Codestral Embed 2505 je embeddingový model společnosti Mistral AI specializovaný na vyhledávání kódu. Přijímá text obsahující zdrojový kód nebo dotaz na kód v přirozeném jazyce a vrací číselné vektory. Výrobce jej určuje pro vyhledávání v repozitářích, vyhledávání kontextu pro programovací asistenty, analýzu podobnosti a duplicit a seskupování kódu podle funkčnosti nebo struktury. Jeho pevný identifikátor vydání je codestral-embed-2505.
Vstup a reprezentace
Vstupem s kódem může být funkce, související fragment zdrojového kódu nebo jiná smysluplná jednotka repozitáře. Dotaz v přirozeném jazyce může popsat hledané chování namísto pojmenování přesného symbolu. Embedding reprezentuje tento vstup pro porovnávání; model negeneruje novou implementaci ani neprovádí přijatý kód.
Oficiální vydání dokumentuje úplný vstupní kontext 8192 tokenů. Pro vyhledávání výrobce doporučuje úseky o přibližně 3000 znacích s překryvem 1000 znaků a uvádí, že větší úseky mohou zhoršovat vyhledávání. Jde o doporučení pro přípravu vyhledávání, nikoli o tokenový limit 3000 znaků. S každou připravenou položkou uchovávejte soubor, symbol a umístění ve zdroji, aby aplikace mohla po vyhledání vrátit relevantní kód.
Přesnost a rozměry výstupu
Průvodce embeddingy kódu dokumentuje výstupní typy float, int8, uint8, binary a ubinary. Float používá 32bitové hodnoty s jednoduchou přesností. Int8 používá 8bitová celá čísla se znaménkem od -128 do 127, zatímco uint8 používá 8bitové hodnoty bez znaménka od 0 do 255. Binary a ubinary ukládají kvantované jednobitové hodnoty zabalené do 8bitových prvků v kontejnerech se znaménkem, respektive bez znaménka.
Bitově balená reprezentace mění délku vráceného seznamu: průvodce popisuje jeden zabalený prvek na každých osm logických rozměrů embeddingu. Porovnání zohledňující formát se proto liší od zacházení se zabalenými bajty jako s běžnými souřadnicemi s plovoucí řádovou čárkou. S vektorem uchovávejte zvolený typ a používejte stejnou reprezentaci pro indexovaný kód i jeho dotaz.
Dokumentace parametrů uvádí výchozí rozměr 1536 a maximum 3072. Rozměry jsou seřazeny podle relevance a výrobce popisuje ponechání zvoleného počtu prvních rozměrů jako způsob volby velikosti reprezentace. Pro uloženou kolekci a nové dotazy volte rozměr konzistentně. Kratší nebo kvantovaná reprezentace mění ukládání a chování porovnání; nezvětšuje vstupní kontext ani nemění model na generátor kódu.
Programování s podporou vyhledávání
Prvním případem použití uvedeným ve vydání je vyhledávání kontextu pro doplňování, úpravy nebo vysvětlení kódu. Připravte smysluplné jednotky kódu a uchovávejte revizi repozitáře a identifikátory zdroje. Otázka na to, jak se zpracovává konkrétní chyba, může vyhledat související funkce, které aplikace následně předá programovacímu modelu spolu se skutečným požadavkem na změnu.
Praktickým výsledkem je seřazená sada úryvků zdrojového kódu s cestami k souborům, symboly a obsahem potřebným k pochopení jejich chování. Nalezené úryvky může otevřít vývojář nebo je lze předat asistentovi. Codestral Embed provádí krok reprezentace; samostatná komponenta vybírá výsledky a případný generativní model píše vysvětlení nebo navrhovaný kód.
Sémantické vyhledávání a podobnost
Výrobce popisuje vyhledávání kódu pomocí dotazů v přirozeném jazyce nebo v kódu. Vývojář se může ptát na implementaci určitého chování, i když se název funkce liší od formulace požadavku. Uveďte chování a podmínky, které zamýšlenou implementaci odlišují; obecný dotaz na celý subsystém může vyhledat související materiál, aniž vyřeší konkrétní otázku.
Vydání také popisuje hledání téměř duplicitního nebo funkčně podobného kódu navzdory lexikálním rozdílům. Takové výsledky mohou pomoci najít znovu použitelnou implementaci nebo určit kód vyžadující další kontrolu. Podobnost v embeddingovém prostoru je signálem k prohlédnutí zdroje; nedokládá, že dva fragmenty mají totožné chování pro každý vstup.
Shlukování, analytika a porovnávání
Embeddingy kódu lze použít k seskupování kódu podle funkčnosti nebo struktury a ke zkoumání skladby repozitáře. Původní úryvky a identifikátory ponechte dostupné, aby skupinu mohl interpretovat člověk nebo pozdější krok aplikace. Shluk je seskupení založené na reprezentaci, nikoli automaticky ověřený popis architektury.
Příklady výrobce s vektory s plovoucí řádovou čárkou používají embeddingy normalizované na jednotkovou normu, pro něž kosinová podobnost, skalární součin a eukleidovská vzdálenost dávají shodné pořadí. Kvantované a bitově balené výstupy by měly zachovat vlastní zpracování formátu místo přebírání předpokladu o prostých souřadnicích s plovoucí řádovou čárkou. Publikovaný koncový bod také zachovává indexy vstupů, což pomáhá udržet spojení mezi každým vektorem a jeho zdrojovou položkou.
Edice a praktické hranice
Stránka konkrétního modelu uvádí postupy pro embeddingy a dávkové zpracování s označením kontextu 8k, zatímco vydání uvádí hodnotu 8192 tokenů. Pojmenovanou edici 2505, zvolený rozměr a typ výstupu zachovávejte v celém postupu pro kolekci i dotazy. Jde o vektorový výstup zaměřený na kód, odlišný od doplňování textu pomocí Codestral i od textového modelu Mistral Embed s pevným rozměrem.
Připravte jednotky kódu nesoucí relevantní chování, uchovávejte jejich umístění ve zdroji a formulujte otázku, podle níž se mají vyhledat. Užitečným výsledkem je vyhledatelná reprezentace propojená se skutečným kódem, která podporuje další krok vysvětlení, úprav nebo kontroly vývojářem, aniž jej sama provádí.
", "aboutText": "Codestral Embed 2505 je embeddingový model společnosti Mistral AI specializovaný na vyhledávání kódu. Přijímá text obsahující zdrojový kód nebo dotaz na kód v přirozeném jazyce a vrací číselné vektory. Výrobce jej určuje pro vyhledávání v repozitářích, vyhledávání kontextu pro programovací asistenty, analýzu podobnosti a duplicit a seskupování kódu podle funkčnosti nebo struktury. Jeho pevný identifikátor vydání je codestral-embed-2505.\n\nVstup a reprezentace\n\nVstupem s kódem může být funkce, související fragment zdrojového kódu nebo jiná smysluplná jednotka repozitáře. Dotaz v přirozeném jazyce může popsat hledané chování namísto pojmenování přesného symbolu. Embedding reprezentuje tento vstup pro porovnávání; model negeneruje novou implementaci ani neprovádí přijatý kód.\n\nOficiální vydání dokumentuje úplný vstupní kontext 8192 tokenů. Pro vyhledávání výrobce doporučuje úseky o přibližně 3000 znacích s překryvem 1000 znaků a uvádí, že větší úseky mohou zhoršovat vyhledávání. Jde o doporučení pro přípravu vyhledávání, nikoli o tokenový limit 3000 znaků. S každou připravenou položkou uchovávejte soubor, symbol a umístění ve zdroji, aby aplikace mohla po vyhledání vrátit relevantní kód.\n\nPřesnost a rozměry výstupu\n\nPrůvodce embeddingy kódu dokumentuje výstupní typy float, int8, uint8, binary a ubinary. Float používá 32bitové hodnoty s jednoduchou přesností. Int8 používá 8bitová celá čísla se znaménkem od -128 do 127, zatímco uint8 používá 8bitové hodnoty bez znaménka od 0 do 255. Binary a ubinary ukládají kvantované jednobitové hodnoty zabalené do 8bitových prvků v kontejnerech se znaménkem, respektive bez znaménka.\n\nBitově balená reprezentace mění délku vráceného seznamu: průvodce popisuje jeden zabalený prvek na každých osm logických rozměrů embeddingu. Porovnání zohledňující formát se proto liší od zacházení se zabalenými bajty jako s běžnými souřadnicemi s plovoucí řádovou čárkou. S vektorem uchovávejte zvolený typ a používejte stejnou reprezentaci pro indexovaný kód i jeho dotaz.\n\nDokumentace parametrů uvádí výchozí rozměr 1536 a maximum 3072. Rozměry jsou seřazeny podle relevance a výrobce popisuje ponechání zvoleného počtu prvních rozměrů jako způsob volby velikosti reprezentace. Pro uloženou kolekci a nové dotazy volte rozměr konzistentně. Kratší nebo kvantovaná reprezentace mění ukládání a chování porovnání; nezvětšuje vstupní kontext ani nemění model na generátor kódu.\n\nProgramování s podporou vyhledávání\n\nPrvním případem použití uvedeným ve vydání je vyhledávání kontextu pro doplňování, úpravy nebo vysvětlení kódu. Připravte smysluplné jednotky kódu a uchovávejte revizi repozitáře a identifikátory zdroje. Otázka na to, jak se zpracovává konkrétní chyba, může vyhledat související funkce, které aplikace následně předá programovacímu modelu spolu se skutečným požadavkem na změnu.\n\nPraktickým výsledkem je seřazená sada úryvků zdrojového kódu s cestami k souborům, symboly a obsahem potřebným k pochopení jejich chování. Nalezené úryvky může otevřít vývojář nebo je lze předat asistentovi. Codestral Embed provádí krok reprezentace; samostatná komponenta vybírá výsledky a případný generativní model píše vysvětlení nebo navrhovaný kód.\n\nSémantické vyhledávání a podobnost\n\nVýrobce popisuje vyhledávání kódu pomocí dotazů v přirozeném jazyce nebo v kódu. Vývojář se může ptát na implementaci určitého chování, i když se název funkce liší od formulace požadavku. Uveďte chování a podmínky, které zamýšlenou implementaci odlišují; obecný dotaz na celý subsystém může vyhledat související materiál, aniž vyřeší konkrétní otázku.\n\nVydání také popisuje hledání téměř duplicitního nebo funkčně podobného kódu navzdory lexikálním rozdílům. Takové výsledky mohou pomoci najít znovu použitelnou implementaci nebo určit kód vyžadující další kontrolu. Podobnost v embeddingovém prostoru je signálem k prohlédnutí zdroje; nedokládá, že dva fragmenty mají totožné chování pro každý vstup.\n\nShlukování, analytika a porovnávání\n\nEmbeddingy kódu lze použít k seskupování kódu podle funkčnosti nebo struktury a ke zkoumání skladby repozitáře. Původní úryvky a identifikátory ponechte dostupné, aby skupinu mohl interpretovat člověk nebo pozdější krok aplikace. Shluk je seskupení založené na reprezentaci, nikoli automaticky ověřený popis architektury.\n\nPříklady výrobce s vektory s plovoucí řádovou čárkou používají embeddingy normalizované na jednotkovou normu, pro něž kosinová podobnost, skalární součin a eukleidovská vzdálenost dávají shodné pořadí. Kvantované a bitově balené výstupy by měly zachovat vlastní zpracování formátu místo přebírání předpokladu o prostých souřadnicích s plovoucí řádovou čárkou. Publikovaný koncový bod také zachovává indexy vstupů, což pomáhá udržet spojení mezi každým vektorem a jeho zdrojovou položkou.\n\nEdice a praktické hranice\n\nStránka konkrétního modelu uvádí postupy pro embeddingy a dávkové zpracování s označením kontextu 8k, zatímco vydání uvádí hodnotu 8192 tokenů. Pojmenovanou edici 2505, zvolený rozměr a typ výstupu zachovávejte v celém postupu pro kolekci i dotazy. Jde o vektorový výstup zaměřený na kód, odlišný od doplňování textu pomocí Codestral i od textového modelu Mistral Embed s pevným rozměrem.\n\nPřipravte jednotky kódu nesoucí relevantní chování, uchovávejte jejich umístění ve zdroji a formulujte otázku, podle níž se mají vyhledat. Užitečným výsledkem je vyhledatelná reprezentace propojená se skutečným kódem, která podporuje další krok vysvětlení, úprav nebo kontroly vývojářem, aniž jej sama provádí.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "df827794219f8e7e9fb13adeaaa8594cf6ed90c681825eaca2a4f4e29b5df7b5", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "cs", "methods": [ { "html": "mistralai/codestral-embed-2505Codestral Embed 2505 reprezentuje kód a dotazy v přirozeném jazyce jako vektory pro vyhledávání v repozitářích a vyhledávání podkladů pro programovací asistenty. Výrobce dokumentuje kontext 8192 tokenů, konfigurovatelné rozměry až do 3072 a výstupní formáty s plovoucí řádovou čárkou, celými čísly nebo bitově balenými hodnotami.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Codestral Embed 2505 je embeddingový model společnosti Mistral AI specializovaný na vyhledávání kódu. Přijímá text obsahující zdrojový kód nebo dotaz na kód v přirozeném jazyce a vrací číselné vektory. Výrobce jej určuje pro vyhledávání v repozitářích, vyhledávání kontextu pro programovací asistenty, analýzu podobnosti a duplicit a seskupování kódu podle funkčnosti nebo struktury. Jeho pevný identifikátor vydání je codestral-embed-2505.
Vstup a reprezentace
Vstupem s kódem může být funkce, související fragment zdrojového kódu nebo jiná smysluplná jednotka repozitáře. Dotaz v přirozeném jazyce může popsat hledané chování namísto pojmenování přesného symbolu. Embedding reprezentuje tento vstup pro porovnávání; model negeneruje novou implementaci ani neprovádí přijatý kód.
Oficiální vydání dokumentuje úplný vstupní kontext 8192 tokenů. Pro vyhledávání výrobce doporučuje úseky o přibližně 3000 znacích s překryvem 1000 znaků a uvádí, že větší úseky mohou zhoršovat vyhledávání. Jde o doporučení pro přípravu vyhledávání, nikoli o tokenový limit 3000 znaků. S každou připravenou položkou uchovávejte soubor, symbol a umístění ve zdroji, aby aplikace mohla po vyhledání vrátit relevantní kód.
Přesnost a rozměry výstupu
Průvodce embeddingy kódu dokumentuje výstupní typy float, int8, uint8, binary a ubinary. Float používá 32bitové hodnoty s jednoduchou přesností. Int8 používá 8bitová celá čísla se znaménkem od -128 do 127, zatímco uint8 používá 8bitové hodnoty bez znaménka od 0 do 255. Binary a ubinary ukládají kvantované jednobitové hodnoty zabalené do 8bitových prvků v kontejnerech se znaménkem, respektive bez znaménka.
Bitově balená reprezentace mění délku vráceného seznamu: průvodce popisuje jeden zabalený prvek na každých osm logických rozměrů embeddingu. Porovnání zohledňující formát se proto liší od zacházení se zabalenými bajty jako s běžnými souřadnicemi s plovoucí řádovou čárkou. S vektorem uchovávejte zvolený typ a používejte stejnou reprezentaci pro indexovaný kód i jeho dotaz.
Dokumentace parametrů uvádí výchozí rozměr 1536 a maximum 3072. Rozměry jsou seřazeny podle relevance a výrobce popisuje ponechání zvoleného počtu prvních rozměrů jako způsob volby velikosti reprezentace. Pro uloženou kolekci a nové dotazy volte rozměr konzistentně. Kratší nebo kvantovaná reprezentace mění ukládání a chování porovnání; nezvětšuje vstupní kontext ani nemění model na generátor kódu.
Programování s podporou vyhledávání
Prvním případem použití uvedeným ve vydání je vyhledávání kontextu pro doplňování, úpravy nebo vysvětlení kódu. Připravte smysluplné jednotky kódu a uchovávejte revizi repozitáře a identifikátory zdroje. Otázka na to, jak se zpracovává konkrétní chyba, může vyhledat související funkce, které aplikace následně předá programovacímu modelu spolu se skutečným požadavkem na změnu.
Praktickým výsledkem je seřazená sada úryvků zdrojového kódu s cestami k souborům, symboly a obsahem potřebným k pochopení jejich chování. Nalezené úryvky může otevřít vývojář nebo je lze předat asistentovi. Codestral Embed provádí krok reprezentace; samostatná komponenta vybírá výsledky a případný generativní model píše vysvětlení nebo navrhovaný kód.
Sémantické vyhledávání a podobnost
Výrobce popisuje vyhledávání kódu pomocí dotazů v přirozeném jazyce nebo v kódu. Vývojář se může ptát na implementaci určitého chování, i když se název funkce liší od formulace požadavku. Uveďte chování a podmínky, které zamýšlenou implementaci odlišují; obecný dotaz na celý subsystém může vyhledat související materiál, aniž vyřeší konkrétní otázku.
Vydání také popisuje hledání téměř duplicitního nebo funkčně podobného kódu navzdory lexikálním rozdílům. Takové výsledky mohou pomoci najít znovu použitelnou implementaci nebo určit kód vyžadující další kontrolu. Podobnost v embeddingovém prostoru je signálem k prohlédnutí zdroje; nedokládá, že dva fragmenty mají totožné chování pro každý vstup.
Shlukování, analytika a porovnávání
Embeddingy kódu lze použít k seskupování kódu podle funkčnosti nebo struktury a ke zkoumání skladby repozitáře. Původní úryvky a identifikátory ponechte dostupné, aby skupinu mohl interpretovat člověk nebo pozdější krok aplikace. Shluk je seskupení založené na reprezentaci, nikoli automaticky ověřený popis architektury.
Příklady výrobce s vektory s plovoucí řádovou čárkou používají embeddingy normalizované na jednotkovou normu, pro něž kosinová podobnost, skalární součin a eukleidovská vzdálenost dávají shodné pořadí. Kvantované a bitově balené výstupy by měly zachovat vlastní zpracování formátu místo přebírání předpokladu o prostých souřadnicích s plovoucí řádovou čárkou. Publikovaný koncový bod také zachovává indexy vstupů, což pomáhá udržet spojení mezi každým vektorem a jeho zdrojovou položkou.
Edice a praktické hranice
Stránka konkrétního modelu uvádí postupy pro embeddingy a dávkové zpracování s označením kontextu 8k, zatímco vydání uvádí hodnotu 8192 tokenů. Pojmenovanou edici 2505, zvolený rozměr a typ výstupu zachovávejte v celém postupu pro kolekci i dotazy. Jde o vektorový výstup zaměřený na kód, odlišný od doplňování textu pomocí Codestral i od textového modelu Mistral Embed s pevným rozměrem.
Připravte jednotky kódu nesoucí relevantní chování, uchovávejte jejich umístění ve zdroji a formulujte otázku, podle níž se mají vyhledat. Užitečným výsledkem je vyhledatelná reprezentace propojená se skutečným kódem, která podporuje další krok vysvětlení, úprav nebo kontroly vývojářem, aniž jej sama provádí.
POST /v1/embeddingstext, token_idsembedding| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity mistralai/codestral-embed-2505 | Výchozí— |
Poleinput | Typstring|string[]|integer[]|integer[][] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 Podmínky: Neprázdná homogenní dávka. ID tokenů jsou nezáporná celá čísla. Rozpočet vstupu: Maximum: 8 192 · Jednotka textu: bajty UTF8 · Jednotka tokenů: prvky pole tokenů | Výchozí— |
Poleencoding_format | Typstring | PožadavekVolitelné | Hodnoty a limity float | Výchozífloat |
Poledimensions | Typinteger | PožadavekNepodporováno | Hodnoty a limity Minimum: 1 | Výchozí— |
Poleuser | Typjson_value | PožadavekVolitelné | Hodnoty a limity Podmínky: Zdroj povoluje toto pole metadat JSON; jeho přesný význam u poskytovatele závisí na konkrétním modelu. | Výchozí— |
Polesession_id | Typjson_value | PožadavekVolitelné | Hodnoty a limity Podmínky: Zdroj povoluje toto pole metadat JSON; jeho přesný význam u poskytovatele závisí na konkrétním modelu. | Výchozí— |
Poletrace | Typjson_value | PožadavekVolitelné | Hodnoty a limity Podmínky: Zdroj povoluje toto pole metadat JSON; jeho přesný význam u poskytovatele závisí na konkrétním modelu. | Výchozí— |
Poleprovider | Typobject | PožadavekVolitelné | Hodnoty a limity Podmínky: Parametr provider.options byl odmítnut | Výchozí— |
text_to_embedding
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input |
Parametrinput_shapes | Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametrencoding_format | Kontraktfloat |
Parametrdimensions_override | Kontraktfalse |
Parametrmax_input_budget_units | Kontrakt8192 |
Parametrmultimodal_objects | Kontraktfalse |
Parametrmaterial_types | Kontrakttext, token_ids |
Životní cyklus: synchronous_json
Uchovejte index i rozměr každého vektoru.
Multimodální název modelu neznamená, že tato konkrétní cesta přijímá obrazové objekty.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
| Konfigurace | Tabulka sazeb | Poplatek |
|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Poplatek Vstup · Vstupní tokeny $0.0003 / 1K tokenů Výstup · Výstupní tokeny $0 / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/codestral-embed-2505", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='mistralai/codestral-embed-2505',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Uchovejte každý vektor spolu s jeho indexem. Počet vektorů musí odpovídat počtu vstupů; jejich rozměr musí být jednotný.
Samostatný endpoint úloh pro embeddingy se nezavádí.
| Pole | Typ |
|---|---|
Poleobject | Typstring |
Polemodel | Typstring |
Poledata[].index | Typinteger |
Poledata[].embedding | Typfinite float[] |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra mistralai/codestral-embed-2505
Použijte cesty metod uvedené výše.