Mistral: Codestral Embed 2505 mot Perplexity: Embed V1 4B
En jämförelse sida vid sida av Mistral: Codestral Embed 2505 (0,52 US$ / 1M textdelar (≈ 5,14 kr)) och Perplexity: Embed V1 4B (0,11 US$ / 1M textdelar (≈ 1,03 kr)) med aktuella USD-priser och funktioner från api14-katalogen. Båda körs via samma OpenAI-kompatibla API.
Specifikationer
| Mistral: Codestral Embed 2505 | Perplexity: Embed V1 4B | |
|---|---|---|
| Leverantör | Mistral | Perplexity |
| Indata | 0,52 US$ / 1M textdelar (≈ 5,14 kr) | 0,11 US$ / 1M textdelar (≈ 1,03 kr) |
| Kontextfönster | 8 192 | 32 000 |
| Max utdata | 6 553 | 28 800 |
| Indata | text | text |
| Utdata | embeddings | embeddings |
| Verktygsanrop | ||
| Strukturerad utdata | ||
| Styrning av resonemang | ||
| Tillagd | 30 okt. 2025 | 16 mars 2026 |
Viktiga skillnader
- Perplexity: Embed V1 4B är 80% billigare på indata-tokens.
- Perplexity: Embed V1 4B läser 3.9× mer kontext (32 000 tokens).
Mer i detalj
Mistral: Codestral Embed 2505 är en embeddingsmodell från Mistral, släppt 2025-10-30. Perplexity: Embed V1 4B är en embeddingsmodell från Perplexity, släppt 2026-03-16. Båda tillhör kategorin embeddings, så ingen av dem genererar chattkompletteringar eller fritext. Var och en tar emot text och returnerar embeddings, vilket gör dem till byggstenar för sökning, hämtning, klustring, deduplicering och liknande pipelines snarare än assistenter du pratar med.
Den tydligaste skillnaden mellan dem är kontextlängden. Codestral Embed 2505 accepterar upp till 8192 tokens per indata, medan Embed V1 4B accepterar upp till 32000 tokens. Det är ungefär en fyrdubbel skillnad, och den spelar roll när ett enskilt dokument, en källfil eller en transkription är tillräckligt lång för att du annars skulle behöva dela upp den. När det gäller modaliteter är de två identiska: text in, embeddings ut, inget annat. Ingen av dem listar några parametrar som stöds, så du bör inte förvänta dig att justerbara reglage som dimensioner eller pooling-alternativ exponeras via API:et. Den kvalitativa jämförelsen markerar också Embed V1 4B som den billigare indatasidan, medan utdatapriset inte skiljer sig nämnvärt mellan dem.
För det dagliga arbetet handlar valet vanligtvis om indatastorlek och kostnad. Om du embeddar korta frågor, funktionsnamn, commit-meddelanden, ärendetitlar eller små kodstycken är Codestral Embed 2505 en rimlig matchning och dess fönster på 8192 tokens är mer än tillräckligt. Om du embeddar hela filer, långa dokumentationssidor, supporttrådar eller kontext från flera filer i en enda omgång är Embed V1 4B det bättre valet eftersom dess fönster på 32000 tokens låter dig undvika aggressiv chunkning, och det är också det billigare av de två på indata. Chunkning är inte gratis: det lägger till förbearbetningskod, det kan dela en sammanhängande enhet i två, och det mångfaldigar antalet vektorer du lagrar och söker i. Ett större fönster kan eliminera det arbetet helt för många korpusar.
Att anropa endera modellen via api14 fungerar på samma sätt eftersom gatewayen exponerar ett OpenAI-kompatibelt API. Du pekar din befintliga klient mot api14:s bas-URL, skickar din text till embeddings-endpointen med din api14-nyckel och ställer in modellfältet till det id du vill ha. Att växla mellan dem är en ändring på en rad: använd "mistralai/codestral-embed-2505" för Mistral-modellen eller "perplexity/pplx-embed-v1-4b" för Perplexity-modellen. Formen på förfrågan och svaret förblir densamma, så du kan behålla en kodväg och välja modell per arbetsbelastning, eller köra båda och jämföra hämtningskvalitet på dina egna data.
Det finns fortfarande fall där Codestral Embed 2505 är rätt val. Om dina indata konsekvent är korta och du vill hålla dig till Mistral, eller om du redan har standardiserat på Mistral-modeller någon annanstans i din stack, täcker den den marken utan någon nackdel kopplad till kontextlängd. Eftersom ingen av modellerna exponerar parametrar som stöds och båda är enbart text, reduceras det praktiska beslutet till indatalängd, indatakostnad och leverantörspreferens, och den aktuella pristabellen på den här sidan är platsen att kontrollera de aktuella siffrorna innan du bestämmer dig.
Byt med en sträng
Båda modellerna använder samma endpoint och anropsformat. Ändra model-värdet från "mistralai/codestral-embed-2505" till "perplexity/pplx-embed-v1-4b", promptar, streaming och verktyg fortsätter att fungera.
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));
Fler jämförelser
- Amazon: Titan Multimodal Embeddings G1 mot Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 mot Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 mot Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 mot Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text mot Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text mot Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text mot Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 mot Cohere: Embed 5 Fast