Mistral: Codestral Embed 2505 contra Perplexity: Embed V1 4B
Uma comparação lado a lado entre Mistral: Codestral Embed 2505 (US$ 0,52 / 1M fragmentos (≈ R$ 2,87)) e Perplexity: Embed V1 4B (US$ 0,11 / 1M fragmentos (≈ R$ 0,57)) 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 | Perplexity: Embed V1 4B | |
|---|---|---|
| Provedor | Mistral | Perplexity |
| Entrada | US$ 0,52 / 1M fragmentos (≈ R$ 2,87) | US$ 0,11 / 1M fragmentos (≈ R$ 0,57) |
| Janela de contexto | 8.192 | 32.000 |
| Saída máxima | 6.553 | 28.800 |
| Entrada | text | text |
| Saída | embeddings | embeddings |
| chamada de ferramentas | ||
| Saída estruturada | ||
| Controle de raciocínio | ||
| Adicionado em | 30 de out. de 2025 | 16 de mar. de 2026 |
Principais diferenças
- Perplexity: Embed V1 4B é 80% mais barato nos tokens de entrada.
- Perplexity: Embed V1 4B lê 3.9× mais contexto (32.000 tokens).
Em detalhe
Mistral: Codestral Embed 2505 é um modelo de embeddings da Mistral, lançado em 2025-10-30. Perplexity: Embed V1 4B é um modelo de embeddings da Perplexity, lançado em 2026-03-16. Ambos estão na categoria de embeddings, portanto nenhum dos dois gera conclusões de chat ou texto livre. Cada um recebe texto e devolve embeddings, o que os torna blocos de construção para pesquisa, recuperação, agrupamento, deduplicação e pipelines semelhantes, em vez de assistentes com quem se conversa.
A diferença mais clara entre eles é o comprimento do contexto. O Codestral Embed 2505 aceita até 8192 tokens por entrada, enquanto o Embed V1 4B aceita até 32000 tokens. É uma diferença de aproximadamente quatro vezes, e isso importa quando um único documento, ficheiro de origem ou transcrição é suficientemente longo para que, de outra forma, tivesse de ser dividido. Nas modalidades, os dois são idênticos: texto à entrada, embeddings à saída, nada mais. Nenhum deles lista quaisquer parâmetros suportados, por isso não deve esperar que opções configuráveis, como dimensões ou opções de pooling, estejam expostas através da API. A comparação qualitativa também assinala o Embed V1 4B como o lado de entrada mais barato, enquanto o preço de saída não é significativamente diferente entre eles.
Para o trabalho do dia a dia, a escolha geralmente resume-se ao tamanho da entrada e ao custo. Se estiver a criar embeddings de consultas curtas, nomes de funções, mensagens de commit, títulos de tickets ou pequenos blocos de código, o Codestral Embed 2505 é uma opção razoável e a sua janela de 8192 tokens é mais do que suficiente. Se estiver a criar embeddings de ficheiros completos, páginas de documentação longas, threads de suporte ou contexto de vários ficheiros numa só passagem, o Embed V1 4B é a melhor escolha, porque a sua janela de 32000 tokens permite evitar uma divisão agressiva, e também é o mais barato dos dois na entrada. A divisão em blocos não é gratuita: acrescenta código de pré-processamento, pode dividir uma unidade coerente ao meio e multiplica o número de vetores que armazena e pesquisa. Uma janela maior pode eliminar esse trabalho por completo em muitos corpora.
Chamar qualquer um dos modelos através da api14 funciona da mesma forma, porque o gateway expõe uma API compatível com a OpenAI. Aponta o seu cliente existente para o URL base da api14, envia o seu texto para o endpoint de embeddings com a sua chave api14 e define o campo model para o id pretendido. Alternar entre eles é uma alteração de uma linha: use "mistralai/codestral-embed-2505" para o modelo Mistral ou "perplexity/pplx-embed-v1-4b" para o modelo Perplexity. As formas do pedido e da resposta mantêm-se iguais, por isso pode manter um único caminho de código e escolher o modelo por carga de trabalho, ou executar ambos e comparar a qualidade da recuperação nos seus próprios dados.
Ainda há casos em que o Codestral Embed 2505 é a escolha certa. Se as suas entradas forem consistentemente curtas e quiser manter-se com a Mistral, ou se já estiver padronizado em modelos Mistral noutras partes da sua stack, ele cobre esse terreno sem qualquer desvantagem ligada ao comprimento do contexto. Como nenhum dos modelos expõe parâmetros suportados e ambos são apenas de texto, a decisão prática reduz-se ao comprimento da entrada, ao custo da entrada e à preferência de fornecedor, e a tabela de preços em direto nesta página é o local para verificar os números atuais antes de se comprometer.
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 "perplexity/pplx-embed-v1-4b", 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": "perplexity/pplx-embed-v1-4b",
"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