Mistral: Codestral Embed 2505 대 Perplexity: Embed V1 4B
api14 카탈로그의 최신 USD 가격과 기능을 바탕으로 Mistral: Codestral Embed 2505(US$0.52 / 100만 토큰 (≈ ₩708))와(과) Perplexity: Embed V1 4B(US$0.11 / 100만 토큰 (≈ ₩142))를 나란히 비교합니다. 두 모델 모두 같은 OpenAI 호환 API로 실행됩니다.
사양
| Mistral: Codestral Embed 2505 | Perplexity: Embed V1 4B | |
|---|---|---|
| 제공업체 | Mistral | Perplexity |
| 입력 | US$0.52 / 100만 토큰 (≈ ₩708) | US$0.11 / 100만 토큰 (≈ ₩142) |
| 컨텍스트 윈도우 | 8,192 | 32,000 |
| 최대 출력 | 6,553 | 28,800 |
| 입력 | text | text |
| 출력 | embeddings | embeddings |
| 도구 호출 | ||
| 구조화된 출력 | ||
| 추론 조절 | ||
| 추가일 | 2025. 10. 30. | 2026. 3. 16. |
주요 차이점
- Perplexity: Embed V1 4B의 입력 토큰 가격이 80% 더 저렴합니다.
- Perplexity: Embed V1 4B는(은) 3.9배 더 긴 컨텍스트(32,000 토큰)를 읽습니다.
자세히 보기
Mistral: Codestral Embed 2505는 Mistral의 임베딩 모델로, 2025-10-30에 출시되었습니다. Perplexity: Embed V1 4B는 Perplexity의 임베딩 모델로, 2026-03-16에 출시되었습니다. 둘 다 임베딩 카테고리에 속하므로, 어느 쪽도 채팅 완성이나 자유 텍스트를 생성하지 않습니다. 각각 텍스트를 입력받아 임베딩을 출력하므로, 대화하는 어시스턴트라기보다 검색, 리트리벌, 클러스터링, 중복 제거 및 이와 유사한 파이프라인의 구성 요소입니다.
둘 사이에서 가장 명확한 차이는 컨텍스트 길이입니다. Codestral Embed 2505는 입력당 최대 8192 토큰을 허용하는 반면, Embed V1 4B는 최대 32000 토큰을 허용합니다. 이는 약 네 배 차이이며, 단일 문서, 소스 파일 또는 트랜스크립트가 길어서 그렇지 않으면 분할해야 하는 경우에 중요합니다. 모달리티 측면에서 둘은 동일합니다. 텍스트 입력, 임베딩 출력, 그 외에는 없습니다. 둘 다 지원되는 파라미터를 나열하지 않으므로, 차원이나 풀링 옵션 같은 조정 가능한 노브가 API를 통해 노출된다고 기대해서는 안 됩니다. 정성적 비교에서는 또한 Embed V1 4B를 더 저렴한 입력 측으로 표시하지만, 출력 가격은 둘 사이에 의미 있게 다르지 않습니다.
일상적인 작업에서 선택은 보통 입력 크기와 비용으로 귀결됩니다. 짧은 쿼리, 함수 이름, 커밋 메시지, 티켓 제목 또는 작은 코드 청크를 임베딩한다면 Codestral Embed 2505가 합리적인 선택이며 8192 토큰 창은 충분하고도 남습니다. 전체 파일, 긴 문서 페이지, 지원 스레드 또는 여러 파일 컨텍스트를 한 번에 임베딩한다면 Embed V1 4B가 더 나은 선택입니다. 32000 토큰 창 덕분에 공격적인 청킹을 피할 수 있고, 입력 측에서 둘 중 더 저렴하기도 합니다. 청킹은 공짜가 아닙니다. 전처리 코드를 추가하고, 일관된 단위를 반으로 쪼갤 수 있으며, 저장하고 검색할 벡터 수를 배로 늘립니다. 더 큰 창은 많은 코퍼스에서 그 작업을 완전히 제거할 수 있습니다.
api14를 통해 어느 모델을 호출하든 방식은 동일합니다. 게이트웨이가 OpenAI 호환 API를 노출하기 때문입니다. 기존 클라이언트를 api14 기본 URL로 지정하고, api14 키와 함께 텍스트를 임베딩 엔드포인트로 보내고, model 필드를 원하는 id로 설정하면 됩니다. 둘 사이를 전환하는 것은 한 줄 변경입니다. Mistral 모델에는 "mistralai/codestral-embed-2505"를, Perplexity 모델에는 "perplexity/pplx-embed-v1-4b"를 사용하세요. 요청 및 응답 형태는 동일하게 유지되므로, 하나의 코드 경로를 유지하고 워크로드별로 모델을 선택하거나, 둘 다 실행하고 자체 데이터에서 검색 품질을 비교할 수 있습니다.
여전히 Codestral Embed 2505가 올바른 선택인 경우도 있습니다. 입력이 일관되게 짧고 Mistral을 유지하고 싶거나, 스택의 다른 곳에서 이미 Mistral 모델로 표준화되어 있다면, 컨텍스트 길이와 관련된 어떤 단점도 없이 그 영역을 커버합니다. 두 모델 모두 지원되는 파라미터를 노출하지 않고 둘 다 텍스트 전용이므로, 실질적인 결정은 입력 길이, 입력 비용 및 제공자 선호로 축소되며, 이 페이지의 실시간 가격 표는 확정하기 전에 현재 수치를 확인할 수 있는 곳입니다.
문자열 하나로 전환
두 모델은 같은 엔드포인트와 요청 형식을 사용합니다. model 값을 "mistralai/codestral-embed-2505"에서 "perplexity/pplx-embed-v1-4b"로 바꾸기만 하면 프롬프트, 스트리밍, 도구가 그대로 작동합니다.
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));
더 많은 비교
- Amazon: Titan Multimodal Embeddings G1 대 Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 대 Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 대 Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 대 Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text 대 Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text 대 Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text 대 Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 대 Cohere: Embed 5 Fast