Vi använder cookies. Cookies och webbläsarlagring håller dig inloggad och kommer ihåg dina preferenser. Med ditt tillstånd mäter vi också hur webbplatsen används. Du kan när som helst. Läs vår cookiepolicy.

Ny här? Se hur det fungerar En rundtur på 1 minut genom testmiljö, modeller och din API-nyckel.

Codestral Embed 2505 vs Qwen3 Embedding 4B: API-pris, kontext och funktioner · api14

Mistral: Codestral Embed 2505 mot Qwen: Qwen3 Embedding 4B

En jämförelse sida vid sida av Mistral: Codestral Embed 2505 (0,52 US$ / 1M textdelar (≈ 5,14 kr)) och Qwen: Qwen3 Embedding 4B (0,07 US$ / 1M textdelar (≈ 0,69 kr)) med aktuella USD-priser och funktioner från api14-katalogen. Båda körs via samma OpenAI-kompatibla API.

Specifikationer

	Mistral: Codestral Embed 2505	Qwen: Qwen3 Embedding 4B
Leverantör	Mistral	Qwen
Indata	0,52 US$ / 1M textdelar (≈ 5,14 kr)	0,07 US$ / 1M textdelar (≈ 0,69 kr)
Kontextfönster	8 192	32 768
Max utdata	6 553	29 491
Indata	text	text
Utdata	embeddings	embeddings
Verktygsanrop
Strukturerad utdata
Styrning av resonemang
Tillagd	30 okt. 2025	28 okt. 2025

Viktiga skillnader

Qwen: Qwen3 Embedding 4B är 87% billigare på indata-tokens.
Qwen: Qwen3 Embedding 4B läser 4.0× mer kontext (32 768 tokens).

Mer i detalj

Mistral: Codestral Embed 2505 är en embeddingsmodell från Mistral, släppt den 30 oktober 2025. Qwen: Qwen3 Embedding 4B är en embeddingsmodell från Qwen, släppt den 28 oktober 2025. Båda tillhör kategorin embeddings, så ingen av dem genererar chattkompletteringar; du skickar in text och får vektorer tillbaka. Det delade syftet är utgångspunkten för jämförelsen, eftersom valet mellan dem handlar om kontextstorlek och pris snarare än om olika typer av utdata.

Den tydligaste skillnaden är kontextfönstret. Codestral Embed 2505 tar emot upp till 8 192 tokens som indata, medan Qwen3 Embedding 4B tar emot upp till 32 768 tokens, fyra gånger så mycket. Båda tar text som indata och båda returnerar embeddings som utdata, så det finns ingen modalitetsklyfta att väga in: ingen av modellerna hanterar bilder, ljud eller något annat än text. Ingen av dem listar några parametrar som stöds, så du bör inte förvänta dig att kunna justera sampling eller liknande alternativ i något av anropen. Priset: Qwen3 Embedding 4B är den billigare av de två för indata, och jämförelsedata skiljer dem inte åt när det gäller utdatakostnad.

I praktiskt arbete följer beslutet vanligtvis längden på de dokument du behöver bädda in. Om du bäddar in korta stycken, enskilda funktioner, docstrings eller små delar av källkod passar Codestral Embed 2505 bekvämt inom sin gräns på 8 192 tokens, och dess kodorienterade bakgrund gör den till ett rimligt standardval för sökning i kodförråd och kodhämtning. Om dina indata är långa filer, hela moduler, långa dokumentationssidor eller stora delar som du helst inte vill dela upp är Qwen3 Embedding 4B ett bättre val, eftersom dess fönster på 32 768 tokens låter dig behålla mer av ett dokument intakt i en enda begäran, och den är dessutom det billigare alternativet för indata, vilket spelar roll när du bäddar in en stor korpus.

Att anropa någon av modellerna via api14 fungerar på samma sätt, eftersom API:et är OpenAI-kompatibelt. Du pekar din befintliga klient mot api14:s bas-URL, skickar din text till embeddings-endpointen och ändrar bara modell-id: "mistralai/codestral-embed-2505" för Mistral-modellen eller "qwen/qwen3-embedding-4b" för Qwen-modellen. Din begärans struktur, autentisering och parsning av svar förblir identiska, så du kan växla mellan dem eller köra båda sida vid sida utan att skriva om integrationskoden. Den aktuella pristabellen på sidan visar gällande priser för var och en.

Det finns fortfarande fall där Codestral Embed 2505 är det bättre valet trots det mindre fönstret. Om din pipeline redan delar upp text i korta segment slutar kontextskillnaden att spela roll, och en kodfokuserad embeddingmodell är ett klokt val för att indexera källkod och matcha frågor mot den. I den situationen är gränsen på 8 192 tokens inte en begränsning, och du kan välja utifrån hur väl varje modell representerar ditt specifika innehåll snarare än enbart utifrån fönsterstorlek.

Byt med en sträng

Båda modellerna använder samma endpoint och anropsformat. Ändra model-värdet från "mistralai/codestral-embed-2505" till "qwen/qwen3-embedding-4b", promptar, streaming och verktyg fortsätter att fungera.

Mistral: Codestral Embed 2505: detaljer och testmiljö →Qwen: Qwen3 Embedding 4B: detaljer och testmiljö →

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));

Mistral: Codestral Embed 2505 mot Qwen: Qwen3 Embedding 4B

Specifikationer

Viktiga skillnader

Mer i detalj

Byt med en sträng

Fler jämförelser