Source: https://ailoot.ai/models/da/mistralai-mistral-embed-2312/
Canonical: https://ailoot.ai/models/da/mistralai-mistral-embed-2312/
Language: da

# Mistral: Mistral Embed 2312

[Markdown](https://ailoot.ai/models/da/mistralai-mistral-embed-2312/index.md) · [JSON](https://ailoot.ai/models/da/mistralai-mistral-embed-2312/facts.json)

## [Mistral: Mistral Embed 2312](https://ailoot.ai/models/da/mistralai-mistral-embed-2312/)

Mistral Embed 2312 omdanner tekst til 1024-dimensionale vektorer til semantisk søgning, genfinding og analyse af relaterede tekster. Producentens side dokumenterer en 8k-kontekst; resultatet er en numerisk repræsentation knyttet til hvert input frem for et genereret svar.

- [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `mistralai/mistral-embed-2312`](https://ailoot.ai/models/da/mistralai-mistral-embed-2312/#method-0)

Om modellen

Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.

Mistral Embed 2312 er Mistral AI’s tekstembeddingmodel til at repræsentere betydning numerisk. Den accepterer en tekststreng eller en liste af strenge og returnerer en embeddingvektor for hvert input. Resultatet er en vektor, som applikationen bruger til lighed, genfinding, klassifikation eller klyngedannelse frem for en samtaleforklaring. Producentens faste modelside identificerer mistral-embed-2312.

Input, kontekst og vektorform

Den præcise modelside dokumenterer en kontekstbetegnelse på 8k. Forbered hvert tekstelement inden for den gældende inputkapacitet, og gem elementets identitet sammen med vektoren. Et langt kildedokument kan opdeles i nyttige passager, hvor dokumenttitel, afsnit og kildeplacering bevares, så det korrekte materiale kan returneres senere.

Producentens Mistral Embed-vejledning angiver 1024 dimensioner for hver tekstembedding uanset inputtets synlige længde. Et kort spørgsmål og en længere passage har derfor samme vektorform, selv om indholdet og tokenantallet er forskellige. Det er en dimension for outputrepræsentationen, ikke et budget for svartokens eller et mål for, hvor mange kildeord der bevares.

Det dokumenterede svar indeholder embeddings og oplysninger om tokenforbrug; endepunktseksemplet knytter hver vektor til et inputindeks. Bevar denne tilknytning ved behandling af flere tekster. Applikationen har brug for den oprindelige tekst og dens identifikatorer såvel som det numeriske resultat for at vise en nyttig søgetræffer eller levere kildemateriale til et senere trin.

Semantisk lighed

Vejledningen forklarer, at relaterede tekster typisk ligger tæt i embeddingrummet. Det understøtter genfinding af passager, som bruger forskellige ord til at udtrykke samme emne eller krav. En eksempelforespørgsel til en vidensbase kan spørge, hvordan adgang genoprettes, mens den relevante procedure bruger en anden formulering for samme operation. Applikationen kan sammenligne forespørgslens vektor med lagrede passagevektorer frem for kun at stole på præcise ordmatch.

Producentens eksempler bruger enhedsnormaliserede embeddings. For sådanne vektorer giver cosinuslighed, prikprodukt og euklidisk afstand konsistente lighedsrangeringer, selv om deres numeriske værdier ikke er identiske. Vælg én passende sammenligningsmetode, og anvend den konsekvent på tværs af forespørgsels- og dokumentrepræsentationerne.

Lighed er ikke bevis for, at to udsagn er udskiftelige. Bevar kildeteksten, og undersøg den betingelse, dato eller identifikator, der er vigtig for spørgsmålet. To passager kan vedrøre samme emne, men beskrive forskellige procedurer eller undtagelser. Embeddingvektoren giver et genfindingssignal; fortolkning af den valgte passage er en separat del af opgaven.

Genfinding og kildebaserede svar

En praktisk dokumentarbejdsgang forbereder vektorer til vidensbasepassager, lagrer deres identifikatorer og oprindelige tekst og sammenligner derefter et nyt spørgsmål med samlingen. Returnér relevante passager med deres kildeplaceringer. Applikationen kan vise passagerne direkte eller indsende dem til en tekstgenereringsmodel, der skriver et svar forankret i det genfundne materiale.

Ved et nyttigt søgeresultat skal du bevare dokumenttitlen, afsnittet, passagen og den identifikator, der blev brugt til at finde den. En supportassistent kan derefter genfinde den procedure, der er relevant for brugerens spørgsmål, og sende den til svarskrivningstrinnet. Mistral Embed udfører den numeriske repræsentation; modellen udarbejder ikke selv den endelige forklaring og udfører ikke en ekstern handling.

Andre dokumenterede anvendelser

Producenten angiver også parafrasegenkendelse, klassifikation, klyngedannelse og batchbehandling blandt embeddingarbejdsgangene. En sammenligningsopgave kan genfinde passager med relateret betydning til gennemgang. En klassifikationsarbejdsgang kan sammenligne et input med mærkede eksempler eller bruge vektorerne som features til en separat klassifikator. En arbejdsgang til klyngedannelse kan gruppere lignende elementer til en senere beskrivelse fra et menneske eller på applikationsniveau.

Definér repræsentationens formål, før dataene forberedes. En passage til semantisk søgning bør bevare den information, nogen har brug for efter genfinding; et klassifikationseksempel bør indeholde den ordlyd, der adskiller klassen. Hold forberedelsen konsekvent, så en forespørgsel og et lagret element repræsenterer sammenligneligt materiale.

Udgave- og outputgrænser

Brug samme modeludgave og en kompatibel repræsentation til dokumenterne og deres forespørgsler. En vektor med samme antal koordinater fra en anden model ligger ikke automatisk i samme semantiske rum. Udskiftning af modellen eller repræsentationen kræver, at de lagrede elementer og forespørgsler fortsat er afstemt.

Denne beskrivelse omfatter tekstinput og numerisk vektoroutput med producentens 8k-kontekst og Mistral Embeds dokumenterede repræsentation på 1024 dimensioner. Codestral Embeds konfigurerbare dimensioner og kvantiserede formater tilhører den særskilt navngivne kodemodel og bør ikke antages her. Billeder, lyd, genereret prosa og værktøjsudførelse er særskilte evner uden for dette tekstembeddingresultat.

**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `mistralai/mistral-embed-2312`

[`mistralai/mistral-embed-2312`](https://ailoot.ai/models/da/#m=mistralai%2Fmistral-embed-2312&route=Ultra&caller=mistralai%2Fmistral-embed-2312&fmt=embeddings)

Mistral /`mistralai/mistral-embed-2312`

### Start

Mistral Embed 2312 omdanner tekst til 1024-dimensionale vektorer til semantisk søgning, genfinding og analyse af relaterede tekster. Producentens side dokumenterer en 8k-kontekst; resultatet er en numerisk repræsentation knyttet til hvert input frem for et genereret svar.

Accepterede input

Tekst · token\_ids

Resultater

embedding

### Tilgængelig i Ailoot · input og metoder

**Ailoot Ultra · Embeddings** `POST /v1/embeddings`

Inputtyper

`text`, `token_ids`

Outputtyper

`embedding`

Kontekst

8.192 tokens

Outputformat

json

| Felt | Type | Krav | Værdier og grænser | Standard |
| --- | --- | --- | --- | --- |
| Felt`model` | Type`string` | KravPåkrævet | Værdier og grænser mistralai/mistral-embed-2312 | Standard— |
| Felt`input` | Type`string\|string[]\|integer[]\|integer[][]` | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 Betingelser: Ikke-tom batch med ensartede elementer. Token-ID’er er ikke-negative heltal. Inputbudget: Maksimum: 8.192 · Tekstenhed: UTF8-bytes · Tokenenhed: elementer i et tokenarray | Standard— |
| Felt`encoding_format` | Type`string` | KravValgfrit | Værdier og grænser float | Standardfloat |
| Felt`dimensions` | Type`integer` | KravIkke understøttet | Værdier og grænser Minimum: 1 | Standard— |
| Felt`user` | Type`json_value` | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
| Felt`session_id` | Type`json_value` | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
| Felt`trace` | Type`json_value` | KravValgfrit | Værdier og grænser Betingelser: Kilden tillader dette JSON-metadatafelt; den præcise betydning hos den bagvedliggende udbyder afhænger af modellen. | Standard— |
| Felt`provider` | Type`object` | KravValgfrit | Værdier og grænser Betingelser: provider.options afvist | Standard— |

Kombinationer af inputmaterialer

**text\_to\_embedding**

Metodeparametre og livscyklus

| Parameter | Kontrakt |
| --- | --- |
| Parameter`content_type` | Kontraktapplication/json |
| Parameter`required` | Kontraktmodel, input |
| Parameter`input_shapes` | Kontraktstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Parameter`encoding_format` | Kontraktfloat |
| Parameter`dimensions_override` | Kontraktfalse |
| Parameter`max_input_budget_units` | Kontrakt8192 |
| Parameter`multimodal_objects` | Kontraktfalse |
| Parameter`material_types` | Kontrakttext, token\_ids |

Livscyklus: `synchronous_json`

Gem hver vektors indeks og dimension.

Et multimodalt modelnavn giver ikke adgang til at bruge billedobjekter på denne præcise sti.

### Priser

Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.

Hurtig tilstand

Standardpris Når hurtig tilstand er valgt

flex-tilstand

Standardpris Når flex-tilstanden er valgt

Maksimal ræsonneringsindsats

Standardpris Når default-justeringen anvendes ved maksimal ræsonneringsindsats

#### Ailoot-takster

#### Priser efter konfiguration

| Konfiguration | Takstplan | Beløb |
| --- | --- | --- |
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Beløb Input · Inputtokens **$0.0002** / 1K tokens Output · Outputtokens **$0** / 1K tokens Input · Cachelæsning **—** / 1K tokens Input · Cacheskrivning **—** / 1K tokens Input · Cacheskrivning, 1 time **—** / 1K tokens |

Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. [Sådan fungerer reservation og afregning →](https://ailoot.ai/docs/da/billing/reserve/)

### Eksempelanmodninger

#### Ailoot Ultra · Embeddings

curlPython SDK

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "mistralai/mistral-embed-2312", "input": ["First document", "Second document"]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
```

```python
from openai import OpenAI
import os

client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='mistralai/mistral-embed-2312',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### Hent og gem resultater

#### Ailoot Ultra · Embeddings

json

##### Behold alle færdige resultater

Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.

Gem hver vektor med dens indeks. Antallet af vektorer skal svare til antallet af input; dimensionerne skal være ensartede.

##### Hvis det oprindelige svar skal kontrolleres

Der indføres intet endpoint til embedding-job.

Svarfelter

| Felt | Type |
| --- | --- |
| Felt`object` | Typestring |
| Felt`model` | Typestring |
| Felt`data[].index` | Typeinteger |
| Felt`data[].embedding` | Typefinite float\[\] |
| Felt`usage` | Typeobject |

Fejl og næste trin

| Svar | Betingelse | Næste trin |
| --- | --- | --- |
| Svar400 · `invalid_request_error` | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |

### Aliaser

#### Modelaliaser

**Ailoot Ultra** [`mistralai/mistral-embed-2312`](https://ailoot.ai/models/da/#m=mistralai%2Fmistral-embed-2312&route=Ultra&caller=mistralai%2Fmistral-embed-2312&fmt=embeddings)

#### Aliaser for metodestier

Brug metodestierne vist ovenfor.

#### Relaterede kalder-ID’er

[`mistralai/mistral-embed-2312`](https://ailoot.ai/models/da/#m=mistralai%2Fmistral-embed-2312&route=Ultra&caller=mistralai%2Fmistral-embed-2312&fmt=embeddings)

FAQ · Mistral: Mistral Embed 2312

Hvilke input og resultater er tilgængelige?

`POST /v1/embeddings` · `mistralai/mistral-embed-2312`: `text`, `token_ids` → `embedding`

Hvilke felter bruger anmodningen?

`POST /v1/embeddings` · `mistralai/mistral-embed-2312`: `model`, `input`, `encoding_format`, `provider`

Hvilke grænser gælder?

`POST /v1/embeddings` · `mistralai/mistral-embed-2312`: `ctx`: `8192`; `input.budget.maximum`: `8192` (UTF8-bytes); `input.min_items`: `1`

Tilslut Ailoot til Claude Code, OpenCode, Hermes eller din egen applikation.

## Virksomheden og dens projektportefølje

Virksomheden og dens projektportefølje: millioner af kunder; månedligt salg for milliarder.

## Køb tokens med rabat.

Abonnementsrabat til regelmæssigt arbejde. Rabatkoder giver op til 50% på tokenkøb.

Abonnement

Vælg et abonnement med rabat til dine regelmæssige anmodninger.

Rabatkode på op til 50%

Indtast koden ved købet. Prisen genberegnes efter den aktuelle kampagne.

Udgifter i historikken

Model, tokens og beløb gemmes for hver anmodning.

[Vælg abonnement](https://ailoot.ai/docs/da/billing/subscriptions/) · [Se modelpriser](https://ailoot.ai/models/da/)

## Tilslut API’et til produktet, du sælger.

SaaS, apps og bots efter Ailoots tilbudsvilkår og licensaftale. Anmod om en forhandlerlicens til videresalg.

Kommerciel applikation

Byg generering af tekst, billeder, video og lyd ind i tjenestens betalte funktioner.

Licens til forhandlere

Send projektbeskrivelse og adgangsmodel. Bed om skriftlige vilkår for anvendelse og videresalg.

Dokumenter på websitet

Tilbudsvilkår, licensaftale og politik for behandling af data kan læses før tilslutning.

[Anmod om forhandlerlicens](mailto:support@ailoot.ai) · [Tilbudsvilkår og licensaftale](https://ailoot.ai/legal/offer?lang=da)

## Ailoot · Virksomheden og dens projektportefølje





Ailoot bygger på solid driftserfaring, en stor kundebase, stabil service og løbende kontrol af KPI.





Virksomheden og dens projektportefølje: millioner af kunder; månedligt salg for milliarder.





Ailoot bruger denne driftserfaring til API-adgang til AI-funktioner i kundernes produkter, agenter, applikationer og automatiseringer.