Instalando Codestral 22B en tu hardware, stack de agentes en marcha, listo para producción en 14 días
Codestral 22B es el modelo al que los usuarios de Cursor y Continue siguen volviendo para tab-complete. 22 mil millones de parámetros, 80+ lenguajes de programación, contexto de 32K y entrenamiento fill-in-the-middle nativo que alcanza 95.3% de FIM pass@1 promedio en Python, Java y JavaScript, la puntuación fill-in-the-middle más alta de cualquier modelo abierto o cerrado.
- Paso a producción en 14 días
- Stack de agentes de programación + investigación incluido
- 22.2B denso Parámetros
- 32K tokens Ventana de contexto
- 14 d Cambio a producción
Codestral 22B de un vistazo
Las especificaciones que importan al elegir el modelo y el hardware.
Parámetros
22.2B (denso)
Ventana de contexto
32K tokens
Arquitectura
Transformer solo-decoder denso con FIM nativo
Lenguajes soportados
80+ (Python, Java, C, C++, JavaScript, TypeScript, Rust, Go, etc.)
FIM pass@1
95.3% (benchmark top abierto/cerrado)
Licencia
Mistral Non-Production License (MNPL-0.1), lo comercial requiere acuerdo separado
VRAM BF16
~44 GB
VRAM Q4_K_M
~13 GB
Fecha de publicación
2024-05-29
Variante más reciente
Codestral 25.01 (enero 2025) con contexto de 256K
Hardware que ejecuta Codestral 22B en producción
Tres niveles, SKUs reales, números de rendimiento reales.
-
Nivel básico: RTX 4090 24 GB o RTX 3090 24 GB en Q4_K_M
Rendimiento: 60 a 100 tok/s, primer token sub-200ms. Mejor para: Autocompletado en IDE de desarrollador individual (solo uso de investigación/personal bajo MNPL).
-
Nivel medio: 1x A6000 48 GB en BF16 o 1x H100 80 GB
Rendimiento: 120 a 250 tok/s flujo único, 800+ tok/s en batch. Mejor para: Copilot interno del equipo (requiere licencia comercial de Mistral) o laboratorio de investigación con self-hosting.
-
Nivel empresarial: Licencia comercial de Mistral + 2x H100 con vLLM, o API gestionada de Mistral
Rendimiento: 1500+ tok/s en batch. Mejor para: Productos IDE de producción, herramientas de desarrollador multi-tenant (requiere licencia comercial negociada).
Opciones de cuantización para este modelo
GGUF, AWQ, FP8, INT4.
Cuantización recomendada
Q4_K_M para despliegue en IDE de un solo GPU. BF16 si tienes 48 GB+ y te importa la calidad FIM en fidelidad completa.
Compromisos
FIM es más sensible a la cuantización que el chat. Q4_K_M pierde 2 a 4 puntos en FIM pass@1 vs BF16. Para la UX de autocompletado, la ganancia de velocidad generalmente supera la caída de calidad. Q5_K_M es la opción segura intermedia.
BF16
Tamaño de archivo: no especificado.
Q8_0
Tamaño de archivo: no especificado.
Q5_K_M
Tamaño de archivo: no especificado.
Q4_K_M
Tamaño de archivo: no especificado.
Agentes de codificación que conectamos a Codestral 22B
Codestral 22B es el modelo de codificación de Mistral y el punto óptimo de un solo GPU para trabajo en IDE impulsado por FIM, menos convincente para refactorizaciones agénticas difíciles.
Aider
Funciona para bucles iterativos rápidos en bases de código pequeñas a medianas. Aider Polyglot alrededor del 38 al 45% en Codestral 22B (verificar en el leaderboard). Más débil que Qwen2.5 Coder 32B y DeepSeek Coder V2 en refactorizaciones difíciles. Mejor ajuste: fijar un solo archivo e iterar.
Continue.dev
Soporte nativo de primera clase. Continue documenta a Codestral como un modelo recomendado de autocompletado via API de Mistral. El modo FIM más el modo de instrucciones en un solo modelo significa una configuración más simple que los setups de dos modelos de la competencia. Continue más Codestral fue el par canónico de autocompletado local antes de que Qwen2.5 Coder lo alcanzara en chat. Apunta tabAutocompleteModel al endpoint FIM y estás corriendo completamente offline.
Tabby
Integración nativa de Codestral via ~/.tabby/config.toml. Self-hosted o API de nube. El soporte FIM-más-instrucción de un solo modelo significa operaciones más simples que correr dos modelos. Ajuste sólido para asistentes IDE empresariales self-hosted donde el registro de auditoría de Tabby cumple con los requisitos de cumplimiento.
Cody (Sourcegraph)
Cody soporta Codestral como modelo personalizado via la API de Mistral. La combinación de contexto de repositorio más Codestral funciona bien para bases de código indexadas por Sourcegraph. Nota de licencia: Cody empresarial más Codestral self-hosted requiere licencia comercial de Mistral.
Cursor (BYOK)
Cursor no tiene soporte nativo de Codestral. Funciona a través del plugin Continue dentro de Cursor o un proxy personalizado compatible con OpenAI. El modelo de primera parte de Cursor es más rápido, Codestral solo gana en patrones de completado con mucho FIM.
Cline
Funcional via API de Mistral. El contexto de 32K maneja el verbose prompt de sistema de Cline con margen. Más débil que DeepSeek Coder V2 en tareas de codificación autónoma multi-paso, Codestral está construido para iteración no para autonomía.
Casos de uso de agentes de codificación
Donde este modelo + stack de agentes genera trabajo real.
Agentes de investigación que desplegamos en Codestral 22B
No es la elección correcta.
Continue.dev más búsqueda de repositorio
Usar Codestral para subtareas de búsqueda de código dentro de un chat de Continue que extrae contexto del repositorio. La síntesis de prosa pura falla. Aceptable para investigación técnica dentro de una base de código.
Tabby más RAG de documentos internos
El RAG empresarial de Tabby sobre documentación interna de API y código puede usar Codestral para el paso de síntesis. Ajuste nicho, requiere que el corpus de documentos sea fuertemente orientado al código.
Nodos de investigación de código en LangGraph
Usar Codestral solo para el subgrafo de análisis de código en un agente mixto. Enrutar los nodos de síntesis y escritura a Mistral Large 3 o Llama 3.3 70B.
Extracción de código tipada con Pydantic AI
Ajuste sólido para agentes de extracción de código estrechos. Leer archivos fuente, emitir esquemas Pydantic tipados. Codestral maneja salida estructurada de forma confiable en contexto de 32K.
LlamaIndex code-search
Recuperación de repositorios GitHub y respuesta a preguntas sobre código. Codestral más LlamaIndex funciona para investigación solo técnica, más débil que DeepSeek Coder V2 en la misma tarea.
Casos de uso de agentes de investigación
Donde este modelo + stack de agentes de investigación entrega informes que tu equipo realmente usa.
Frameworks que instalamos para flujos de trabajo de agentes en producción
Elige el framework según la forma del flujo de trabajo.
CrewAI
AutoGen
DSPy
Pydantic AI
LlamaIndex
Quién elige Codestral 22B
Tres perfiles de comprador donde este modelo es la respuesta correcta.
-
Investigador o usuario personal de IDE
Tarea: Autocompletado FIM local en VS Code via Continue.dev o Tabby. Resultado: Sugerencias en línea de primera clase en un GPU de 24 GB, completamente offline, bajo los términos MNPL permitidos para investigación.
-
Empresa con licencia comercial de Mistral
Tarea: Reemplazo de Copilot self-hosted para una organización de ingeniería con licencia de pesos negociada. Resultado: Combinar Codestral para FIM con Mistral Large 2 o Mixtral para chat, todo bajo un acuerdo Mistral.
-
Cliente de API de Mistral
Tarea: Construir un producto de codificación en el endpoint alojado de Codestral de Mistral con derechos de uso comercial. Resultado: Omitir el licenciamiento de pesos completamente, obtener Codestral 25.01 con contexto de 256K y escalado gestionado.
Lo que dijeron los clientes después del lanzamiento
Comentarios de las personas que estuvieron en la sala cuando se tomaron las decisiones.
I used to spend every Sunday reconciling contractor invoices. Now they match automatically. I got my weekends back.
We didn't rush. We just stopped wasting time on things that didn't matter. The risk was managed, not ignored.
Three drivers called out on the same morning. The system reassigned every route before I finished my coffee. That used to take two hours of phone calls.
Codestral 22B vs los rivales más cercanos
Dónde gana este modelo, dónde pierde.
vs Qwen2.5-Coder 32B
Qwen es Apache 2.0 (sin problema de licencia), más grande (32B) y gana en HumanEval (92.7 vs 81.1) y MBPP (90.2 vs 78.2) además del razonamiento de chat. Codestral gana en FIM pass@1 promedio (95.3 en Python, Java, JavaScript), velocidad de inferencia en 22B denso y el salto de contexto de 32K a 256K en la variante 25.01. Para producción comercial, elige Qwen a menos que tengas un acuerdo con Mistral. Ambos caben en una sola tarjeta de 24 GB, así que el movimiento común es Codestral para tab-complete y Qwen para chat.
vs DeepSeek Coder V2 Lite (16B / 2.4B)
DeepSeek Coder V2 Lite tiene licencia permisiva comercialmente, es más rápido por token (MoE) y soporta 338 lenguajes y 128K de contexto. Codestral gana ligeramente en FIM y en predictibilidad de latencia de modelo denso. La claridad de licencia favorece a DeepSeek para producción.
vs CodeGemma 7B
CodeGemma 7B es mucho más pequeño y corre en tarjetas de 8 GB, con licencia Apache 2.0. Codestral 22B lo supera por 10 a 20 puntos en HumanEval, MBPP y FIM. Elige CodeGemma solo cuando el VRAM es inferior a 16 GB o la licencia debe ser permisiva.
Cómo Pineido configura agentes en Codestral 22B
Sprint de dos semanas con una revisión de licencia obligatoria al inicio.
Día 1
Revisión de licencia. Restricciones comerciales de MNPL-0.1 confirmadas con el asesor del comprador. Si producción comercial, licencia comercial de Mistral firmada o la API alojada codestral.mistral.ai confirmada como la ruta de despliegue.
Día 3
Decisión de hardware. RTX 4090 o 5090 (24 GB) en Q4 para self-host de investigación, o API alojada de Mistral para producción comercial. Tabby self-hosted más Codestral instalado, ~/.tabby/config.toml configurado.
Día 6
Continue.dev conectado como el asistente IDE. tabAutocompleteModel apuntando a Codestral con modo FIM, modelo de chat apuntando al mismo endpoint con modo de instrucción. Latencia base, tasa de aceptación de autocompletado medida.
Día 9
Bucles de iteración Aider probados en una base de código real del cliente. Tasa de éxito en diff-apply registrada. Agentes con herramientas tipadas de Pydantic AI conectados para tareas de extracción estructurada.
Día 11
Framework de agentes elegido. LangGraph más Codestral para flujos de trabajo en grafo, Pydantic AI para extracción de código tipada. Tool-calling nativo probado.
Día 14
Cambio a producción. Atribución de licencia distribuida (NOTICE de Mistral más referencia de licencia comercial si aplica). SSO, registro de auditoría, registro de prompts, límites de velocidad en marcha. Dashboard de administración de Tabby entregado.
Cómo desplegamos Codestral 22B en 14 días
Tarifa fija.
-
Día 1
Confirmar que tu caso de uso es no comercial bajo MNPL, o que tienes licencia comercial de Mistral, o comprometerte a usar la API de Mistral. Esta decisión bloquea todo lo que sigue.
-
Día 2
Obtener el GGUF de Codestral-22B-v0.1 y servir via llama.cpp u Ollama. Configurar el endpoint FIM (ruta /api/fim o /v1/completions compatible con OpenAI con tokens FIM).
-
Día 3
Conectar a Continue.dev o Tabby en VS Code. Configurar tab-complete en Codestral, chat en un modelo separado (Qwen2.5-Coder 32B o Llama 3.3 70B). Probar latencia al objetivo sub-200ms.
-
Semana 2
Si despliegue comercial, evaluar Codestral 25.01 con contexto de 256K via API de Mistral. Comparar costo por token vs Qwen2.5-Coder alojado. Elegir por compatibilidad de licencia primero, luego por calidad.
22.2B denso Parámetros
Reserva la llamada de alcance de 30 minutos. Te decimos si Codestral 22B más nuestro stack de agentes es la elección correcta antes de que firmes.
Tarifa fija.
El día 1 ves el modelo exacto, el hardware exacto, el stack de agentes exacto, los costos exactos y la postura de cumplimiento exacta.
Te llevas
- Día 0 (esta semana): Llamada de alcance de 30 minutos. Lista corta de hardware, elección de modelo, propuesta de stack de agentes, proyección de costos en tu bandeja de entrada antes del viernes
- Día 1: Confirmar que tu caso de uso es no comercial bajo MNPL, o que tienes licencia comercial de Mistral, o comprometerte a usar la API de Mistral. Esta decisión bloquea todo lo que sigue.
Respuestas, sin llamada de ventas
¿La licencia es realmente no comercial?
Sí, estrictamente. La MNPL-0.1 prohíbe cualquier actividad comercial, incluido el uso por parte de empleados en el desempeño de su trabajo, servicios alojados y productos que generan ingresos. Incluso los ajustes finos de Codestral heredan la restricción. El despliegue comercial requiere una licencia separada de [email protected] o el uso de la API de Mistral.
¿Por qué Codestral es el mejor en FIM?
Mistral entrenó tokens FIM nativos en el modelo base, no como un addon ajustado. Esto le da una tasa de 95.3% en FIM pass@1 que ningún otro modelo abierto ha igualado. Codestral 25.01 extiende esto con un contexto mayor de 256K para fill-in-the-middle a nivel de repositorio.
¿Qué hay de Codestral 25.01?
Codestral 25.01 es la actualización de enero de 2025 con una ventana de contexto de 256K (8x el original de 32K), un mejor tokenizador, decodificación aproximadamente 2x más rápida y 86.6% en HumanEval Python. Encabezó el leaderboard de autocompletado Copilot Arena en su lanzamiento y solo está disponible via API de Mistral. Desde entonces Mistral ha lanzado Codestral 25.08 (julio de 2025), que reporta 30% más completados aceptados y 50% menos generaciones descontroladas, empaquetado con Codestral Embed, el agente Devstral y el plugin de IDE Mistral Code para self-host empresarial. El Codestral 22B v0.1 original sigue siendo la opción de pesos abiertos, solo que con el contexto original de 32K.
¿Cuál es la alternativa más cercana con licencia comercialmente limpia?
Qwen2.5-Coder 32B bajo Apache 2.0 para chat y tareas complejas. DeepSeek Coder V2 Lite para FIM rápido. CodeGemma 7B para setups de VRAM bajo. Ninguno iguala a Codestral en FIM pass@1, pero todos son comercialmente limpios.
¿Puede un producto comercial distribuirse con Codestral 22B v0.1 self-hosted?
No sin una licencia comercial separada de Mistral. Codestral 22B v0.1 viene bajo la Mistral AI Non-Production License (MNPL-0.1), explícitamente solo para investigación y pruebas. Tres rutas legales para producción: primera, firmar una licencia comercial con Mistral (precios personalizados); segunda, usar la API alojada de Mistral (codestral.mistral.ai o api.mistral.ai) con sus términos comerciales; tercera, cambiar a Qwen2.5 Coder 32B (Apache 2.0) o DeepSeek Coder V2 (MIT más DeepSeek License Agreement, comercial gratuito). Para una consultora pequeña que distribuye producto, las rutas dos o tres son el predeterminado práctico.
¿Debemos elegir Codestral 22B o Qwen2.5 Coder 32B para flujos de trabajo Aider?
Qwen2.5 Coder 32B para refactorizaciones difíciles, Codestral para iteración con mucho FIM. Qwen2.5 Coder 32B lidera en Aider Polyglot por 6 a 12 puntos y viene bajo Apache 2.0 (sin nota al pie de licencia). Codestral gana en benchmarks FIM (HumanEvalFIM 91.6%) y se combina mejor con el autocompletado Continue.dev debido al soporte FIM-más-instrucción en un solo modelo. Elección práctica en 2026: Qwen2.5 Coder para el bucle de codificación agéntica, Codestral solo cuando la latencia de autocompletado FIM es la restricción vinculante.
PorKostadin StambolievFundador e Imaginator
Pineido, con sede en Strumica, North Macedonia, es una empresa de software que crea sitios web, tiendas online, apps web y móviles, automatización de procesos e IA para empresas de aquí y del extranjero. El trabajo se entrega en sprints de 30 días a precio fijo, y el código es del cliente.
Publicado Actualizado