Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Model codestral-embed

Lekce 5 z 18 Aktualizováno 2. listopadu 2026 Vývojář
Na této stránce
  1. Specializovaná vnoření pro kód
  2. Technické specifikace
  3. Základní použití
  4. Parametr output_dimension
  5. Parametr output_dtype
  6. Kombinace dimenze a typu dat
  7. Podporované jazyky
  8. Klíčové poznatky

Specializovaná vnoření pro kód

Zatímco model mistral-embed je navržen pro přirozený jazyk, codestral-embed je model vnoření optimalizovaný specificky pro programovací jazyky. Rozumí syntaxi, sémantice a logice kódu, což z něj činí výrazně lepší volbu než obecný textový model pro jakýkoli úkol zahrnující zdrojový kód.

Rozdíl uvidíš i na jednoduchém příkladu. Dvě funkce, které dělají totéž – jedna napsaná pomocí cyklu for a druhá využívající list comprehension – spolu nesdílejí téměř žádné tokeny. Textový model je vidí jako dva odlišné bloky interpunkce; model trénovaný na kódu je však spojí dohromady, protože se naučil, že tyto dvě formy vyjadřují stejný záměr.

Technické specifikace

Model codestral-embed se liší od mistral-embed v několika klíčových aspektech:

Funkcecodestral-embedmistral-embed
Výchozí dimenze15361024
Maximální dimenze3072 (dvojnásobek výchozího)—
Typy výstupufloat, int8, uint8, binary, ubinary—
OptimalizaceTrénováno na zdrojovém kódu ve více jazycíchPřirozený jazyk

Právě tato flexibilita v dimenzích a typech výstupu v praxi skutečně odlišuje oba modely. Index kódu rychle dosáhne milionu vektorů a možnost snížit jejich velikost čtyřikrát zásadně změní náklady na infrastrukturu.

Základní použití

API je totožné s mistral-embed, liší se pouze názvem modelu codestral-embed. Ve volajícím kódu se nemění nic jiného, což ti umožňuje provozovat oba modely ve stejném projektu pouhou úpravou jednoho parametru.

from mistralai.client import Mistral

client = Mistral(api_key=api_key)

# Kódování úryvků kódu
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

Všimni si, že všechny tři úryvky implementují stejnou logiku (Fibonacciho posloupnost) ve třech různých jazycích. Jejich vnoření budou velmi blízká navzdory syntaktickým rozdílům. Tato vlastnost umožňuje vyhledávání napříč jazyky: v polyglotní kódové základně může vývojář v Pythonu najít potřebnou implementaci v Javě, aniž by znal jediné slovo javy.

Parametr output_dimension

Velikost vektoru můžeš zmenšit, abys ušetřil úložný prostor, za cenu mírné ztráty přesnosti:

# Snížené dimenze (512 místo 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

První dimenze vektoru jsou nejinformativnější. Model je navržen tak, že prvních n dimenzí si zachovává maximální množství informací, což umožňuje toto snížení bez katastrofické ztráty kvality. Jinými slovy, zkrácení vektoru není jako náhodné zahazení třetiny významu: zachováš si hlavní signál a ztratíš nuance, což pro počáteční fázi filtrování zůstává zcela přijatelné.

Volba dimenze

Jako vodítko použij následující hodnoty podle kontextu svého projektu. Vyhledávání s vysokou přesností na skromném korpusu vyžaduje jiná nastavení než index běžící na stroji s omezenými zdroji:

# Doporučení podle případu použití
DIMENSIONS = {
    "high_precision_search": 3072,   # Maximální kvalita
    "general_use": 1536,             # Výchozí, dobrý kompromis
    "large_volume": 768,             # Kompromis mezi úložištěm a kvalitou
    "prototype": 512,                # Rychlý vývoj
    "embedded": 256,                 # Přísná omezení paměti
}

Parametr output_dtype

Typ výstupu řídí přesnost a velikost hodnot. Zatímco output_dimension snižuje počet hodnot, output_dtype snižuje váhu každé z nich. Tyto dvě páky jsou nezávislé a kumulativní.

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

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

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

Kombinace dimenze a typu dat

Oba parametry můžeš kombinovat pro přesnou kontrolu. Následující dva volání kódují stejný dotaz SQL a ilustrují extrémy spektra: první cílí na lehký index dotazovaný nepřetržitě, zatímco druhé slouží referenčnímu vyhledávání, kde záleží na každém bodě přesnosti.

# Kompaktní a rychlé: 512 dimenzí v int8
response = client.embeddings.create(
    model="codestral-embed",
    output_dimension=512,
    output_dtype="int8",
    inputs=["SELECT * FROM users WHERE active = true"],
)

# Vysoká kvalita: 3072 dimenzí ve float
response = client.embeddings.create(
    model="codestral-embed",
    output_dimension=3072,
    output_dtype="float",
    inputs=["SELECT * FROM users WHERE active = true"],
)

Zde je pravidlo, které si musíš hned stanovit: vektory ve tvém indexu a vektory ve tvých dotazech musí mít přesně stejné parametry. Kódování korpusu v 512 dimenzích a následné dotazování v 1536 nejenže přinese špatné výsledky, ale vyústí v chybu nebo nesmyslná skóre.

Podporované jazyky

codestral-embed funguje se všemi běžnými programovacími jazyky. Na straně aplikací pokrývá Python, JavaScript a TypeScript, stejně jako Javu, C, C++, C#, Go a Rust. Pro data a prezentaci model zvládá SQL, HTML a CSS. Pro nástroje a konfiguraci spravuje Shell/Bash, YAML a JSON – a mnoho dalších, efektivně jakýkoli jazyk přítomný v trénovacích datech. V praxi lze typické úložiště kombinující Python, HTML šablony, SQL migrace a YAML manifesty plně indexovat pomocí jediného modelu.

Klíčové poznatky

  • codestral-embed je optimalizován pro zdrojový kód, nikoli pro přirozený jazyk
  • Ve výchozím nastavení 1536 dimenzí, škálovatelné až na 3072
  • Parametr output_dimension umožňuje snížit velikost vektoru
  • Parametr output_dtype řídí přesnost (float, int8, binary atd.)
  • Model rozumí sémantice kódu bez ohledu na použitý jazyk