Премини към основното съдържание
Български— Изберете език
Меню

Моделът codestral-embed

Урок 5 от 18 Обновен 2 ноември 2026 г. Програмист
На тази страница
  1. Специализирани вграждания за код
  2. Технически спецификации
  3. Основна употреба
  4. Параметърът output_dimension
  5. Параметърът output_dtype
  6. Комбиниране на Dimension и Dtype
  7. Поддържани езици
  8. Ключови изводи

Специализирани вграждания за код

Докато mistral-embed е проектиран за естествен език, codestral-embed е модел за вграждания, оптимизиран специално за езици за програмиране. Той разбира синтаксиса, семантиката и логиката на кода, което го прави значително по-ефективен от универсален текстов модел за всяка задача, свързана със сорс код.

Можете да видите разликата в един прост случай. Две функции, които правят едно и също нещо – едната написана с цикъл for, а другата използваща списъчно разбиране (list comprehension) – споделят почти никакви токени. Текстовият модел ги вижда като два отделни блока от пунктуация; моделът, обучен върху код, ги обединява, защото е научил, че тези две форми изразяват едно и също намерение.

Технически спецификации

Моделът codestral-embed се различава от mistral-embed по няколко ключови начина:

Характеристикаcodestral-embedmistral-embed
Размери по подразбиране15361024
Максимални размери3072 (двойно повече от стандартните)—
Типове изходни данниfloat, int8, uint8, binary, ubinary—
ОптимизацияОбучен върху сорс код на множество езициЕстествен език

Тази гъвкавост по отношение на размерите и типовете изходни данни е това, което наистина отличава двата модела на практика. Един индекс за код бързо достига милион вектора и възможността да намалите теглото им четири пъти променя сметката за инфраструктурата.

Основна употреба

API е идентичен с този на mistral-embed, с изключение на името на модела codestral-embed. Нищо друго не се променя във вашия извикващ код, което Ви позволява да стартирате и двата модела в един и същи проект, като коригирате само един параметър.

from mistralai.client import Mistral

client = Mistral(api_key=api_key)

# Encode code snippets
response = client.embeddings.create(
    model="codestral-embed",
    inputs=[
        "def fibonacci(n): return n if n <= 1 else fibonacci(n-1) + fibonacci(n-2)",
        "function fibonacci(n) { return n <= 1 ? n : fibonacci(n-1) + fibonacci(n-2); }",
        "public int fibonacci(int n) { return n <= 1 ? n : fibonacci(n-1) + fibonacci(n-2); }",
    ],
)

for i, data in enumerate(response.data):
    print(f"Snippet {i+1}: vector of {len(data.embedding)} dimensions")
# Snippet 1: vector of 1536 dimensions
# Snippet 2: vector of 1536 dimensions
# Snippet 3: vector of 1536 dimensions

Забележете, че и трите фрагмента реализират една и съща логика (Фибоначи) на три различни езика. Техните вграждания ще бъдат много близки, въпреки синтактичните разлики. Това свойство позволява търсене между езиците: в полиглотна кодова база, Python разработчик може да намери необходимата Java имплементация, без да знае нито дума Java.

Параметърът output_dimension

Можете да намалите размера на вектора, за да спестите място за съхранение, за сметка на лека загуба на прецизност:

# Reduced dimensions (512 instead of 1536)
response = client.embeddings.create(
    model="codestral-embed",
    output_dimension=512,
    inputs=["def hello(): print('Hello, World!')"],
)

embedding = response.data[0].embedding
print(f"Dimensions: {len(embedding)}")  # 512

Първите измерения на вектора са най-информативни. Моделът е проектиран така, че първите n измерения да запазват максималното количество информация, позволявайки това намаляване без катастрофална загуба. С други думи, съкращаването на вектор не е като случайно изхвърляне на една трета от смисъла: запазвате основния сигнал и губите нюансите, което остава напълно жизнеспособно за начален етап на филтриране.

Избор на размери

Използвайте следните стойности като насоки въз основа на контекста на Вашия проект. Търсенето с висока прецизност върху скромен корпус изисква различни настройки от индекс, работещ на машина с ограничени ресурси:

# Recommendations by use case
DIMENSIONS = {
    "high_precision_search": 3072,   # Maximum quality
    "general_use": 1536,             # Default, good compromise
    "large_volume": 768,             # Storage/quality trade-off
    "prototype": 512,                # Rapid development
    "embedded": 256,                 # Strict memory constraints
}

Параметърът output_dtype

Типът на изходните данни контролира прецизността и размера на стойностите. Докато output_dimension намалява броя на стойностите, output_dtype намалява теглото на всяка една от тях. Тези два лоста са независими и кумулативни.

# Float (default) - maximum precision
response_float = client.embeddings.create(
    model="codestral-embed",
    output_dtype="float",
    inputs=["def add(a, b): return a + b"],
)

# Int8 - 4x more compact than float32
response_int8 = client.embeddings.create(
    model="codestral-embed",
    output_dtype="int8",
    inputs=["def add(a, b): return a + b"],
)

# Binary - extremely compact
response_binary = client.embeddings.create(
    model="codestral-embed",
    output_dtype="binary",
    inputs=["def add(a, b): return a + b"],
)

Комбиниране на Dimension и Dtype

Можете да комбинирате и двата параметъра за прецизен контрол. Двете извиквания по-долу кодират една и съща SQL заявка и илюстрират крайностите на спектъра: първото цели лек индекс, заявяван непрекъснато, докато второто обслужва референтно търсене, където всяка точка на прецизност има значение.

# Compact and fast: 512 dimensions in int8
response = client.embeddings.create(
    model="codestral-embed",
    output_dimension=512,
    output_dtype="int8",
    inputs=["SELECT * FROM users WHERE active = true"],
)

# High quality: 3072 dimensions in float
response = client.embeddings.create(
    model="codestral-embed",
    output_dimension=3072,
    output_dtype="float",
    inputs=["SELECT * FROM users WHERE active = true"],
)

Ето правило, което трябва да установите веднага: векторите във Вашия индекс и векторите във Вашите заявки трябва да споделят точно едни и същи параметри. Кодирането на корпус в 512 измерения и последващо заявяване в 1536 не просто води до лоши резултати; то поражда грешка или безсмислени оценки.

Поддържани езици

codestral-embed работи с всички общи езици за програмиране. От страна на приложението, той покрива Python, JavaScript и TypeScript, както и Java, C, C++, C#, Go и Rust. За данни и представяне, моделът обработва SQL, HTML и CSS. За инструменти и конфигурация, той управлява Shell/Bash, YAML и JSON – и много други, ефективно всеки език, присъстващ в обучаващите данни. На практика типично хранилище, смесващо Python, HTML шаблони, SQL миграции и YAML манифести, може да бъде напълно индексирано с един единствен модел.

Ключови изводи

  • codestral-embed е оптимизиран за сорс код, а не за естествен език
  • 1536 измерения по подразбиране, мащабируеми до 3072
  • Параметърът output_dimension Ви позволява да намалите размера на вектора
  • Параметърът output_dtype контролира прецизността (float, int8, binary и др.)
  • Моделът разбира семантиката на кода независимо от езика