Mistral: Codestral Embed 2505 kontra OpenAI: Text Embedding 3 Small
Porównanie Mistral: Codestral Embed 2505 (0,52 USD / 1M tokenów (≈ 2,06 zł)) i OpenAI: Text Embedding 3 Small (0,07 USD / 1M tokenów (≈ 0,27 zł)) obok siebie na podstawie aktualnych cen w USD i możliwości z katalogu api14. Oba działają przez to samo API zgodne z OpenAI.
Specyfikacja
| Mistral: Codestral Embed 2505 | OpenAI: Text Embedding 3 Small | |
|---|---|---|
| Dostawca | Mistral | OpenAI |
| Wejście | 0,52 USD / 1M tokenów (≈ 2,06 zł) | 0,07 USD / 1M tokenów (≈ 0,27 zł) |
| Okno kontekstu | 8192 | 8192 |
| Maks. wyjście | 6553 | 7372 |
| Wejście | text | text |
| Wyjście | embeddings | embeddings |
| Wywołania narzędzi | ||
| Ustrukturyzowane wyjście | ||
| Sterowanie rozumowaniem | ||
| Dodano | 30 paź 2025 | 30 paź 2025 |
Najważniejsze różnice
- OpenAI: Text Embedding 3 Small jest o 87% tańszy na tokenach wejściowych.
Szczegółowo
Mistral: Codestral Embed 2505 to model embeddingów od Mistral, a OpenAI: Text Embedding 3 Small to model embeddingów od OpenAI. Oba należą do kategorii embeddingów, co oznacza, że przyjmują tekst i zwracają wektory, a nie generują odpowiedzi czatu. Żaden z nich nie jest modelem czatu ogólnego przeznaczenia, więc nie wywołałbyś żadnego z nich, aby napisać odpowiedź lub poprowadzić rozmowę. Wywołałbyś je, gdy potrzebujesz numerycznej reprezentacji tekstu do wyszukiwania, grupowania, deduplikacji lub klasyfikacji.
Oba modele są zbliżone pod względem specyfikacji, które mają tu największe znaczenie. Oba przyjmują tekst jako jedyny modalność wejściową i oba zwracają embeddingi jako jedyny modalność wyjściową, więc nie ma różnicy multimodalnej do rozważenia. Oba mają długość kontekstu 8192 tokenów, co oznacza, że ilość tekstu, którą można poddać embeddingowi w jednym wywołaniu, jest taka sama po obu stronach. Żaden nie udostępnia żadnych obsługiwanych parametrów, więc nie można ich dostroić za pomocą dodatkowych opcji w momencie żądania. Jedyna wymieniona różnica jakościowa dotyczy ceny wejściowej, gdzie model OpenAI jest tańszy z tych dwóch. Ceny wyjściowe nie różnią się między nimi w istotny sposób, więc różnica w kosztach, jeśli w ogóle istnieje, wynika ze strony wejściowej.
W przypadku większości zadań embeddingowych wybór sprowadza się do dopasowania, a nie do surowej wydajności, ponieważ zakres możliwości jest niemal identyczny. Jeśli tworzysz embeddingi kodu, identyfikatorów lub tekstu mieszającego język naturalny ze źródłem, Codestral Embed 2505 jest naturalnym kandydatem ze względu na swoje pochodzenie. Jeśli tworzysz embeddingi zwykłej prozy do wyszukiwania semantycznego, wyszukiwania w dokumentacji lub grupowania tekstu użytkownika, Text Embedding 3 Small jest rozsądnym domyślnym wyborem i jest tańszą opcją na wejściu, co ma znaczenie, gdy tworzysz embeddingi dużych korpusów, w których dominuje objętość wejściowa. Jeśli twój korpus jest duży i składa się głównie ze zwykłego tekstu, różnica w cenie wejściowej jest głównym praktycznym argumentem za modelem OpenAI. Jeśli twój korpus jest mocno oparty na kodzie, model Mistral jest tym, który warto wypróbować najpierw.
Wywołanie któregokolwiek z tych modeli przez api14 to ta sama operacja. API jest zgodne z OpenAI, więc kierujesz swojego istniejącego klienta na bazowy URL api14, wysyłasz tekst do punktu końcowego embeddingów i ustawiasz pole model na identyfikator, którego chcesz użyć. Aby użyć modelu Mistral, ustaw identyfikator modelu na mistralai/codestral-embed-2505. Aby użyć modelu OpenAI, ustaw go na openai/text-embedding-3-small. Nic innego w żądaniu się nie zmienia, a kształt odpowiedzi jest taki sam, więc możesz przełączać się między nimi, edytując ten jeden ciąg znaków. Dzięki temu tanie jest porównanie obu na własnych danych przed podjęciem decyzji.
Istnieje przypadek, w którym model Mistral jest nadal lepszym wyborem, mimo że kosztuje więcej na wejściu. Jeśli twój tekst to głównie kod lub treść zbliżona do kodu, i zależy ci na jakości wynikowych wektorów dla tego rodzaju treści, model Codestral jest tym zbudowanym dla takiego materiału, a różnica w cenie wejściowej może być warta zaakceptowania. Odwrotnie, jeśli twoje obciążenie to wysokiej objętości zwykły tekst, a koszt na token wejściowy jest czynnikiem decydującym, model OpenAI jest tym, po który warto sięgnąć. Ponieważ oba mają tę samą długość kontekstu oraz te same modalności wejściowe i wyjściowe, możesz zdecydować wyłącznie na podstawie typu treści i kosztu wejściowego.
Zmień jednym ciągiem znaków
Oba modele używają tego samego endpointu i tej samej struktury żądania. Zmień wartość model z "mistralai/codestral-embed-2505" na "openai/text-embedding-3-small", prompty, streaming i narzędzia działają dalej.
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));
Więcej porównań
- Amazon: Titan Multimodal Embeddings G1 kontra Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 kontra Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 kontra Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 kontra Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text kontra Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text kontra Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text kontra Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 kontra Cohere: Embed 5 Fast