Mistral: Codestral Embed 2505 är en embeddingsmodell från Mistral, och OpenAI: Text Embedding 3 Small är en embeddingsmodell från OpenAI. Båda tillhör kategorin embeddings, vilket innebär att de tar in text och returnerar vektorer istället för att generera chattssvar. Ingen av dem är en allmän chattmodell, så du skulle inte anropa någon av dem för att skriva ett svar eller föra en konversation. Du anropar dem när du behöver en numerisk representation av text för sökning, klustring, deduplicering eller klassificering.
De två modellerna ligger nära varandra i de specifikationer som spelar störst roll här. Båda accepterar text som sin enda indatamodalitet och båda returnerar embeddings som sin enda utdatamodalitet, så det finns ingen multimodal skillnad att väga in. Båda har en kontextlängd på 8192 tokens, vilket innebär att mängden text du kan bädda in i ett enda anrop är densamma på båda sidor. Ingen av dem exponerar några stödda parametrar, så du kan inte finjustera dem med extra alternativ vid förfrågan. Den enda kvalitativa skillnaden som listas är på indatapris, där OpenAI-modellen är den billigare av de två. Utdatapriset skiljer sig inte meningsfullt mellan dem, så kostnadsgapet, om det nu finns något, kommer från indatasidan.
För de flesta embeddinguppgifter handlar valet om passform snarare än rå kapacitet, eftersom kapacitetsramen är nästan identisk. Om du bäddar in kod, identifierare eller text som blandar naturligt språk med källkod är Codestral Embed 2505 den naturliga kandidaten med tanke på dess härkomst. Om du bäddar in vanlig prosa för semantisk sökning, hämtning över dokumentation eller klustring av användartext är Text Embedding 3 Small ett rimligt standardval, och det är det billigare alternativet på indata, vilket spelar roll när du bäddar in stora korpusar där indatavolymen dominerar. Om din korpus är stor och mestadels vanlig text är skillnaden i indatapris det främsta praktiska argumentet för OpenAI-modellen. Om din korpus är kodtung är Mistral-modellen den du bör prova först.
Att anropa någon av modellerna via api14 är samma operation. API:et är OpenAI-kompatibelt, så du pekar din befintliga klient mot api14:s bas-URL, skickar din text till embeddings-endpointen och ställer in modellfältet till det id du vill använda. För att använda Mistral-modellen ställer du in modell-id:t till mistralai/codestral-embed-2505. För att använda OpenAI-modellen ställer du in det till openai/text-embedding-3-small. Inget annat i förfrågan ändras, och svarformen är densamma, så du kan växla mellan dem genom att redigera den enda strängen. Det gör det billigt att benchmarka båda mot dina egna data innan du bestämmer dig.
Det finns ett fall där Mistral-modellen fortfarande är det bättre valet även om den kostar mer på indata. Om din text till övervägande del är kod eller kodnära, och du bryr dig om kvaliteten på de resulterande vektorerna för den typen av innehåll, är Codestral-modellen den som är byggd för sådant material, och skillnaden i indatapris kan vara värd att absorbera. Omvänt, om din arbetsbelastning är högvolym vanlig text och kostnaden per indatatoken är den avgörande faktorn, är OpenAI-modellen den du bör välja. Eftersom båda delar samma kontextlängd och samma indata- och utdatamodaliteter kan du besluta utifrån innehållstyp och indatakostnad enbart.