Codestral چیست؟ بررسی تخصصی مدل FIM برای تکمیل کد در IDE

آخرین راستی‌آزمایی: ۱۳ سپتامبر ۲۰۲۶

مقدمه؛ مدل کدنویسی همیشه به معنای «Agent برنامه‌نویس» نیست

در ابزارهای مدرن توسعه، دو مسئله متفاوت با نام هوش مصنوعی کدنویسی کنار هم قرار می‌گیرند: یک Agent که چند فایل را می‌خواند، Command اجرا می‌کند و Bug را تا انتها رفع می‌کند؛ و یک موتور تکمیل کد که باید در کسری از زمان، دقیقاً ادامه مناسب Cursor را پیشنهاد دهد. Codestral برای مسئله دوم ساخته شده است.

Mistral AI نسخه Codestral 25.08 را در ۳۰ ژوئیه ۲۰۲۵ معرفی کرد. تمرکز آن روی Fill-in-the-Middle یا FIM، تکمیل چندخطی، سرعت پاسخ و کاهش پیشنهادهای بی‌انتهاست. مدل هم Prefix قبل از Cursor و هم Suffix بعد از آن را می‌بیند و باید قطعه گمشده میان این دو را بسازد.

اهمیت Codestral در همین تخصص است. یک مدل Chat عمومی شاید پاسخ مفصل‌تری درباره معماری نرم‌افزار بدهد، اما برای هر Keystroke داخل IDE به Latency، طول مناسب Completion و نرخ پذیرش بالا نیاز داریم. در عین حال، کمبود امتیاز خام و مستقل برای نسخه دقیق 25.08 اجازه نمی‌دهد آن را فقط با چند ادعای بازاریابی «بهترین مدل Code» بنامیم. این بررسی مرز داده تأییدشده و ادعای سازنده را روشن نگه می‌دارد.

Codestral دقیقاً چیست؟

Codestral خانواده مدل‌های تخصصی Code Completion شرکت Mistral AI است. نسخه مورد بررسی، Snapshot شماره 25.08 و Endpoint تثبیت‌شده codestral-2508 است. صفحه رسمی مدل آن را یک مدل Premier و GA برای تکمیل پرتکرار و کم‌تأخیر معرفی می‌کند.

وظیفه اصلی Codestral، تولید متن کد است. در حالت FIM سه بخش داریم:

1. Prefix: کدی که پیش از محل Cursor قرار دارد؛
2. Suffix: کدی که پس از محل Cursor وجود دارد؛
3. Completion: قطعه‌ای که مدل باید میان آن دو بسازد.

این ساختار با Chat معمولی فرق دارد. وقتی Suffix در اختیار مدل باشد، می‌تواند امضای تابع، نوع خروجی، نام متغیرهای بعدی و Test موجود را رعایت کند. API رسمی برای این کاربرد Endpoint اختصاصی /v1/fim/completions دارد.

جایگاه Codestral در برابر مدل‌های عمومی

Codestral موتور Completion است؛ Claude Sonnet 5 مدلی عمومی‌تر برای Code، Vision و گردش‌کارهای عامل‌محور است. تکمیل خودکار سریع در IDE را با حل مسئله چندفایلی و ابزارمحور با معیارهای یکسان ارزیابی نکنید.

در پشته Mistral Code، Codestral Completion را تأمین می‌کند، Codestral Embed برای جستجوی معنایی Code به کار می‌رود و یک مدل Agentic می‌تواند برنامه‌ریزی، اجرای Tool و اصلاح Repository را بر عهده بگیرد. این جداسازی عملی است: Completion باید بسیار سریع و کوتاه باشد؛ Agent می‌تواند کندتر باشد، اما باید Context و Tool loop پیچیده‌تری را مدیریت کند.

نسخه 25.08 جایگزین نسل‌های قبلی Codestral شده، اما اطلاعاتی مانند تعداد پارامتر، معماری دقیق و وزن دانلود عمومی آن در صفحه رسمی این نسخه اعلام نشده است. بنابراین مشخصات نسخه تاریخی 22B را به 25.08 نسبت نمی‌دهیم.

قابلیت‌های اصلی Codestral

Fill-in-the-Middle تخصصی

قابلیت محوری مدل، پر کردن کد میان Prefix و Suffix است. این حالت برای نوشتن بدنه تابع، تکمیل شرط، افزودن Error handling و ساخت چند خط منطبق با کد بعد از Cursor مناسب است. FIM معمولاً از یک Prompt ساده «ادامه بده» اطلاعات ساختاری بیشتری دارد.

مدل برای Completion پرتکرار طراحی شده است؛ یعنی در یک جلسه برنامه‌نویسی صدها بار فراخوانی می‌شود. کیفیت واقعی فقط درست بودن Syntax نیست: پیشنهاد باید در محل مناسب متوقف شود، سبک Repository را رعایت کند و آن‌قدر کوتاه باشد که توسعه‌دهنده بتواند سریع قبول یا ردش کند.

تکمیل تک‌خطی و چندخطی در IDE

Codestral می‌تواند از نام متغیر یا فراخوانی تابع تا بلوک چندخطی پیشنهاد دهد. Mistral آن را در افزونه‌های Mistral Code برای Visual Studio Code و JetBrains به کار می‌گیرد. تجربه دقیق به افزونه، Debounce، مقدار Context ارسالی و شبکه وابسته است؛ خود مدل به‌تنهایی رابط IDE نیست.

تولید و توضیح کد از طریق Chat

صفحه رسمی علاوه بر FIM، Chat Completions، Prefix و Predicted Outputs را فهرست می‌کند. مدل می‌تواند تابع، Docstring، Test یا توضیح کد تولید کند. بااین‌حال مزیت تخصصی آن همچنان Completion است و برای طراحی سیستم پیچیده یا Agent خودمختار باید با مدل عمومی‌تر A/B Test شود.

Context Window برابر ۱۲۸K

Context رسمی Codestral 25.08 برابر ۱۲۸ هزار توکن است. این ظرفیت می‌تواند بخش‌های بزرگ‌تری از فایل، Type definition، Importها و فایل مرتبط را در اختیار مدل بگذارد. عدد ۲۵۶K که گاهی برای نسخه‌ها یا Providerهای دیگر دیده می‌شود، مشخصه رسمی Endpoint codestral-2508 نیست.

Context کامل همیشه بهترین راه نیست. ارسال فایل‌های نامرتبط هزینه، Latency و احتمال تقلید الگوی اشتباه را بالا می‌برد. Retrieval مبتنی بر Symbol، Import graph و فایل باز معمولاً از ریختن کل Repository داخل Prompt مؤثرتر است.

Structured Outputs و Function Calling

مستندات API برای این نسخه Structured Outputs و Function Calling را هم ثبت کرده‌اند. این امکانات اجازه می‌دهند Codestral در یک Workflow مهندسی، پاسخ ساختاریافته یا فراخوانی Tool پیشنهاد دهد.

وجود Function Calling به معنای Agent سطح بالا نیست. Orchestrator باید Permission، Loop، Timeout، Sandbox و نتیجه Tool را مدیریت کند. برای Agent چندمرحله‌ای Repository، مدل Agentic تخصصی یا مدل عمومی قوی‌تر ممکن است انتخاب بهتری باشد.

Predicted Outputs و Prefix

Predicted Outputs برای سناریویی مفید است که بخش عمده پاسخ از پیش معلوم است و مدل فقط تغییر یا ادامه را کامل می‌کند. Prefix نیز به حفظ شروع اجباری پاسخ کمک می‌کند. کاربرد و پشتیبانی دقیق هر قابلیت باید در SDK و Endpoint مورد استفاده آزمایش شود، زیرا Chat و FIM قرارداد ورودی یکسانی ندارند.

زبان‌های برنامه‌نویسی متعدد

Mistral از پشتیبانی گسترده زبان‌ها و Taskهای کدنویسی صحبت می‌کند. در عمل، کیفیت میان Python، TypeScript، Java، C/C++، Rust، SQL و زبان‌های کم‌داده یکسان نیست. برای تصمیم Production، مجموعه‌ای از فایل‌های واقعی همان Stack را بسنجید؛ نام طولانی فهرست زبان‌ها جای Test داخلی را نمی‌گیرد.

قابلیت‌های خارج از دامنه

Vision، ورودی صوت، ویدیو، تولید تصویر و Web Search داخلی برای Codestral 25.08 در مشخصات رسمی اعلام نشده‌اند. می‌توان Document یا Search tool را از طریق پلتفرم میزبان اضافه کرد، اما این قابلیت‌ها متعلق به Pipeline هستند، نه مدل پایه.

مهم‌ترین نقاط قوت

تخصص روشن به‌جای مدل همه‌کاره

Codestral دقیقاً برای لحظه‌ای بهینه شده که Cursor میان کد قرار دارد. این تمرکز اجازه می‌دهد معیارهایی مانند Completion acceptance، Retained code و Runaway generation مستقیماً در توسعه محصول اندازه‌گیری شوند.

Endpoint اختصاصی FIM

وجود /v1/fim/completions طراحی Integration را شفاف می‌کند. توسعه‌دهنده Prefix و Suffix را جدا ارسال می‌کند و لازم نیست Tokenهای کنترلی داخلی را به‌صورت حدسی در Chat Prompt بازسازی کند.

بهبود قابل‌اندازه‌گیری در ترافیک واقعی Mistral

Mistral برای 25.08 نسبت به نسخه پیشین، ۳۰٪ افزایش Completion پذیرفته‌شده، ۱۰٪ افزایش کد باقی‌مانده و ۵۰٪ کاهش Runaway generation گزارش کرده است. این داده‌ها Vendor-reported هستند، اما از Eval صرفاً دانشگاهی به تجربه واقعی IDE نزدیک‌ترند.

Context کافی برای کد پیرامونی

۱۲۸K برای ارسال فایل جاری، Symbolهای مرتبط، تست‌ها و قرارداد API ظرفیت بالایی است. اگر Retrieval خوب باشد، مدل می‌تواند سبک و محدودیت محلی Repository را بهتر از Completion بدون Context رعایت کند.

گزینه‌های استقرار سازمانی

Mistral استفاده Cloud، VPC و On-premises را برای مشتریان سازمانی مطرح کرده است. این انعطاف برای Source Code محرمانه مهم است. شرایط دقیق Self-deployment، مجوز و قیمت قراردادی باید مستقیماً با Mistral تأیید شود؛ وزن عمومی 25.08 در مستندات رسمی تأیید نشده است.

محدودیت‌ها و نقاط ضعف

نبود Benchmark خام و مستقل کافی برای نسخه دقیق 25.08

در اعلان رسمی، درصد بهبود نسبت به نسخه قبلی آمده است، اما Raw score، اندازه Sample، فاصله اطمینان و جدول رقبا برای معیارهای تولیدی منتشر نشده‌اند. همچنین در آخرین بررسی، ارزیابی مستقل عمومی و هم‌شرطی که Codestral 25.08 را با چند Completion model جدید روی FIM مقایسه کند پیدا نشد.

این نبود داده به معنای بد بودن مدل نیست؛ یعنی ادعای «بهترین» قابل اثبات عمومی نیست. تصمیم حرفه‌ای باید با A/B Test روی Repository و Developerهای خودتان گرفته شود.

تعداد پارامتر و معماری اعلام نشده

Mistral برای Snapshot فعلی تعداد پارامتر، نوع معماری و فرمت Weight عمومی را در صفحه مدل درج نکرده است. عدد 22B مربوط به نسخه تاریخی Codestral است و استفاده از آن برای 25.08 خطای نسخه‌ای محسوب می‌شود.

مدل Premier و دسترسی بسته‌تر

نسخه 25.08 در طبقه Premier قرار دارد. API عمومی است، اما لینک وزن عمومی یا مجوز Open-weight برای همین Snapshot در مستندات رسمی وجود ندارد. Self-deployment سازمانی با دانلود آزاد برای همه یکسان نیست.

Completion جای Agent را نمی‌گیرد

پیشنهاد چند خط کد با حل Issue چندفایلی فرق دارد. Codestral به‌تنهایی Test runner، Terminal، Git یا Browser ندارد. اگر Orchestrator مناسب نباشد، Function Calling نیز چرخه مهندسی نرم‌افزار قابل‌اعتماد نمی‌سازد.

Context بزرگ می‌تواند Latency را خراب کند

۱۲۸K ظرفیت است، نه توصیه برای هر Keystroke. Completion داخل IDE به p95 Latency حساس است. Retrieval بد یا ارسال Context بیش‌ازحد می‌تواند مزیت مدل کم‌تأخیر را از بین ببرد و هزینه Input را بالا ببرد.

خطر API و Dependency خیالی

مانند هر LLM کدنویسی، مدل ممکن است Method، Package یا Signature ناموجود پیشنهاد دهد. Compiler، Type checker، Linter، Test و Dependency allowlist باید نتیجه را کنترل کنند. پذیرش کاربر نیز اثبات درست بودن کد نیست.

کاربردهای واقعی Codestral

تکمیل بدنه تابع میان Signature و Return

Signature و Docstring پیش از Cursor و Test یا Caller پس از Cursor به‌عنوان Prefix/Suffix ارسال می‌شوند. مدل بدنه‌ای می‌سازد که با هر دو سمت سازگار باشد؛ این مثال دقیقاً برای FIM مناسب است.

افزودن Error Handling بدون شکستن کد بعدی

در یک بلوک موجود، Cursor پیش از finally یا Return نهایی قرار دارد. Codestral می‌تواند try/except یا Guard مناسب پیشنهاد دهد و Suffix کمک می‌کند ساختار بعدی حفظ شود.

تکمیل Test براساس Implementation

فایل Test، Fixtureها و بخشی از Implementation مرتبط به Context داده می‌شوند. مدل Arrange/Act/Assert و Edge case را تکمیل می‌کند. Test تولیدشده باید اجرا شود و Assertion بی‌اثر یا Mock نادرست بررسی شود.

ساخت Docstring و Type Annotation

برای Codebase قدیمی، Completion کوتاه می‌تواند Type hint و Docstring هماهنگ با Call site بسازد. این کار پرتکرار است و به Agent پرهزینه نیاز ندارد.

Completion سازمانی نزدیک به داده

تیمی که اجازه ارسال Source Code به سرویس عمومی ندارد، می‌تواند گزینه‌های VPC یا On-premises قراردادی Mistral را بررسی کند. این سناریو به Data residency، Log retention، Telemetry و سیاست افزونه IDE نیازمند ارزیابی جداست.

معماری دو‌مدلی برای توسعه نرم‌افزار

Codestral پیشنهاد لحظه‌ای داخل IDE را می‌سازد و یک مدل Agentic، Issue بزرگ، تست و Refactor چندفایلی را مدیریت می‌کند. Router براساس طول Task و نیاز به Tool تصمیم می‌گیرد؛ این تفکیک هم Latency را بهتر می‌کند و هم هزینه را کنترل می‌کند.

Codestral مناسب چه کسانی است؟

• سازندگان IDE، افزونه Code Completion و محیط توسعه Cloud؛
• تیم‌هایی با فراخوانی بسیار پرتکرار و حساسیت بالا به Latency؛
• برنامه‌نویسانی که FIM چندخطی می‌خواهند؛
• سازمان‌هایی که گزینه VPC یا On-premises را بررسی می‌کنند؛
• پلتفرم‌های AI Coding با معماری جداگانه Completion و Agent؛
• تیم‌های مهندسی که می‌توانند A/B Test داخلی و Telemetry با رضایت کاربر بسازند.

برای کاربر عادی، تحلیل تصویر، پژوهش وب یا تولید محتوای عمومی انتخاب طبیعی نیست. برای حل خودکار Issue پیچیده نیز بهتر است Codestral در کنار Agent model استفاده شود.

مشخصات فنی

۵ نمونه Prompt و الگوی FIM کاربردی

در Integration واقعی، Prefix و Suffix را در فیلدهای API جدا ارسال کنید. نمایش زیر برای روشن شدن منطق Prompt است.

۱. پر کردن بدنه تابع Python

Prefix:

def normalize_email(value: str) -> str:
    """Normalize an email without changing the local-part semantics."""

Suffix:

assert normalize_email("  [email protected] ") == "[email protected]"

Instruction: فقط بدنه تابع را تولید کن؛ از Package خارجی استفاده نکن و Exception نامرتبط را نخور.

۲. تکمیل Handler با قرارداد موجود

Prefix شامل Route، Schema و Service call است؛ Suffix شامل Error middleware و Type خروجی. قطعه گمشده را با همان Naming convention تکمیل کن، Status codeهای موجود را تغییر نده و هیچ Dependency تازه‌ای اضافه نکن.

۳. ساخت Test Regression

از Implementation و Testهای مجاور الگو بگیر. فقط یک Test برای Bug توضیح‌داده‌شده اضافه کن؛ ابتدا باید روی نسخه فعلی Fail و پس از Fix Pass شود. Mock شبکه مجاز است، اما تابع تحت آزمون را Mock نکن.

۴. Completion کوتاه TypeScript

محل Cursor را با حداکثر ۱۲ خط TypeScript تکمیل کن. Strict mode فعال است، any ممنوع است و باید از Typeهای تعریف‌شده در Suffix استفاده شود. توضیح Markdown تولید نکن.

۵. SQL سازگار با Schema

Query ناقص میان CTE و ORDER BY را کامل کن. فقط ستون‌های موجود در Schema پیوست‌شده را استفاده کن، Parameterها را به شکل Bind variable نگه دار و از ساخت نام جدول یا ستون جدید خودداری کن.

Benchmark و مقایسه عملکرد

نتایج A/B تولیدی اعلام‌شده برای نسخه 25.08

تاریخ و منبع: ۳۰ ژوئیه ۲۰۲۵، اعلان رسمی Codestral 25.08. درصدها نسبت به نسخه قبلی خانواده‌اند؛ امتیاز پایه، Sample size، Confidence interval و نام همه تنظیمات در متن عمومی اعلان ارائه نشده است.

پذیرش Completion به تجربه واقعی نزدیک است، ولی معیار کامل کیفیت نیست. توسعه‌دهنده ممکن است پیشنهادی را بپذیرد و بعداً تغییر دهد؛ Retained code برای همین طراحی شده تا ماندگاری را بسنجد. Runaway کمتر نیز Latency ادراکی، مزاحمت رابط و هزینه Output را کاهش می‌دهد.

چرا جدول امتیاز رقبا نداریم؟

به همین دلیل، نمی‌توان درصد «۳۰٪ افزایش» را کنار امتیاز SWE-bench یک Agent یا HumanEval یک مدل دیگر گذاشت. SWE-bench توان حل Issue در Repository و تعامل با Harness را می‌سنجد؛ Codestral برای FIM لحظه‌ای بهینه شده است. همچنین امتیازهای نسخه تاریخی Codestral یا Devstral به نسخه 25.08 تعلق ندارند.

بنچمارک داخلی منصفانه برای انتخاب مدل Completion

برای مقایسه Codestral با Claude Sonnet 5، GPT-5.6 Sol یا مدل Completion ارائه‌دهندهٔ دیگر، یک A/B Test Blind روی همان Repository بسازید:

زبان برنامه‌نویسی، طول Prefix/Suffix، Repository، Region و نسخه افزونه را ثابت نگه دارید. نتایج Python را به Rust یا Monorepo سازمانی تعمیم ندهید. این Eval داخلی برای انتخاب Codestral بسیار معتبرتر از Benchmark نامرتبط Chat است.

تحلیل نتایج موجود

قوی‌ترین شواهد عمومی Codestral درباره تجربه IDE است: پذیرش بیشتر، کد ماندگارتر و Completion بی‌انتها کمتر. این‌ها دقیقاً با مأموریت مدل هم‌راستا هستند. ضعف شواهد این است که داده توسط سازنده گزارش شده و عدد خام یا رقیب مستقل ندارد.

در نتیجه می‌توان گفت 25.08 نسبت به نسل قبلی خودش بهتر شده، اما نمی‌توان با اطمینان عمومی گفت در همه Stackها از هر رقیب سریع‌تر یا دقیق‌تر است. برای سازمان حرفه‌ای، مرحله Pilot با Telemetry ناشناس و رضایت توسعه‌دهندگان ضروری است.

مقایسه با رقبا و گزینه‌های جایگزین

این مقایسه کارکردی است، نه جدول برنده مطلق. مدل‌های سرویس‌هایی مانند GitHub Copilot ممکن است پشت Orchestrator، Retrieval و مدل‌های متغیر کار کنند؛ مقایسه خود محصول با یک Endpoint منفرد باید تمام این لایه‌ها را در نظر بگیرد.

قیمت و API

براساس قیمت رسمی Mistral API در آخرین بررسی ۱۳ سپتامبر ۲۰۲۶:

صفحه مدل رسمی Codestral 25.08 Endpoint codestral-2508 را GA ثبت کرده است. برای FIM از Route اختصاصی استفاده می‌شود؛ Chat Completions نیز پشتیبانی شده، اما قرارداد Payload آن یکسان نیست.

در Code Completion، قیمت اسمی هر میلیون توکن تنها بخشی از اقتصاد محصول است. Context Retrieval، Cache hit، Completionهای ردشده، مقدار Output و تعداد فراخوانی برای هر دقیقه تایپ بر هزینه اثر دارند. شاخص درست‌تر، هزینه هر Completion پذیرفته‌شده و باقی‌مانده است.

قیمت و وضعیت مدل تغییرپذیرند. پیش از Production، صفحه رسمی، Rate limit، Data retention و شرایط VPC/On-premises را دوباره بررسی کنید. قیمت استقرار سازمانی عمومی و قابل تأیید در صفحه مدل درج نشده است.

شروع استفاده از Codestral در Buffalo147 AI

برای ارزیابی Codestral، یک قطعه کد واقعی با Prefix و Suffix مشخص انتخاب کنید؛ سپس Completion را از نظر Compile شدن، Test، طول مناسب و هماهنگی با Style پروژه بسنجید. صفحه اختصاصی Buffalo147 AI مسیر سریع شروع آزمایش را در اختیار شما می‌گذارد و جای‌خالی لینک زیر هنگام انتشار به مقصد مدل متصل می‌شود.

شروع استفاده از Codestral در Buffalo147 AI

جمع‌بندی؛ ابزار سریع کنار Cursor، نه برنامه‌نویس خودمختار

مهم‌ترین مزیت Codestral 25.08 تمرکز دقیق روی FIM و Completion کم‌تأخیر است. API اختصاصی، Context ۱۲۸K و بهبودهای گزارش‌شده در پذیرش و Retention نشان می‌دهند Mistral مسئله واقعی IDE را هدف گرفته، نه صرفاً پاسخ به سؤال‌های الگوریتمی.

محدودیت مهم، شفافیت ناکافی Benchmark عمومی است. درصدهای رسمی Raw score و مقایسه مستقل هم‌شرط ندارند؛ تعداد پارامتر و وزن عمومی نسخه نیز اعلام نشده است. بنابراین انتخاب آن باید با Pilot داخلی انجام شود، نه رتبه‌بندی تبلیغاتی.

برای افزونه IDE، Cloud development environment یا لایه Completion یک پلتفرم برنامه‌نویسی، Codestral گزینه‌ای منطقی است. برای حل Issue چندفایلی، اجرای Test و Agent طولانی، آن را کنار مدل Agentic به کار ببرید. انتخاب درست، اغلب یک مدل واحد نیست؛ یک معماری است که Completion سریع و Agent عمیق را از هم جدا می‌کند.

سؤالات متداول

Codestral چیست؟

Codestral خانواده مدل‌های تخصصی کدنویسی Mistral AI است. نسخه 25.08 برای Fill-in-the-Middle و تکمیل کم‌تأخیر کد در IDE بهینه شده است.

Fill-in-the-Middle چه تفاوتی با Chat دارد؟

در FIM، مدل هم کد قبل از Cursor و هم کد بعد از آن را می‌بیند و بخش وسط را تولید می‌کند. این ساختار برای Completion داخل فایل دقیق‌تر از ادامه ساده Prefix است.

آیا Codestral یک Agent برنامه‌نویسی است؟

خیر، تمرکز اصلی آن Completion است. Function Calling دارد، اما اجرای Terminal، ویرایش چند فایل و چرخه تست به Orchestrator و معمولاً مدل Agentic نیاز دارد.

Context Window نسخه فعلی چقدر است؟

Context رسمی codestral-2508 برابر ۱۲۸K توکن است. Maximum Output جداگانه در صفحه عمومی مدل اعلام نشده است.

آیا Codestral وزن باز دارد؟

برای نسخه تاریخی Codestral اطلاعات متفاوتی وجود داشت، اما وزن دانلود عمومی و مجوز Open-weight برای Snapshot دقیق 25.08 در منابع رسمی بررسی‌شده تأیید نشد. گزینه‌های استقرار سازمانی باید قراردادی بررسی شوند.

آیا Codestral API دارد؟

بله. Endpoint نسخه‌ای codestral-2508 و Route تخصصی /v1/fim/completions در API رسمی Mistral ارائه شده‌اند.

قیمت API Codestral چقدر است؟

در ۱۳ سپتامبر ۲۰۲۶، قیمت رسمی به‌ازای یک میلیون توکن ۰٫۳۰ دلار Input، ۰٫۰۳ دلار Cached Input و ۰٫۹۰ دلار Output بود. قیمت روز ممکن است تغییر کند.

آیا Codestral از تصویر یا Web Search پشتیبانی می‌کند؟

Vision و Web Search داخلی برای Codestral 25.08 در مشخصات رسمی اعلام نشده‌اند. ابزار میزبان می‌تواند جستجو یا سند را به Workflow اضافه کند.

Codestral بهتر است یا Claude Sonnet 5؟

Codestral برای API FIM کم‌تأخیر و تکمیل کد در IDE جذاب است؛ Claude Sonnet 5 را برای تغییرات چندفایلی و وظایف عامل‌محور جداگانه بسنجید. بدون آزمون هم‌شرط روی مخزن شما، پاسخ مطلق معتبر نیست.

بهترین Benchmark برای Codestral چیست؟

برای این مدل، Acceptance rate، Retained code، Compile/Test pass، p95 Latency، Hallucinated API و Cost per accepted completion از Benchmarkهای Agentic نامرتبط مفیدترند.

منابع و روش راستی‌آزمایی

• مستندات رسمی Codestral 25.08
• اعلان رسمی Codestral 25.08
• مرجع رسمی FIM API
• فهرست و وضعیت مدل‌های Mistral
• قیمت رسمی Mistral API

متن مقاله برای Buffalo147 AI از صفر نوشته شده است. درصدهای عملکرد از اعلان سازنده آمده‌اند و به‌صراحت Vendor-reported معرفی شده‌اند. به‌دلیل نبود Raw score و ارزیابی مستقل هم‌شرط برای نسخه دقیق 25.08، هیچ رتبه یا امتیاز رقیبی حدس زده نشده است.