedaan utama
- Perplexity: Embed V1 4B 80% lebih murah untuk token input.
- Perplexity: Embed V1 4B membaca konteks 3.9× lebih banyak (32.000 token).
Lebih mendalam
Mistral: Codestral Embed 2505 adalah model embeddings dari Mistral, dirilis pada 2025-10-30. Perplexity: Embed V1 4B adalah model embeddings dari Perplexity, dirilis pada 2026-03-16. Keduanya berada di kategori embeddings, jadi tidak ada yang menghasilkan chat completions atau teks bebas. Masing-masing menerima teks masuk dan mengembalikan embeddings keluar, yang menjadikannya blok bangunan untuk pencarian, retrieval, clustering, deduplikasi dan pipeline serupa alih-alih asisten yang Anda ajak bicara.
Perbedaan paling jelas di antara keduanya adalah panjang konteks. Codestral Embed 2505 menerima hingga 8192 token per input, sedangkan Embed V1 4B menerima hingga 32000 token. Itu sekitar empat kali lipat, dan ini penting ketika satu dokumen, file sumber atau transkrip cukup panjang sehingga Anda harus memecahnya. Pada modalitas keduanya identik: teks masuk, embeddings keluar, tidak ada yang lain. Keduanya tidak mencantumkan parameter yang didukung, jadi Anda tidak boleh mengharapkan knob yang dapat disetel seperti dimensi atau opsi pooling terekspos melalui API. Perbandingan kualitatif juga menandai Embed V1 4B sebagai sisi input yang lebih murah, sedangkan harga output tidak berbeda secara signifikan di antara keduanya.
Untuk pekerjaan sehari-hari, pilihan biasanya bermuara pada ukuran input dan biaya. Jika Anda melakukan embedding pada kueri pendek, nama fungsi, pesan commit, judul tiket atau potongan kode kecil, Codestral Embed 2505 adalah pilihan yang wajar dan jendela 8192 tokennya lebih dari cukup. Jika Anda melakukan embedding pada seluruh file, halaman dokumentasi panjang, thread dukungan atau konteks multi file dalam satu proses, Embed V1 4B adalah pilihan yang lebih baik karena jendela 32000 tokennya memungkinkan Anda menghindari chunking agresif, dan ini juga yang lebih murah di antara keduanya untuk input. Chunking tidak gratis: ini menambah kode prapemrosesan, dapat membelah unit yang koheren menjadi dua, dan melipatgandakan jumlah vektor yang Anda simpan dan cari. Jendela yang lebih besar dapat menghilangkan pekerjaan itu sepenuhnya untuk banyak korpus.
Memanggil salah satu model melalui api14 bekerja dengan cara yang sama karena gateway mengekspos API yang kompatibel dengan OpenAI. Anda mengarahkan klien yang ada ke base URL api14, mengirim teks Anda ke endpoint embeddings dengan kunci api14 Anda, dan mengatur field model ke id yang Anda inginkan. Beralih di antara keduanya adalah perubahan satu baris: gunakan "mistralai/codestral-embed-2505" untuk model Mistral atau "perplexity/pplx-embed-v1-4b" untuk model Perplexity. Bentuk permintaan dan respons tetap sama, sehingga Anda dapat mempertahankan satu jalur kode dan memilih model per beban kerja, atau menjalankan keduanya dan membandingkan kualitas retrieval pada data Anda sendiri.
Masih ada kasus di mana Codestral Embed 2505 adalah pilihan yang tepat. Jika input Anda secara konsisten pendek dan Anda ingin tetap dengan Mistral, atau jika Anda sudah menstandarkan pada model Mistral di tempat lain dalam stack Anda, ini mencakup area itu tanpa kerugian yang terkait dengan panjang konteks. Karena tidak ada model yang mengekspos parameter yang didukung dan keduanya hanya teks, keputusan praktisnya berkurang menjadi panjang input, biaya input dan preferensi penyedia, dan tabel harga langsung di halaman ini adalah tempat untuk memeriksa angka terkini sebelum Anda berkomitmen.
Berganti cukup dengan satu string
Kedua model menggunakan endpoint dan bentuk permintaan yang sama. Ubah nilai model dari "mistralai/codestral-embed-2505" ke "perplexity/pplx-embed-v1-4b", 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": "perplexity/pplx-embed-v1-4b",
"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