Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Malli codestral-embed

Oppitunti 5 / 18 Päivitetty 2. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Erikoistuneet upotukset koodille
  2. Tekniset vaatimukset
  3. Peruskäyttö
  4. Parametri output_dimension
  5. Parametri output_dtype
  6. Ulottuvuuden ja tyypin yhdistäminen
  7. Tuetut kielet
  8. Keskeiset asiat

Erikoistuneet upotukset koodille

Vaikka mistral-embed on suunniteltu luonnolliselle kielelle, codestral-embed on upotusmalli, joka on optimoitu nimenomaan ohjelmointikielille. Se ymmärtää koodin syntaksia, semantiikkaa ja logiikkaa, mikä tekee siitä huomattavasti paremman kuin yleinen tekstimalleista mihin tahansa lähdekoodia koskevaan tehtävään.

Näet eron yksinkertaisessa tapauksessa. Kaksi funktiota, jotka tekevät saman asian – toinen kirjoitettu for-silmukalla ja toinen käyttäen listakoostetta – jakavat lähes samoja tokeneita. Tekstimalli näkee ne kahtena eri välimerkkien blokina; koodille koulutettu malli yhdistää ne, koska se on oppinut, että nämä kaksi muotoa ilmaisevat saman tarkoituksen.

Tekniset vaatimukset

Malli codestral-embed eroaa mallista mistral-embed usealla keskeisellä tavalla:

Ominaisuuscodestral-embedmistral-embed
Oletusulottuvuudet15361024
Enimmäisulottuvuudet3072 (kaksinkertainen oletukseen nähden)—
Tulostyypitfloat, int8, uint8, binary, ubinary—
OptimointiKoulutettu monikieliselle lähdekoodilleLuonnollinen kieli

Tämä joustavuus ulottuvuuksien ja tulostyyppien suhteen on se, mikä todella erottaa nämä kaksi mallia käytännössä. Koodi-indeksi saavuttaa nopeasti miljoona vektoria, ja niiden painon pystyminen leikkaamaan neljäsosaan muuttaa infrastruktuurikuluja merkittävästi.

Peruskäyttö

API on identtinen mistral-embed-mallin kanssa, lukuun ottamatta mallin nimeä codestral-embed. Mikään muu kutsukoodissasi ei muutu, mikä mahdollistaa molempien mallien ajamisen samassa projektissa muuttamalla vain yhtä parametria.

from mistralai.client import Mistral

client = Mistral(api_key=api_key)

# Koodinpätkien koodaus
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

Huomaa, että kaikki kolme pätkää toteuttavat saman logiikan (Fibonacci) kolmella eri kielellä. Niiden upotukset ovat erittäin lähellä toisiaan syntaktisista eroista huolimatta. Tämä ominaisuus mahdollistaa kielten välisen haun: polyglotti-koodikannassa Python-kehittäjä voi löytää tarvitsemansa Java-toteutuksen tietämättä sanaakaan Javaa.

Parametri output_dimension

Voit pienentää vektorin kokoa säästääksesi tallennustilaa, mutta tämä aiheuttaa lievän tarkkuuden menetyksen:

# Pienennetyt ulottuvuudet (512 1536:n sijaan)
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

Vektorin ensimmäiset ulottuvuudet ovat informatiivisimpia. Malli on suunniteltu siten, että ensimmäiset n ulottuvuutta säilyttävät maksimaalisen määrän informaatiota, mahdollistaen tämän pienennyksen ilman katastrofaalista tietohävikkiä. Toisin sanoen vektorin typistäminen ei ole kuin merkityksen kolmasosan heittämistä pois satunnaisesti: säilytät ydinsignaalin ja menetät hienovaraisuuden, mikä on täysin kelvollista alkuvaiheen suodatukseen.

Ulottuvuuden valinta

Käytä seuraavia arvoja ohjenuorina projektisi kontekstin perusteella. Suuren tarkkuuden haku pienessä aineistossa vaatii eri asetuksia kuin resurssirajoitetulla koneella pyörivä indeksi:

# Suosituksia käyttötarkoituksen mukaan
DIMENSIONS = {
    "high_precision_search": 3072,   # Maksimitarkkuus
    "general_use": 1536,             # Oletus, hyvä kompromissi
    "large_volume": 768,             # Tallennustilan ja laadun tasapaino
    "prototype": 512,                # Nopea kehitys
    "embedded": 256,                 # Tiukat muistirajoitukset
}

Parametri output_dtype

Tulostyyppi ohjaa arvojen tarkkuutta ja kokoa. Kun output_dimension vähentää arvojen määrää, output_dtype vähentää kunkin arvon painoa. Nämä kaksi vipua ovat toisistaan riippumattomia ja kumulatiivisia.

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

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

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

Ulottuvuuden ja tyypin yhdistäminen

Voit yhdistää molemmat parametrit saadaksesi tarkan kontrollin. Alla olevat kaksi kutsua koodaavat saman SQL-kyselyn ja havainnollistavat spektrin ääripäitä: ensimmäinen kohdistuu kevyeseen indeksiin, jota kysellään jatkuvasti, kun taas toinen palvelee viitehakua, jossa jokainen tarkkuuspiste merkitsee.

# Kompakti ja nopea: 512 ulottuvuutta int8-muodossa
response = client.embeddings.create(
    model="codestral-embed",
    output_dimension=512,
    output_dtype="int8",
    inputs=["SELECT * FROM users WHERE active = true"],
)

# Korkea laatu: 3072 ulottuvuutta float-muodossa
response = client.embeddings.create(
    model="codestral-embed",
    output_dimension=3072,
    output_dtype="float",
    inputs=["SELECT * FROM users WHERE active = true"],
)

Tässä on sääntö, joka kannattaa omaksua heti: indeksisi vektoreiden ja kyselyidesi vektoreiden on käytettävä täsmälleen samoja parametreja. Aineiston koodaaminen 512 ulottuvuuteen ja sen jälkeen kysely 1536 ulottuvuudessa ei vain tuota heikkoja tuloksia; se aiheuttaa virheen tai merkityksettömiä pisteytyksiä.

Tuetut kielet

codestral-embed toimii kaikkien yleisten ohjelmointikielten kanssa. Sovelluspuolella se kattaa Pythonin, JavaScriptin ja TypeScriptin sekä Javan, C:n, C++:n, C#:n, Gon ja Rustin. Dataa ja esitystä varten malli käsittelee SQL:ää, HTML:ää ja CSS:ää. Työkaluja ja konfiguraatiota varten se hallitsee Shell/Bashia, YAMLia ja JSONia – ja monia muita, käytännössä mitä tahansa kieltä, joka on mukana koulutusdatassa. Käytännössä tyypillinen repositorio, joka yhdistää Pythonia, HTML-malleja, SQL-migraatioita ja YAML-manifesteja, voidaan indeksoida kokonaan yhdellä mallilla.

Keskeiset asiat

  • codestral-embed on optimoitu lähdekoodille, ei luonnolliselle kielelle
  • Oletuksena 1536 ulottuvuutta, skaalautuva aina 3072:een saakka
  • Parametri output_dimension mahdollistaa vektorikoon pienentämisen
  • Parametri output_dtype ohjaa tarkkuutta (float, int8, binary jne.)
  • Malli ymmärtää koodin semantiikkaa kielestä riippumatta