Mistral: Codestral Embed 2505 lawan Qwen: Qwen3 Embedding 4B
Perbandingan berdampingan Mistral: Codestral Embed 2505 (US$0,52 / 1 jt token (≈ Rp 9.492)) dan Qwen: Qwen3 Embedding 4B (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 | Qwen: Qwen3 Embedding 4B | |
|---|---|---|
| Penyedia | Mistral | Qwen |
| Masukan | US$0,52 / 1 jt token (≈ Rp 9.492) | US$0,07 / 1 jt token (≈ Rp 1.266) |
| Jendela konteks | 8.192 | 32.768 |
| Output maks. | 6.553 | 29.491 |
| Masukan | text | text |
| Keluaran | embeddings | embeddings |
| panggilan alat | ||
| Output terstruktur | ||
| Pengaturan penalaran | ||
| Ditambahkan | 30 Okt 2025 | 28 Okt 2025 |
Perbedaan utama
- Qwen: Qwen3 Embedding 4B 87% lebih murah untuk token input.
- Qwen: Qwen3 Embedding 4B membaca konteks 4.0× lebih banyak (32.768 token).
Lebih mendalam
Mistral: Codestral Embed 2505 adalah model embeddings dari Mistral, dirilis pada 30 Oktober 2025. Qwen: Qwen3 Embedding 4B adalah model embeddings dari Qwen, dirilis pada 28 Oktober 2025. Keduanya berada dalam kategori embeddings, jadi tidak ada yang menghasilkan chat completions; Anda mengirim teks dan menerima vektor kembali. Tujuan bersama itulah titik awal perbandingan, karena pilihan di antara keduanya bermuara pada ukuran context dan harga, bukan pada jenis output yang berbeda.
Perbedaan paling jelas adalah context window. Codestral Embed 2505 menerima hingga 8.192 token input, sedangkan Qwen3 Embedding 4B menerima hingga 32.768 token, empat kali lebih banyak. Keduanya menerima teks sebagai input dan keduanya mengembalikan embeddings sebagai output, jadi tidak ada celah modalitas yang perlu ditimbang: tidak ada model yang menangani gambar, audio, atau apa pun selain teks. Keduanya tidak mencantumkan parameter yang didukung, jadi Anda sebaiknya tidak mengharapkan penyetelan sampling atau opsi serupa pada panggilan mana pun. Dari sisi harga, Qwen3 Embedding 4B lebih murah di antara keduanya untuk input, dan data perbandingan tidak membedakan keduanya pada biaya output.
Untuk pekerjaan praktis, keputusan biasanya mengikuti panjang dokumen yang perlu Anda embed. Jika Anda meng-embed bagian pendek, fungsi individual, docstring, atau potongan kecil kode sumber, Codestral Embed 2505 muat dengan nyaman dalam batas 8.192 tokennya dan latar belakangnya yang berorientasi kode menjadikannya pilihan default yang wajar untuk pencarian repositori dan pengambilan kode. Jika input Anda berupa file panjang, modul utuh, halaman dokumentasi yang panjang, atau potongan besar yang lebih baik tidak Anda pecah, Qwen3 Embedding 4B lebih cocok karena jendela 32.768 tokennya memungkinkan Anda menjaga lebih banyak dokumen tetap utuh dalam satu permintaan, dan model ini juga merupakan opsi yang lebih murah untuk input, yang penting saat Anda meng-embed korpus besar.
Memanggil salah satu model melalui api14 bekerja dengan cara yang sama, karena API-nya kompatibel dengan OpenAI. Anda mengarahkan klien yang sudah ada ke base URL api14, mengirim teks Anda ke endpoint embeddings, dan hanya mengubah model id: "mistralai/codestral-embed-2505" untuk model Mistral atau "qwen/qwen3-embedding-4b" untuk model Qwen. Bentuk permintaan, autentikasi, dan penguraian respons Anda tetap identik, sehingga Anda dapat beralih di antara keduanya atau menjalankan keduanya secara berdampingan tanpa menulis ulang kode integrasi. Tabel harga langsung di halaman menampilkan tarif terkini untuk masing-masing.
Masih ada kasus di mana Codestral Embed 2505 menjadi pilihan yang lebih baik meskipun jendelanya lebih kecil. Jika pipeline Anda sudah memecah teks menjadi segmen pendek, perbedaan context tidak lagi penting, dan model embeddings yang berfokus pada kode adalah pilihan yang masuk akal untuk mengindeks kode sumber dan mencocokkan kueri terhadapnya. Dalam situasi itu, batas 8.192 token bukanlah kendala, dan Anda dapat memilih berdasarkan seberapa baik setiap model merepresentasikan konten spesifik Anda, bukan hanya berdasarkan ukuran jendela.
Berganti cukup dengan satu string
Kedua model menggunakan endpoint dan bentuk permintaan yang sama. Ubah nilai model dari "mistralai/codestral-embed-2505" ke "qwen/qwen3-embedding-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": "qwen/qwen3-embedding-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