Mistral: Codestral Embed 2505 kontra Qwen: Qwen3 Embedding 4B
Porównanie Mistral: Codestral Embed 2505 (0,52 USD / 1M tokenów (≈ 2,06 zł)) i Qwen: Qwen3 Embedding 4B (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 | Qwen: Qwen3 Embedding 4B | |
|---|---|---|
| Dostawca | Mistral | Qwen |
| Wejście | 0,52 USD / 1M tokenów (≈ 2,06 zł) | 0,07 USD / 1M tokenów (≈ 0,27 zł) |
| Okno kontekstu | 8192 | 32 768 |
| Maks. wyjście | 6553 | 29 491 |
| Wejście | text | text |
| Wyjście | embeddings | embeddings |
| Wywołania narzędzi | ||
| Ustrukturyzowane wyjście | ||
| Sterowanie rozumowaniem | ||
| Dodano | 30 paź 2025 | 28 paź 2025 |
Najważniejsze różnice
- Qwen: Qwen3 Embedding 4B jest o 87% tańszy na tokenach wejściowych.
- Qwen: Qwen3 Embedding 4B przyjmuje 4.0× więcej kontekstu (32 768 tokenów).
Szczegółowo
Mistral: Codestral Embed 2505 to model embeddingowy od Mistral, wydany 30 października 2025. Qwen: Qwen3 Embedding 4B to model embeddingowy od Qwen, wydany 28 października 2025. Oba należą do kategorii embeddings, więc żaden z nich nie generuje uzupełnień czatu; wysyłasz tekst i otrzymujesz wektory. Ten wspólny cel jest punktem wyjścia do porównania, ponieważ wybór między nimi sprowadza się do rozmiaru kontekstu i ceny, a nie do różnych rodzajów danych wyjściowych.
Najwyraźniejsza różnica to okno kontekstu. Codestral Embed 2505 przyjmuje do 8 192 tokenów danych wejściowych, podczas gdy Qwen3 Embedding 4B przyjmuje do 32 768 tokenów, czyli cztery razy więcej. Oba przyjmują tekst jako dane wejściowe i oba zwracają embeddingi jako dane wyjściowe, więc nie ma luki modalnościowej do rozważenia: żaden model nie obsługuje obrazów, dźwięku ani niczego innego niż tekst. Żaden nie wymienia żadnych obsługiwanych parametrów, więc nie należy oczekiwać możliwości dostrajania próbkowania ani podobnych opcji w którymkolwiek wywołaniu. Jeśli chodzi o cenę, Qwen3 Embedding 4B jest tańszy z dwóch dla danych wejściowych, a dane porównawcze nie rozróżniają ich pod względem kosztu danych wyjściowych.
W praktyce decyzja zwykle zależy od długości dokumentów, które chcesz poddać embeddingowi. Jeśli tworzysz embeddingi krótkich fragmentów, pojedynczych funkcji, docstringów lub małych fragmentów kodu źródłowego, Codestral Embed 2505 mieści się wygodnie w swoim limicie 8 192 tokenów, a jego ukierunkowanie na kod czyni go rozsądnym domyślnym wyborem do wyszukiwania w repozytoriach i wyszukiwania kodu. Jeśli twoje dane wejściowe to długie pliki, całe moduły, obszerne strony dokumentacji lub duże fragmenty, których wolałbyś nie dzielić, Qwen3 Embedding 4B jest lepszym dopasowaniem, ponieważ jego okno 32 768 tokenów pozwala zachować więcej dokumentu w jednym żądaniu, a jest to również tańsza opcja dla danych wejściowych, co ma znaczenie przy tworzeniu embeddingów dla dużego korpusu.
Wywoływanie któregokolwiek modelu przez api14 działa tak samo, ponieważ API jest zgodne z OpenAI. Kierujesz swojego istniejącego klienta na bazowy URL api14, wysyłasz tekst do endpointu embeddings i zmieniasz tylko identyfikator modelu: "mistralai/codestral-embed-2505" dla modelu Mistral lub "qwen/qwen3-embedding-4b" dla modelu Qwen. Kształt żądania, uwierzytelnianie i parsowanie odpowiedzi pozostają identyczne, więc możesz przełączać się między nimi lub uruchamiać oba równolegle bez przepisywania kodu integracji. Tabela bieżących cen na stronie pokazuje aktualne stawki dla każdego z nich.
Wciąż istnieją przypadki, w których Codestral Embed 2505 jest lepszym wyborem mimo mniejszego okna. Jeśli twój potok już dzieli tekst na krótkie segmenty, różnica w kontekście przestaje mieć znaczenie, a model embeddingowy skupiony na kodzie jest rozsądnym wyborem do indeksowania kodu źródłowego i dopasowywania do niego zapytań. W takiej sytuacji limit 8 192 tokenów nie jest ograniczeniem i możesz wybierać na podstawie tego, jak dobrze każdy model reprezentuje twoją konkretną treść, a nie wyłącznie na podstawie rozmiaru okna.
Zmień jednym ciągiem znaków
Oba modele używają tego samego endpointu i tej samej struktury żądania. Zmień wartość model z "mistralai/codestral-embed-2505" na "qwen/qwen3-embedding-4b", 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": "qwen/qwen3-embedding-4b",
"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