Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

A codestral-embed modell

5. lecke 18 közül Frissítve 2026. november 2. Fejlesztő
Ezen az oldalon
  1. Kódra specializált beágyazások
  2. Műszaki specifikációk
  3. Alapvető használat
  4. Az output_dimension paraméter
  5. Az output_dtype paraméter
  6. Dimenzió és Dtype kombinálása
  7. Támogatott nyelvek
  8. Főbb megállapítások

Kódra specializált beágyazások

Míg a mistral-embed a természetes nyelvre lett tervezve, addig a codestral-embed egy kifejezetten programozási nyelvekre optimalizált beágyazási modell. Érti a kód szintaxisát, szemantikáját és logikáját, így bármilyen forráskóddal kapcsolatos feladatban jelentősen felülmúlja az általános szövegmodelleket.

Egy egyszerű példán jól látható a különbség. Két függvény, amely ugyanazt csinálja – az egyiket for ciklussal írták, a másikat listaértelmezéssel (list comprehension) –, szinte semmilyen tokent nem oszt meg egymással. Egy szövegmodell két különálló írásjel-blokként kezeli őket; egy kódon tanított modell viszont összekapcsolja őket, mert megtanulta, hogy ez a két forma ugyanazt a szándékot fejezi ki.

Műszaki specifikációk

A codestral-embed modell több kulcsfontosságú szempontból is eltér a mistral-embed modelltől:

Jellemzőcodestral-embedmistral-embed
Alapértelmezett dimenziók15361024
Maximális dimenziók3072 (az alapértelmezett kétszerese)—
Kimeneti típusokfloat, int8, uint8, binary, ubinary—
OptimalizálásTöbbnyelvű forráskódon tanítvaTermészetes nyelv

Ez a rugalmasság a dimenziók és a kimeneti típusok terén az, ami a gyakorlatban igazán megkülönbözteti a két modellt. Egy kódindex gyorsan eléri az egymillió vektort, és ha képes vagy negyedére csökkenteni a súlyukat, az drasztikusan megváltoztatja az infrastruktúra költségeit.

Alapvető használat

Az API megegyezik a mistral-embed API-jával, kivéve a codestral-embed modellnevet. A hívó kódodban semmi más nem változik, ami lehetővé teszi, hogy mindkét modellt ugyanabban a projektben futtasd csupán egyetlen paraméter módosításával.

from mistralai.client import Mistral

client = Mistral(api_key=api_key)

# Kódrészletek kódolása
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

Vedd észre, hogy mindhárom részlet ugyanazt a logikát (Fibonacci) valósítja meg három különböző nyelven. A beágyazásaik a szintaktikai különbségek ellenére is nagyon közel lesznek egymáshoz. Ez a tulajdonság teszi lehetővé a nyelveken átívelő keresést: egy poliglót kódbázison egy Python fejlesztő megtalálhatja a szükséges Java implementációt anélkül, hogy egy szót is tudna Javából.

Az output_dimension paraméter

Csökkentheted a vektor méretét a tárhely megtakarítása érdekében, cserébe a pontosság enyhe csökkenéséért:

# Csökkentett dimenziók (512 a 1536 helyett)
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

A vektor első dimenziói a leginformatívabbak. A modell úgy lett kialakítva, hogy az első n dimenzió megtartsa az információ maximális mennyiségét, lehetővé téve ezt a csökkentést katasztrofális veszteség nélkül. Más szóval, egy vektor csonkítása nem olyan, mint a jelentés harmadának véletlenszerű eldobása: megtartod a core jelet, és elveszíted a nüanszokat, ami egy kezdeti szűrési lépéshez tökéletesen megfelel.

Dimenzió választása

Használd az alábbi értékeket irányadóként a projektkörnyezeted alapján. A nagy pontosságú keresés egy szerény méretű korpuszon más beállításokat igényel, mint egy erőforrás-korlátozott gépen futó index:

# Ajánlások használati esetek szerint
DIMENSIONS = {
    "high_precision_search": 3072,   # Maximális minőség
    "general_use": 1536,             # Alapértelmezett, jó kompromisszum
    "large_volume": 768,             # Tárhely/minőség kompromisszum
    "prototype": 512,                # Gyors fejlesztés
    "embedded": 256,                 # Szigorú memória korlátok
}

Az output_dtype paraméter

A kimeneti típus szabályozza az értékek pontosságát és méretét. Míg az output_dimension az értékek számát csökkenti, addig az output_dtype az egyes értékek súlyát csökkenti. Ez a két szabályozóelem független és kumulatív.

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

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

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

Dimenzió és Dtype kombinálása

Mindkét paramétert kombinálhatod a precíz kontroll érdekében. Az alábbi két hívás ugyanazt az SQL lekérdezést kódolja, és illusztrálja a spektrum szélsőségeit: az első egy könnyűsúlyú, folyamatosan lekérdezett indexet céloz meg, míg a második egy referenciakeresést szolgál, ahol minden egyes pontosság számít.

# Kompakt és gyors: 512 dimenzió int8-ban
response = client.embeddings.create(
    model="codestral-embed",
    output_dimension=512,
    output_dtype="int8",
    inputs=["SELECT * FROM users WHERE active = true"],
)

# Magas minőség: 3072 dimenzió float-ban
response = client.embeddings.create(
    model="codestral-embed",
    output_dimension=3072,
    output_dtype="float",
    inputs=["SELECT * FROM users WHERE active = true"],
)

Itt van egy szabály, amit most azonnal le kell fektetned: az indexben lévő vektoroknak és a lekérdezésekben lévő vektoroknak pontosan ugyanazokkal a paraméterekkel kell rendelkezniük. Ha egy korpuszt 512 dimenzióban kódolsz, majd 1536-ban kérdezel le, az nemcsak gyenge eredményeket hoz, hanem hibát vagy értelmetlen pontszámokat is produkál.

Támogatott nyelvek

A codestral-embed minden gyakori programozási nyelvvel működik. Alkalmazásoldalon lefedi a Pythont, a JavaScriptet és a TypeScriptet, valamint a Javát, C-t, C++-t, C#-t, Go-t és Rustot. Adatok és megjelenítés terén a modell kezeli az SQL-t, a HTML-t és a CSS-t. Eszközök és konfigurációk terén pedig kezeli a Shell/Bash-t, a YAML-t és a JSON-t – és sok mást is, gyakorlatilag bármilyen nyelvet, amely szerepel a tanító adatokban. A gyakorlatban egy tipikus tároló, amely Python kódot, HTML sablonokat, SQL migrációkat és YAML manifesztumokat kever, teljes mértékben indexelhető egyetlen modellel.

Főbb megállapítások

  • A codestral-embed forráskódra van optimalizálva, nem természetes nyelvre
  • Alapértelmezetten 1536 dimenzió, skálázható 3072-ig
  • Az output_dimension paraméter lehetővé teszi a vektor méretének csökkentését
  • Az output_dtype paraméter szabályozza a pontosságot (float, int8, binary stb.)
  • A modell érti a kód szemantikáját a nyelvtől függetlenül