Mistral Embed 2312 je textový embeddingový model společnosti Mistral AI pro číselnou reprezentaci významu. Přijímá textový řetězec nebo seznam řetězců a pro každý vstup vrací embedding. Výsledkem je vektor, který aplikace používá k posuzování podobnosti, vyhledávání relevantních informací, klasifikaci nebo shlukování, nikoli konverzační vysvětlení. Stránka výrobce věnovaná konkrétní verzi modelu uvádí mistral-embed-2312.
Vstup, kontext a tvar vektoru
Stránka tohoto konkrétního modelu dokumentuje označení kontextu 8k. Každou textovou položku připravte v rámci příslušné vstupní kapacity a uchovávejte její identitu spolu s vektorem. Dlouhý zdrojový dokument lze rozdělit na užitečné pasáže a současně zachovat název dokumentu, oddíl a umístění ve zdroji potřebné k pozdějšímu vrácení správného materiálu.
Průvodce Mistral Embed od výrobce uvádí 1024 rozměrů každého textového embeddingu bez ohledu na viditelnou délku vstupu. Krátká otázka a delší pasáž proto mají stejný tvar vektoru, i když se jejich obsah a počet tokenů liší. Jde o rozměr výstupní reprezentace, nikoli o rozpočet tokenů odpovědi nebo míru toho, kolik slov zdroje se uchovává.
Dokumentovaná odpověď obsahuje embeddingy a informace o využití tokenů; příklad koncového bodu přiřazuje každý vektor k indexu vstupu. Při zpracování několika textů toto přiřazení zachovejte. Aplikace potřebuje původní text a jeho identifikátory i číselný výsledek, aby mohla zobrazit užitečný výsledek vyhledávání nebo poskytnout zdrojový materiál pro další krok.
Sémantická podobnost
Průvodce vysvětluje, že související texty bývají v embeddingovém prostoru blízko sebe. To pomáhá najít pasáže, které vyjadřují stejné téma nebo požadavek jinými slovy. Ilustrační dotaz ve znalostní bázi se může ptát na obnovení přístupu, zatímco příslušný postup používá pro stejnou operaci jinou formulaci. Aplikace může porovnat vektor dotazu s uloženými vektory pasáží, místo aby spoléhala pouze na přesnou shodu slov.
Příklady výrobce používají embeddingy normalizované na jednotkovou normu. U takových vektorů dávají kosinová podobnost, skalární součin a eukleidovská vzdálenost shodné pořadí podobnosti, přestože jejich číselné hodnoty nejsou totožné. Zvolte jednu vhodnou metodu porovnání a používejte ji konzistentně pro reprezentace dotazů i dokumentů.
Podobnost nedokazuje, že jsou dvě tvrzení zaměnitelná. Uchovávejte zdrojový text a zkontrolujte podmínku, datum nebo identifikátor, na kterých záleží při zodpovězení otázky. Dvě pasáže mohou pojednávat o stejném tématu a zároveň popisovat odlišné postupy nebo výjimky. Embedding poskytuje signál pro vyhledávání; interpretace vybrané pasáže je samostatnou částí úkolu.
Vyhledávání a odpovědi založené na zdrojích
Praktický postup práce s dokumenty připraví vektory pasáží znalostní báze, uloží jejich identifikátory a původní text a poté porovná novou otázku s touto kolekcí. Relevantní pasáže vraťte spolu s jejich umístěním ve zdrojích. Aplikace je může zobrazit přímo nebo je předat modelu pro generování textu, který napíše odpověď podloženou nalezeným materiálem.
Pro užitečný výsledek vyhledávání uchovávejte název dokumentu, oddíl, pasáž a identifikátor použitý k jejímu nalezení. Asistent podpory pak může vyhledat postup relevantní pro otázku uživatele a předat jej do fáze psaní odpovědi. Mistral Embed provádí krok číselné reprezentace; sám nepíše konečné vysvětlení ani neprovádí externí akci.
Další dokumentovaná použití
Výrobce mezi postupy využívajícími embeddingy uvádí také detekci parafrází, klasifikaci, shlukování a dávkové zpracování. Úkol porovnání může vyhledat pasáže se souvisejícím významem ke kontrole. Klasifikační postup může porovnávat vstup s označenými příklady nebo použít vektory jako příznaky pro samostatný klasifikátor. Shlukovací postup může seskupit podobné položky pro pozdější popis člověkem nebo na úrovni aplikace.
Před přípravou dat definujte účel reprezentace. Pasáž určená pro sémantické vyhledávání by měla zachovat informace, které někdo bude po vyhledání potřebovat; klasifikační příklad by měl obsahovat formulaci, která danou třídu odlišuje. Přípravu udržujte konzistentní, aby dotaz a uložená položka reprezentovaly srovnatelný materiál.
Edice a hranice výstupu
Pro dokumenty a jejich dotazy používejte stejnou edici modelu a kompatibilní reprezentaci. Vektor ze samostatného modelu se stejným počtem souřadnic automaticky nepatří do stejného sémantického prostoru. Při nahrazení modelu nebo reprezentace musí uložené položky a dotazy zůstat vzájemně sladěné.
Tato položka popisuje textový vstup a výstup v podobě číselného vektoru s kontextem 8k uváděným výrobcem a dokumentovanou 1024rozměrnou reprezentací Mistral Embed. Konfigurovatelné rozměry a kvantované formáty Codestral Embed patří samostatně pojmenovanému modelu pro kód a nelze je zde předpokládat. Obrázky, zvuk, generovaná próza a provádění nástrojů jsou samostatné schopnosti mimo tento výsledek textového embeddingu.
", "aboutText": "Mistral Embed 2312 je textový embeddingový model společnosti Mistral AI pro číselnou reprezentaci významu. Přijímá textový řetězec nebo seznam řetězců a pro každý vstup vrací embedding. Výsledkem je vektor, který aplikace používá k posuzování podobnosti, vyhledávání relevantních informací, klasifikaci nebo shlukování, nikoli konverzační vysvětlení. Stránka výrobce věnovaná konkrétní verzi modelu uvádí mistral-embed-2312.\n\nVstup, kontext a tvar vektoru\n\nStránka tohoto konkrétního modelu dokumentuje označení kontextu 8k. Každou textovou položku připravte v rámci příslušné vstupní kapacity a uchovávejte její identitu spolu s vektorem. Dlouhý zdrojový dokument lze rozdělit na užitečné pasáže a současně zachovat název dokumentu, oddíl a umístění ve zdroji potřebné k pozdějšímu vrácení správného materiálu.\n\nPrůvodce Mistral Embed od výrobce uvádí 1024 rozměrů každého textového embeddingu bez ohledu na viditelnou délku vstupu. Krátká otázka a delší pasáž proto mají stejný tvar vektoru, i když se jejich obsah a počet tokenů liší. Jde o rozměr výstupní reprezentace, nikoli o rozpočet tokenů odpovědi nebo míru toho, kolik slov zdroje se uchovává.\n\nDokumentovaná odpověď obsahuje embeddingy a informace o využití tokenů; příklad koncového bodu přiřazuje každý vektor k indexu vstupu. Při zpracování několika textů toto přiřazení zachovejte. Aplikace potřebuje původní text a jeho identifikátory i číselný výsledek, aby mohla zobrazit užitečný výsledek vyhledávání nebo poskytnout zdrojový materiál pro další krok.\n\nSémantická podobnost\n\nPrůvodce vysvětluje, že související texty bývají v embeddingovém prostoru blízko sebe. To pomáhá najít pasáže, které vyjadřují stejné téma nebo požadavek jinými slovy. Ilustrační dotaz ve znalostní bázi se může ptát na obnovení přístupu, zatímco příslušný postup používá pro stejnou operaci jinou formulaci. Aplikace může porovnat vektor dotazu s uloženými vektory pasáží, místo aby spoléhala pouze na přesnou shodu slov.\n\nPříklady výrobce používají embeddingy normalizované na jednotkovou normu. U takových vektorů dávají kosinová podobnost, skalární součin a eukleidovská vzdálenost shodné pořadí podobnosti, přestože jejich číselné hodnoty nejsou totožné. Zvolte jednu vhodnou metodu porovnání a používejte ji konzistentně pro reprezentace dotazů i dokumentů.\n\nPodobnost nedokazuje, že jsou dvě tvrzení zaměnitelná. Uchovávejte zdrojový text a zkontrolujte podmínku, datum nebo identifikátor, na kterých záleží při zodpovězení otázky. Dvě pasáže mohou pojednávat o stejném tématu a zároveň popisovat odlišné postupy nebo výjimky. Embedding poskytuje signál pro vyhledávání; interpretace vybrané pasáže je samostatnou částí úkolu.\n\nVyhledávání a odpovědi založené na zdrojích\n\nPraktický postup práce s dokumenty připraví vektory pasáží znalostní báze, uloží jejich identifikátory a původní text a poté porovná novou otázku s touto kolekcí. Relevantní pasáže vraťte spolu s jejich umístěním ve zdrojích. Aplikace je může zobrazit přímo nebo je předat modelu pro generování textu, který napíše odpověď podloženou nalezeným materiálem.\n\nPro užitečný výsledek vyhledávání uchovávejte název dokumentu, oddíl, pasáž a identifikátor použitý k jejímu nalezení. Asistent podpory pak může vyhledat postup relevantní pro otázku uživatele a předat jej do fáze psaní odpovědi. Mistral Embed provádí krok číselné reprezentace; sám nepíše konečné vysvětlení ani neprovádí externí akci.\n\nDalší dokumentovaná použití\n\nVýrobce mezi postupy využívajícími embeddingy uvádí také detekci parafrází, klasifikaci, shlukování a dávkové zpracování. Úkol porovnání může vyhledat pasáže se souvisejícím významem ke kontrole. Klasifikační postup může porovnávat vstup s označenými příklady nebo použít vektory jako příznaky pro samostatný klasifikátor. Shlukovací postup může seskupit podobné položky pro pozdější popis člověkem nebo na úrovni aplikace.\n\nPřed přípravou dat definujte účel reprezentace. Pasáž určená pro sémantické vyhledávání by měla zachovat informace, které někdo bude po vyhledání potřebovat; klasifikační příklad by měl obsahovat formulaci, která danou třídu odlišuje. Přípravu udržujte konzistentní, aby dotaz a uložená položka reprezentovaly srovnatelný materiál.\n\nEdice a hranice výstupu\n\nPro dokumenty a jejich dotazy používejte stejnou edici modelu a kompatibilní reprezentaci. Vektor ze samostatného modelu se stejným počtem souřadnic automaticky nepatří do stejného sémantického prostoru. Při nahrazení modelu nebo reprezentace musí uložené položky a dotazy zůstat vzájemně sladěné.\n\nTato položka popisuje textový vstup a výstup v podobě číselného vektoru s kontextem 8k uváděným výrobcem a dokumentovanou 1024rozměrnou reprezentací Mistral Embed. Konfigurovatelné rozměry a kvantované formáty Codestral Embed patří samostatně pojmenovanému modelu pro kód a nelze je zde předpokládat. Obrázky, zvuk, generovaná próza a provádění nástrojů jsou samostatné schopnosti mimo tento výsledek textového embeddingu.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "17163630e9cd25c3f2dff972b30ab95c468548d8502251092e1a33ec01883de1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "cs", "methods": [ { "html": "mistralai/mistral-embed-2312Mistral Embed 2312 převádí text na 1024rozměrné vektory pro sémantické vyhledávání, vyhledávání relevantních informací a analýzu souvisejících textů. Stránka výrobce dokumentuje kontext 8k; výsledkem je číselná reprezentace spojená s každým vstupem, nikoli vygenerovaná odpověď.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Mistral Embed 2312 je textový embeddingový model společnosti Mistral AI pro číselnou reprezentaci významu. Přijímá textový řetězec nebo seznam řetězců a pro každý vstup vrací embedding. Výsledkem je vektor, který aplikace používá k posuzování podobnosti, vyhledávání relevantních informací, klasifikaci nebo shlukování, nikoli konverzační vysvětlení. Stránka výrobce věnovaná konkrétní verzi modelu uvádí mistral-embed-2312.
Vstup, kontext a tvar vektoru
Stránka tohoto konkrétního modelu dokumentuje označení kontextu 8k. Každou textovou položku připravte v rámci příslušné vstupní kapacity a uchovávejte její identitu spolu s vektorem. Dlouhý zdrojový dokument lze rozdělit na užitečné pasáže a současně zachovat název dokumentu, oddíl a umístění ve zdroji potřebné k pozdějšímu vrácení správného materiálu.
Průvodce Mistral Embed od výrobce uvádí 1024 rozměrů každého textového embeddingu bez ohledu na viditelnou délku vstupu. Krátká otázka a delší pasáž proto mají stejný tvar vektoru, i když se jejich obsah a počet tokenů liší. Jde o rozměr výstupní reprezentace, nikoli o rozpočet tokenů odpovědi nebo míru toho, kolik slov zdroje se uchovává.
Dokumentovaná odpověď obsahuje embeddingy a informace o využití tokenů; příklad koncového bodu přiřazuje každý vektor k indexu vstupu. Při zpracování několika textů toto přiřazení zachovejte. Aplikace potřebuje původní text a jeho identifikátory i číselný výsledek, aby mohla zobrazit užitečný výsledek vyhledávání nebo poskytnout zdrojový materiál pro další krok.
Sémantická podobnost
Průvodce vysvětluje, že související texty bývají v embeddingovém prostoru blízko sebe. To pomáhá najít pasáže, které vyjadřují stejné téma nebo požadavek jinými slovy. Ilustrační dotaz ve znalostní bázi se může ptát na obnovení přístupu, zatímco příslušný postup používá pro stejnou operaci jinou formulaci. Aplikace může porovnat vektor dotazu s uloženými vektory pasáží, místo aby spoléhala pouze na přesnou shodu slov.
Příklady výrobce používají embeddingy normalizované na jednotkovou normu. U takových vektorů dávají kosinová podobnost, skalární součin a eukleidovská vzdálenost shodné pořadí podobnosti, přestože jejich číselné hodnoty nejsou totožné. Zvolte jednu vhodnou metodu porovnání a používejte ji konzistentně pro reprezentace dotazů i dokumentů.
Podobnost nedokazuje, že jsou dvě tvrzení zaměnitelná. Uchovávejte zdrojový text a zkontrolujte podmínku, datum nebo identifikátor, na kterých záleží při zodpovězení otázky. Dvě pasáže mohou pojednávat o stejném tématu a zároveň popisovat odlišné postupy nebo výjimky. Embedding poskytuje signál pro vyhledávání; interpretace vybrané pasáže je samostatnou částí úkolu.
Vyhledávání a odpovědi založené na zdrojích
Praktický postup práce s dokumenty připraví vektory pasáží znalostní báze, uloží jejich identifikátory a původní text a poté porovná novou otázku s touto kolekcí. Relevantní pasáže vraťte spolu s jejich umístěním ve zdrojích. Aplikace je může zobrazit přímo nebo je předat modelu pro generování textu, který napíše odpověď podloženou nalezeným materiálem.
Pro užitečný výsledek vyhledávání uchovávejte název dokumentu, oddíl, pasáž a identifikátor použitý k jejímu nalezení. Asistent podpory pak může vyhledat postup relevantní pro otázku uživatele a předat jej do fáze psaní odpovědi. Mistral Embed provádí krok číselné reprezentace; sám nepíše konečné vysvětlení ani neprovádí externí akci.
Další dokumentovaná použití
Výrobce mezi postupy využívajícími embeddingy uvádí také detekci parafrází, klasifikaci, shlukování a dávkové zpracování. Úkol porovnání může vyhledat pasáže se souvisejícím významem ke kontrole. Klasifikační postup může porovnávat vstup s označenými příklady nebo použít vektory jako příznaky pro samostatný klasifikátor. Shlukovací postup může seskupit podobné položky pro pozdější popis člověkem nebo na úrovni aplikace.
Před přípravou dat definujte účel reprezentace. Pasáž určená pro sémantické vyhledávání by měla zachovat informace, které někdo bude po vyhledání potřebovat; klasifikační příklad by měl obsahovat formulaci, která danou třídu odlišuje. Přípravu udržujte konzistentní, aby dotaz a uložená položka reprezentovaly srovnatelný materiál.
Edice a hranice výstupu
Pro dokumenty a jejich dotazy používejte stejnou edici modelu a kompatibilní reprezentaci. Vektor ze samostatného modelu se stejným počtem souřadnic automaticky nepatří do stejného sémantického prostoru. Při nahrazení modelu nebo reprezentace musí uložené položky a dotazy zůstat vzájemně sladěné.
Tato položka popisuje textový vstup a výstup v podobě číselného vektoru s kontextem 8k uváděným výrobcem a dokumentovanou 1024rozměrnou reprezentací Mistral Embed. Konfigurovatelné rozměry a kvantované formáty Codestral Embed patří samostatně pojmenovanému modelu pro kód a nelze je zde předpokládat. Obrázky, zvuk, generovaná próza a provádění nástrojů jsou samostatné schopnosti mimo tento výsledek textového embeddingu.
POST /v1/embeddingstext, token_idsembedding| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity mistralai/mistral-embed-2312 | 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 $0.0002 / 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/mistral-embed-2312", "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/mistral-embed-2312',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/mistral-embed-2312
Použijte cesty metod uvedené výše.