Codestral Embed | Mistral AI
Zusammenfassung
Kurz
Mistral präsentiert Codestral Embed als Code-Einbettungsmodell für semantische Suche, Kontextabruf, Ähnlichkeitserkennung und Codeanalyse und behauptet, es übertreffe mehrere Konkurrenzmodelle. Der Bericht listet Benchmarks und Preise, enthält im bereitgestellten Text aber keine konkreten Benchmarkwerte oder Vergleichsgrafik; für Abruf empfiehlt Mistral Abschnitte von 3000 Zeichen mit 1000 Zeichen Überlappung.
Mittel
Mistral stellt Codestral Embed als sein erstes speziell für Code entwickeltes Einbettungsmodell vor. Es soll Inhalte aus realen Codebeständen besonders gut auffinden. Mistral behauptet, es übertreffe Voyage Code 3, Cohere Embed v4.0 und OpenAIs großes Einbettungsmodell. Auch eine Variante mit 256 Dimensionen und int8-Präzision soll laut Unternehmen besser abschneiden als die verglichenen Modelle. Der bereitgestellte Text enthält allerdings weder konkrete Vergleichswerte noch die erwähnte Grafik.
Als Einsatzfelder nennt der Bericht den Abruf von Kontext für Coding-Assistenten, semantische Codesuche, das Erkennen ähnlicher oder doppelter Codeabschnitte sowie die Gruppierung und Analyse von Code. Die Benchmarks umfassen unter anderem das Auffinden zu ändernder Dateien bei GitHub-Problemen, Code-Suche, Text-zu-SQL-Aufgaben, Programmierwettbewerbe und Data-Science-Fragen. Obwohl Mistral Kategorie- und Makrodurchschnitte erwähnt, sind die Resultate und nähere Angaben zur Auswertungsmethodik im gelieferten Text nicht enthalten.
Das Modell werde unter `codestral-embed-2505` für 0,15 US-Dollar pro Million Tokens angeboten; die Batch-API sei 50 Prozent günstiger. Für Abruf empfiehlt Mistral 3000 Zeichen pro Abschnitt mit 1000 Zeichen Überlappung, obwohl der volle Kontext 8192 Tokens umfasst. Die Leistungsangaben sind Behauptungen des Anbieters.
Ausführlich lesen
Der Bericht stellt Codestral Embed vor, ein laut Mistral erstes Einbettungsmodell des Unternehmens, das speziell für Code entwickelt wurde. Mistral zufolge eignet es sich besonders für die Suche und den Abruf relevanter Inhalte aus realen Codebeständen. Das Unternehmen behauptet, das Modell übertreffe mehrere führende Code-Einbettungsmodelle, darunter Voyage Code 3, Cohere Embed v4.0 und OpenAIs großes Einbettungsmodell. Als Beispiel für den Kompromiss zwischen Abrufqualität und Speicherbedarf nennt Mistral eine Konfiguration mit 256 Dimensionen und int8-Präzision, die nach seiner Darstellung noch besser abschneide als die verglichenen Konkurrenzmodelle. Die Dimensionen seien nach Relevanz geordnet, sodass für eine gewünschte Zielgröße die ersten n Dimensionen verwendet werden könnten. Konkrete Messwerte oder die Vergleichsgrafik sind im bereitgestellten Text nicht enthalten.
Der Bericht beschreibt Anwendungsfälle in der Softwareentwicklung: Codestral Embed soll bei Retrieval-Augmented Generation Kontext für Codevervollständigung, Bearbeitung und Erklärung auffinden, semantische Suche nach Code anhand von Text- oder Codeanfragen ermöglichen, ähnliche oder nahezu doppelte Codeabschnitte erkennen und Code nach Funktion oder Struktur gruppieren. Mistral nennt dafür unter anderem Coding-Assistenten, Entwicklerwerkzeuge, Dokumentationssysteme, Repository-Analysen und die Erkennung wiederverwendeter Codeabschnitte. Bei letzterem erwähnt der Bericht auch mögliche Unterstützung für die Durchsetzung von Lizenzrichtlinien.
Zur Bewertung nennt der Bericht mehrere Benchmark-Kategorien. SWE-Bench lite prüft, ob zu realen GitHub-Problemen die zu ändernden Dateien gefunden werden; Mistral hält dies besonders für den Abruf in Coding-Agenten für relevant. Text2Code-Benchmarks umfassen unter anderem die Zuordnung von Dokumentationszeichenketten oder Commit-Nachrichten zu Code beziehungsweise geänderten Dateien. Weitere aufgeführte Aufgaben betreffen Code-zu-Code-Suche, Text-zu-SQL, Programmierwettbewerbe und Data-Science-Fragen. Der Bericht sagt, dass Kategorie-Durchschnittswerte und ein Makrodurchschnitt verwendet werden, enthält im gelieferten Text aber keine entsprechenden Resultate und erläutert die Auswertungsmethodik nicht näher.
Das Modell ist laut Bericht über die API unter dem Namen `codestral-embed-2505` für 0,15 US-Dollar je einer Million Tokens verfügbar; die Batch-API wird mit 50 Prozent Rabatt angeboten. Für lokale Installationen verweist Mistral auf eine Kontaktaufnahme. Der volle Kontext umfasst demnach 8192 Tokens. Für Abrufaufgaben empfiehlt das Unternehmen dennoch oft kleinere Abschnitte von 3000 Zeichen mit 1000 Zeichen Überlappung und warnt, dass größere Abschnitte die Leistung des Abrufsystems beeinträchtigen können. Die Leistungs- und Nutzungsaussagen stammen aus der Produktdarstellung von Mistral; unabhängige Bestätigung ist im Bericht nicht enthalten.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Luna hat zwei Zusammenfassungen geliefert; bewertet wurde die mittlere, die kurze ist sachlich korrekt, lässt aber ebenfalls die Dimensions-Optionen aus. Die Einordnung wurde unabhängig von Lunas Stufe 3 vergeben.
Im Bericht, aber nicht in der Zusammenfassung
- Ausgabe mit wählbaren Dimensionen und Präzisionen, wobei die Dimensionen nach Relevanz geordnet sind
- On-Prem-Bereitstellung nur über Kontakt mit dem Applied-AI-Team
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Fähigkeiten messen
- SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 40 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Unabhängig prüfen
- SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 40 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 45 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Tempo und Grenzen
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 47 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 61 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Vertrauen in Modelle
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 50 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 52 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Modelle teilen und schützen
- SF-H1 Wo endet die erlaubte Nutzung fremder Modellausgaben, und wo beginnt unerlaubte Destillation, also das Trainieren eines eigenen Modells mit diesen Ausgaben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 43 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 39 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 44 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- clef 100 %kein Bezug
- Luna 21 %Hintergrund, keine Belege
- JEV
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung nur am Rande erwähnt
Beteiligung und Gemeinwohl
- SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 42 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug