Mistral: Codestral Embed 2505

Mistral Codestral Embed 2505 is een embeddingsmodel van Mistral, uitgebracht op 30 oktober 2025 en gepubliceerd op api14 onder het model-id mistralai/codestral-embed-2505. Het valt in de categorie embeddings en niet in de categorie chat, wat betekent dat het niet is gebouwd om een gesprek te voeren of geschreven antwoorden te genereren. In plaats daarvan zet het invoer om in vectoren die betekenis vertegenwoordigen, en Mistral beschrijft het als speciaal ontworpen voor code.

Het model accepteert tekst als enige invoer en retourneert embeddings als enige uitvoer, met een contextvenster van 8192 tokens. Dat is genoeg ruimte om een substantiële functie, een klasse of een documentatiesectie in één keer te embedden. Het declareert geen ondersteunde sampling-parameters, wat typisch is voor embedding-endpoints waar temperatuur en vergelijkbare instellingen niet van toepassing zijn; je stuurt je invoer en leest de resulterende vector. Het veld max output staat vermeld als 6553.

Omdat het is afgestemd op code, zijn de meest directe use cases de gevallen die Mistral noemt: het embedden van codedatabases en repositories, en het aandrijven van coding assistants die sterke retrieval nodig hebben. In de praktijk dekt dat semantisch zoeken door een monorepo, deduplicatie van bijna identieke snippets, het clusteren van bestanden op similariteit, en het bouwen van de retrieval-laag die relevante code naar een coding assistant stuurt. Algemene tekst-embedding is mogelijk omdat de invoer platte tekst is, maar de aangegeven focus van het model is broncode en de retrieval-workloads daaromheen.

Het aanroepen via api14 werkt hetzelfde als bij elk ander model op het platform, omdat api14 een OpenAI-compatibele API beschikbaar stelt. Je richt je bestaande OpenAI-client op de api14 base URL, geeft je api14-sleutel op, en geeft mistralai/codestral-embed-2505 door als het model-id op het embeddings-endpoint. Er worden geen extra parameters als ondersteund vermeld voor dit model, dus een eenvoudig verzoek met het model-id en je invoertekst is alles wat je nodig hebt. Als je al embedding-code hebt geschreven tegen de OpenAI SDK, bestaat de wijziging in essentie uit de base URL, de sleutel en de model-string.

Het belangrijkste om af te wegen is de taakverdeling. Dit model produceert vectoren, geen proza, dus een taak die gegenereerde uitleg, code-aanvulling of agent-gedrag nodig heeft, vereist een chatmodel ernaast, waarbij Codestral Embed de retrieval-stap afhandelt. Waar je workload puur semantische matching over code of tekst is en binnen de context van 8192 tokens past, is dit model de juiste keuze.