Mistral: Codestral Embed 2505 contra OpenAI: Text Embedding 3 Small
Uma comparação lado a lado entre Mistral: Codestral Embed 2505 (US$ 0,52 / 1M fragmentos (≈ R$ 2,87)) e OpenAI: Text Embedding 3 Small (US$ 0,07 / 1M fragmentos (≈ R$ 0,38)) com preços em USD e recursos atuais do catálogo do api14. Os dois funcionam pela mesma API compatível com OpenAI.
Especificações
| Mistral: Codestral Embed 2505 | OpenAI: Text Embedding 3 Small | |
|---|---|---|
| Provedor | Mistral | OpenAI |
| Entrada | US$ 0,52 / 1M fragmentos (≈ R$ 2,87) | US$ 0,07 / 1M fragmentos (≈ R$ 0,38) |
| Janela de contexto | 8.192 | 8.192 |
| Saída máxima | 6.553 | 7.372 |
| Entrada | text | text |
| Saída | embeddings | embeddings |
| chamada de ferramentas | ||
| Saída estruturada | ||
| Controle de raciocínio | ||
| Adicionado em | 30 de out. de 2025 | 30 de out. de 2025 |
Principais diferenças
- OpenAI: Text Embedding 3 Small é 87% mais barato nos tokens de entrada.
Em detalhe
Mistral: Codestral Embed 2505 é um modelo de embeddings da Mistral, e OpenAI: Text Embedding 3 Small é um modelo de embeddings da OpenAI. Ambos estão na categoria de embeddings, o que significa que recebem texto e devolvem vetores em vez de gerar respostas de chat. Nenhum deles é um modelo de chat de uso geral, por isso não chamaria nenhum dos dois para redigir uma resposta ou manter uma conversa. Chamaria-os quando precisar de uma representação numérica de texto para pesquisa, agrupamento, deduplicação ou classificação.
Os dois modelos são próximos nas especificações que mais importam aqui. Ambos aceitam texto como a sua única modalidade de entrada e ambos devolvem embeddings como a sua única modalidade de saída, pelo que não há diferença multimodal a ponderar. Ambos têm um comprimento de contexto de 8192 tokens, o que significa que a quantidade de texto que pode incorporar numa única chamada é a mesma de qualquer dos lados. Nenhum expõe parâmetros suportados, pelo que não os pode ajustar com opções extra no momento do pedido. A única diferença qualitativa listada está no preço de entrada, onde o modelo da OpenAI é o mais barato dos dois. O preço de saída não é significativamente diferente entre eles, pelo que a diferença de custo, tal como é, vem do lado da entrada.
Para a maioria das tarefas de embeddings a escolha resume-se ao encaixe e não à capacidade bruta, porque o envelope de capacidade é quase idêntico. Se estiver a incorporar código, identificadores ou texto que mistura linguagem natural com código-fonte, o Codestral Embed 2505 é o candidato natural dada a sua linhagem. Se estiver a incorporar prosa comum para pesquisa semântica, recuperação sobre documentação ou agrupamento de texto de utilizadores, o Text Embedding 3 Small é uma opção predefinida razoável, e é a opção mais barata na entrada, o que importa quando está a incorporar grandes corpora onde o volume de entrada domina. Se o seu corpus for grande e maioritariamente texto simples, a diferença de preço de entrada é o principal argumento prático a favor do modelo da OpenAI. Se o seu corpus for fortemente baseado em código, o modelo da Mistral é o primeiro a experimentar.
Chamar qualquer dos modelos através da api14 é a mesma operação. A API é compatível com OpenAI, pelo que aponta o seu cliente existente para o URL base da api14, envia o seu texto para o endpoint de embeddings e define o campo model para o id que pretende. Para usar o modelo da Mistral, defina o id do modelo como mistralai/codestral-embed-2505. Para usar o modelo da OpenAI, defina-o como openai/text-embedding-3-small. Nada mais no pedido muda, e a forma da resposta é a mesma, pelo que pode alternar entre eles editando essa única string. Isso torna barato testar ambos com os seus próprios dados antes de se comprometer.
Há um caso em que o modelo da Mistral continua a ser a melhor escolha apesar de custar mais na entrada. Se o seu texto for predominantemente código ou próximo de código, e lhe importar a qualidade dos vetores resultantes para esse tipo de conteúdo, o modelo Codestral é o construído para esse material, e a diferença de preço de entrada pode valer a pena absorver. Inversamente, se a sua carga de trabalho for texto simples de alto volume e o custo por token de entrada for o fator decisivo, o modelo da OpenAI é o que deve escolher. Como ambos partilham o mesmo comprimento de contexto e as mesmas modalidades de entrada e saída, pode decidir apenas com base no tipo de conteúdo e no custo de entrada.
Troque com uma string
Os dois modelos usam o mesmo endpoint e o mesmo formato de requisição. Mude o valor de model de "mistralai/codestral-embed-2505" para "openai/text-embedding-3-small", prompts, streaming e ferramentas continuam funcionando.
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));
Mais comparações
- Amazon: Titan Multimodal Embeddings G1 contra Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 contra Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 contra Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 contra Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text contra Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text contra Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text contra Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 contra Cohere: Embed 5 Fast