Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Il-Mudell codestral-embed

Lezzjoni 5 / 18 Aġġornat 2 ta’ Novembru 2026 Zviluppatur
F'din il-paġna
  1. Embeddings Speċjalizzati għall-Kodiċi
  2. Speċifikazzjonijiet Tekniċi
  3. Użu Bażiku
  4. Il-Parametru output_dimension
  5. Il-Parametru output_dtype
  6. Tagħqid tad-Dimensjoni u d-Dtype
  7. Lingwi Appoġġjati
  8. Punti Ewlenin

Embeddings Speċjalizzati għall-Kodiċi

Filwaqt li mistral-embed huwa ddisinjat għal-lingwa naturali, codestral-embed huwa mudell ta’ embedding ottimizzat speċifikament għal-lingwi tal-ipprogrammar. Dan jifhem is-sintassi, is-semantika u l-loġika tal-kodiċi, u jagħmlu ferm superjuri għal mudell ġeneriku tat-test għal kwalunkwe kompitu li jinvolvi kodiċi sors.

Tista’ tara d-differenza f’każ sempliċi. Żewġ funzjonijiet li jagħmlu l-istess ħaġa—wieħed miktub b’loop for u l-ieħor billi juża list comprehension—ma jaqsmu kważi l-ebda token. Mudell tat-test jarahom bħala żewġ blokok distinti ta’ interpunzjoni; mudell imħarreġ fuq il-kodiċi jgħaqqadhom flimkien għax tgħallem li dawn iż-żewġ forom jesprimu l-istess intenzjoni.

Speċifikazzjonijiet Tekniċi

Il-mudell codestral-embed jidderieġi minn mistral-embed f’diversi aspetti ewlenin:

Karatteristikacodestral-embedmistral-embed
Dimensjonijiet Default15361024
Dimensjonijiet Massimi3072 (doppju tad-default)—
Tipi ta’ Outputfloat, int8, uint8, binary, ubinary—
OttimizzazzjoniImħarreġ fuq kodiċi sors multi-lingwaLingwa naturali

Din il-flessibbiltà fid-dimensjonijiet u fit-tipi ta’ output hija dak li verament jiddistingwi ż-żewġ mudelli fil-prattika. Indiċi tal-kodiċi jilħaq malajr miljun vettur, u l-kapaċità li tnaqqas il-piż tagħhom b’erba’ darbiet tibdel il-fattura tal-infrastruttura.

Użu Bażiku

L-API hija identika għal dik ta’ mistral-embed, ħlief għall-isem tal-mudell codestral-embed. Xejn ieħor ma jinbidel fil-kodiċi tas-sejħa tiegħek, li jħallik tħaddem iż-żewġ mudelli fl-istess proġett billi tbiddel parametru wieħed biss.

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

Innota li t-tliet snippets kollha jimplimentaw l-istess loġika (Fibonacci) fi tliet lingwi differenti. L-embeddings tagħhom ikunu qariba ħafna minkejja d-differenzi sintattiċi. Din il-proprjetà tippermetti t-tiftix translingwistiku: fuq bażi tal-kodiċi polyglot, żviluppatur Python jista’ jsib l-implimentazzjoni Java li jeħtieġ mingħajr ma jaf kelma waħda bil-Java.

Il-Parametru output_dimension

Tista’ tnaqqas id-daqs tal-vettur biex tiffranka spazju tal-ħażna, bl-ispiża ta’ telf żgħir fil-preċiżjoni:

# 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

L-ewwel dimensjonijiet tal-vettur huma l-aktar informattivi. Il-mudell huwa ddisinjat biex l-ewwel n dimensjonijiet iżommu l-massimu ta’ informazzjoni, u jippermettu din it-tnaqqis mingħajr telf katastrofiku. Fi kliem ieħor, it-tronkament ta’ vettur mhuwiex bħal li tarmi b’mod każwali terz tat-tifsira: iżżomm is-sinjal ewlieni u titlef in-nuansa, li tibqa’ vijabbli għalkollox għal pass inizjali ta’ filtrar.

Għażla ta’ Dimensjoni

Uża l-valuri li ġejjin bħala linji gwida abbażi tal-kuntest tal-proġett tiegħek. Tiftix b’preċiżjoni għolja fuq corpus modest jeħtieġ settings differenti minn indiċi li jaħdem fuq magna b’riżorsi limitati:

# 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
}

Il-Parametru output_dtype

It-tip tal-output jikkontrolla l-preċiżjoni u d-daqs tal-valuri. Fejn output_dimension inaqqas in-numru ta’ valuri, output_dtype inaqqas il-piż ta’ kull wieħed minnhom. Dawn iż-żewġ lievi huma indipendenti u kumulattivi.

# 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"],
)

Tagħqid tad-Dimensjoni u d-Dtype

Tista’ tgħaqqad iż-żewġ parametri għal kontroll preċiż. Iż-żewġ sejħiet hawn taħt jikkodifikaw l-istess mistoqsija SQL u juru l-estremitajiet tal-ispettru: l-ewwel timmira lejn indiċi ħafif mistoqsi kontinwament, filwaqt li t-tieni wieħed iservi għal tiftix ta’ referenza fejn kull punt ta’ preċiżjoni jgħodd.

# 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"],
)

Hawnhekk hemm regola li għandek tistabbilixxi issa: il-vetturi fl-indiċi tiegħek u l-vetturi fil-mistoqsijiet tiegħek iridu jaqsmu eżattament l-istess parametri. Il-kodifika ta’ corpus f’512 dimensjoni u mbagħad it-tiftix f’1536 mhux biss tagħti riżultati fqar; tipproduċi żball jew punteġġi bla sens.

Lingwi Appoġġjati

codestral-embed jaħdem mal-lingwi kollha tal-ipprogrammar komuni. Fuq in-naħa tal-applikazzjoni, ikopri Python, JavaScript, u TypeScript, kif ukoll Java, C, C++, C#, Go, u Rust. Għad-data u l-preżentazzjoni, il-mudell jittratta SQL, HTML, u CSS. Għall-għodod u l-konfigurazzjoni, jimmaniġġja Shell/Bash, YAML, u JSON—u ħafna oħrajn, effettivament kwalunkwe lingwa preżenti fid-data tat-taħriġ. Fil-prattika, repository tipiku li jħallat Python, templates HTML, migrazzjonijiet SQL, u manifests YAML jista’ jiġi indicizzat kompletament b’mudell wieħed.

Punti Ewlenin

  • codestral-embed huwa ottimizzat għall-kodiċi sors, mhux għal-lingwa naturali
  • 1536 dimensjoni b’mod default, skalabbli sa 3072
  • Il-parametru output_dimension jħallik tnaqqas id-daqs tal-vettur
  • Il-parametru output_dtype jikkontrolla l-preċiżjoni (float, int8, binary, eċċ.)
  • Il-mudell jifhem is-semantika tal-kodiċi irrispettivament mil-lingwa