Mistral Embed 2312 ist das Text-Embedding-Modell von Mistral AI, das Bedeutung numerisch darstellt. Es nimmt eine Textzeichenkette oder eine Liste von Zeichenketten entgegen und gibt für jede Eingabe ein Embedding zurück. Das Ergebnis ist ein Vektor, den die Anwendung für Ähnlichkeit, Abruf, Klassifizierung oder Clustering verwendet, keine Erklärung im Gesprächsstil. Die feste Modellseite des Herstellers nennt mistral-embed-2312.
Eingabe, Kontext und Vektorform
Die Seite des genauen Modells dokumentiert eine Kontextangabe von 8k. Bereiten Sie jedes Textelement innerhalb der geltenden Eingabekapazität vor und halten Sie die Identität des Elements mit seinem Vektor zusammen. Ein langes Quelldokument lässt sich in nützliche Passagen aufteilen, wobei Dokumenttitel, Abschnitt und Fundstelle erhalten bleiben, die später für die Rückgabe des richtigen Materials nötig sind.
Der Mistral-Embed-Leitfaden des Herstellers gibt für jedes Text-Embedding 1’024 Dimensionen an, unabhängig von der sichtbaren Länge der Eingabe. Eine kurze Frage und eine längere Passage haben daher dieselbe Vektorform, obwohl sich Inhalt und Token-Anzahl unterscheiden. Dies ist eine Dimension der Ausgaberepräsentation, kein Token-Budget für Antworten und kein Mass dafür, wie viele Wörter der Quelle erhalten bleiben.
Die dokumentierte Antwort enthält die Embeddings und Angaben zur Token-Nutzung; das Endpoint-Beispiel ordnet jeden Vektor einem Eingabeindex zu. Behalten Sie diese Zuordnung bei, wenn Sie mehrere Texte verarbeiten. Die Anwendung benötigt neben dem numerischen Ergebnis auch den Originaltext und seine Kennungen, um einen nützlichen Suchtreffer anzuzeigen oder Quellmaterial an einen späteren Schritt zu übergeben.
Semantische Ähnlichkeit
Der Leitfaden erklärt, dass verwandte Texte im Embedding-Raum tendenziell nahe beieinanderliegen. Das hilft, Passagen zu finden, die dasselbe Thema oder dieselbe Anforderung mit anderen Worten ausdrücken. Eine beispielhafte Anfrage an eine Wissensdatenbank könnte etwa lauten, wie man wieder Zugang erhält, während das relevante Verfahren eine andere Formulierung für denselben Vorgang verwendet. Die Anwendung kann den Vektor der Anfrage mit gespeicherten Passagenvektoren vergleichen, statt sich nur auf exakte Wortübereinstimmungen zu verlassen.
Die Beispiele des Herstellers verwenden auf Einheitslänge normalisierte Embeddings. Bei solchen Vektoren ergeben Kosinus-Ähnlichkeit, Skalarprodukt und euklidischer Abstand übereinstimmende Ähnlichkeitsrangfolgen, auch wenn ihre Zahlenwerte nicht identisch sind. Wählen Sie eine geeignete Vergleichsmethode und wenden Sie sie einheitlich auf die Repräsentationen von Anfragen und Dokumenten an.
Ähnlichkeit ist kein Beweis dafür, dass zwei Aussagen austauschbar sind. Bewahren Sie den Quelltext auf und prüfen Sie die Bedingung, das Datum oder die Kennung, auf die es bei der Frage ankommt. Zwei Passagen können dasselbe Thema betreffen und dennoch unterschiedliche Verfahren oder Ausnahmen beschreiben. Das Embedding liefert ein Abrufsignal; die Interpretation der ausgewählten Passage ist ein eigener Teil der Aufgabe.
Abruf und quellenbasierte Antworten
Ein praktischer Dokumenten-Workflow erzeugt Vektoren für Passagen der Wissensdatenbank, speichert ihre Kennungen und den Originaltext und vergleicht dann eine neue Frage mit dieser Sammlung. Geben Sie die relevanten Passagen mit ihren Fundstellen zurück. Die Anwendung kann diese Passagen direkt anzeigen oder an ein Textgenerierungsmodell übergeben, das eine auf dem abgerufenen Material beruhende Antwort verfasst.
Für ein nützliches Suchergebnis sollten Dokumenttitel, Abschnitt, Passage und die zum Auffinden verwendete Kennung erhalten bleiben. Ein Support-Assistent kann dann das zur Frage eines Nutzers passende Verfahren abrufen und es an die Stufe übergeben, die die Antwort formuliert. Mistral Embed übernimmt den Schritt der numerischen Repräsentation; es verfasst selbst nicht die endgültige Erklärung und führt keine externe Aktion aus.
Weitere dokumentierte Einsatzzwecke
Der Hersteller nennt ausserdem Paraphrasenerkennung, Klassifizierung, Clustering und Batch-Verarbeitung als Embedding-Workflows. Eine Vergleichsaufgabe kann Passagen mit verwandter Bedeutung zur Prüfung abrufen. Ein Klassifizierungs-Workflow kann eine Eingabe mit gelabelten Beispielen vergleichen oder die Vektoren als Merkmale für einen separaten Klassifikator verwenden. Ein Clustering-Workflow kann ähnliche Elemente für eine spätere Beschreibung durch Menschen oder auf Anwendungsebene gruppieren.
Legen Sie den Zweck der Repräsentation fest, bevor Sie die Daten vorbereiten. Eine Passage für die semantische Suche sollte die Informationen enthalten, die nach dem Abruf benötigt werden; ein Klassifizierungsbeispiel sollte die Formulierung enthalten, die die Klasse unterscheidet. Halten Sie die Vorbereitung einheitlich, damit Anfrage und gespeichertes Element vergleichbares Material repräsentieren.
Editions- und Ausgabegrenzen
Verwenden Sie für die Dokumente und ihre Anfragen dieselbe Modelledition und eine kompatible Repräsentation. Ein Vektor mit derselben Anzahl an Koordinaten aus einem anderen Modell liegt nicht automatisch im selben semantischen Raum. Wird das Modell oder die Repräsentation ersetzt, müssen gespeicherte Elemente und Anfragen aufeinander abgestimmt bleiben.
Dieser Eintrag beschreibt Texteingabe und numerische Vektorausgabe mit dem vom Hersteller angegebenen Kontext von 8k und der für Mistral Embed dokumentierten Repräsentation mit 1’024 Dimensionen. Die konfigurierbaren Dimensionen und quantisierten Formate von Codestral Embed gehören zu diesem separat benannten Codemodell und sind hier nicht vorauszusetzen. Bilder, Audio, generierter Fliesstext und Tool-Ausführung sind eigenständige Fähigkeiten ausserhalb dieses Text-Embedding-Ergebnisses.
", "aboutText": "Mistral Embed 2312 ist das Text-Embedding-Modell von Mistral AI, das Bedeutung numerisch darstellt. Es nimmt eine Textzeichenkette oder eine Liste von Zeichenketten entgegen und gibt für jede Eingabe ein Embedding zurück. Das Ergebnis ist ein Vektor, den die Anwendung für Ähnlichkeit, Abruf, Klassifizierung oder Clustering verwendet, keine Erklärung im Gesprächsstil. Die feste Modellseite des Herstellers nennt mistral-embed-2312.\n\nEingabe, Kontext und Vektorform\n\nDie Seite des genauen Modells dokumentiert eine Kontextangabe von 8k. Bereiten Sie jedes Textelement innerhalb der geltenden Eingabekapazität vor und halten Sie die Identität des Elements mit seinem Vektor zusammen. Ein langes Quelldokument lässt sich in nützliche Passagen aufteilen, wobei Dokumenttitel, Abschnitt und Fundstelle erhalten bleiben, die später für die Rückgabe des richtigen Materials nötig sind.\n\nDer Mistral-Embed-Leitfaden des Herstellers gibt für jedes Text-Embedding 1’024 Dimensionen an, unabhängig von der sichtbaren Länge der Eingabe. Eine kurze Frage und eine längere Passage haben daher dieselbe Vektorform, obwohl sich Inhalt und Token-Anzahl unterscheiden. Dies ist eine Dimension der Ausgaberepräsentation, kein Token-Budget für Antworten und kein Mass dafür, wie viele Wörter der Quelle erhalten bleiben.\n\nDie dokumentierte Antwort enthält die Embeddings und Angaben zur Token-Nutzung; das Endpoint-Beispiel ordnet jeden Vektor einem Eingabeindex zu. Behalten Sie diese Zuordnung bei, wenn Sie mehrere Texte verarbeiten. Die Anwendung benötigt neben dem numerischen Ergebnis auch den Originaltext und seine Kennungen, um einen nützlichen Suchtreffer anzuzeigen oder Quellmaterial an einen späteren Schritt zu übergeben.\n\nSemantische Ähnlichkeit\n\nDer Leitfaden erklärt, dass verwandte Texte im Embedding-Raum tendenziell nahe beieinanderliegen. Das hilft, Passagen zu finden, die dasselbe Thema oder dieselbe Anforderung mit anderen Worten ausdrücken. Eine beispielhafte Anfrage an eine Wissensdatenbank könnte etwa lauten, wie man wieder Zugang erhält, während das relevante Verfahren eine andere Formulierung für denselben Vorgang verwendet. Die Anwendung kann den Vektor der Anfrage mit gespeicherten Passagenvektoren vergleichen, statt sich nur auf exakte Wortübereinstimmungen zu verlassen.\n\nDie Beispiele des Herstellers verwenden auf Einheitslänge normalisierte Embeddings. Bei solchen Vektoren ergeben Kosinus-Ähnlichkeit, Skalarprodukt und euklidischer Abstand übereinstimmende Ähnlichkeitsrangfolgen, auch wenn ihre Zahlenwerte nicht identisch sind. Wählen Sie eine geeignete Vergleichsmethode und wenden Sie sie einheitlich auf die Repräsentationen von Anfragen und Dokumenten an.\n\nÄhnlichkeit ist kein Beweis dafür, dass zwei Aussagen austauschbar sind. Bewahren Sie den Quelltext auf und prüfen Sie die Bedingung, das Datum oder die Kennung, auf die es bei der Frage ankommt. Zwei Passagen können dasselbe Thema betreffen und dennoch unterschiedliche Verfahren oder Ausnahmen beschreiben. Das Embedding liefert ein Abrufsignal; die Interpretation der ausgewählten Passage ist ein eigener Teil der Aufgabe.\n\nAbruf und quellenbasierte Antworten\n\nEin praktischer Dokumenten-Workflow erzeugt Vektoren für Passagen der Wissensdatenbank, speichert ihre Kennungen und den Originaltext und vergleicht dann eine neue Frage mit dieser Sammlung. Geben Sie die relevanten Passagen mit ihren Fundstellen zurück. Die Anwendung kann diese Passagen direkt anzeigen oder an ein Textgenerierungsmodell übergeben, das eine auf dem abgerufenen Material beruhende Antwort verfasst.\n\nFür ein nützliches Suchergebnis sollten Dokumenttitel, Abschnitt, Passage und die zum Auffinden verwendete Kennung erhalten bleiben. Ein Support-Assistent kann dann das zur Frage eines Nutzers passende Verfahren abrufen und es an die Stufe übergeben, die die Antwort formuliert. Mistral Embed übernimmt den Schritt der numerischen Repräsentation; es verfasst selbst nicht die endgültige Erklärung und führt keine externe Aktion aus.\n\nWeitere dokumentierte Einsatzzwecke\n\nDer Hersteller nennt ausserdem Paraphrasenerkennung, Klassifizierung, Clustering und Batch-Verarbeitung als Embedding-Workflows. Eine Vergleichsaufgabe kann Passagen mit verwandter Bedeutung zur Prüfung abrufen. Ein Klassifizierungs-Workflow kann eine Eingabe mit gelabelten Beispielen vergleichen oder die Vektoren als Merkmale für einen separaten Klassifikator verwenden. Ein Clustering-Workflow kann ähnliche Elemente für eine spätere Beschreibung durch Menschen oder auf Anwendungsebene gruppieren.\n\nLegen Sie den Zweck der Repräsentation fest, bevor Sie die Daten vorbereiten. Eine Passage für die semantische Suche sollte die Informationen enthalten, die nach dem Abruf benötigt werden; ein Klassifizierungsbeispiel sollte die Formulierung enthalten, die die Klasse unterscheidet. Halten Sie die Vorbereitung einheitlich, damit Anfrage und gespeichertes Element vergleichbares Material repräsentieren.\n\nEditions- und Ausgabegrenzen\n\nVerwenden Sie für die Dokumente und ihre Anfragen dieselbe Modelledition und eine kompatible Repräsentation. Ein Vektor mit derselben Anzahl an Koordinaten aus einem anderen Modell liegt nicht automatisch im selben semantischen Raum. Wird das Modell oder die Repräsentation ersetzt, müssen gespeicherte Elemente und Anfragen aufeinander abgestimmt bleiben.\n\nDieser Eintrag beschreibt Texteingabe und numerische Vektorausgabe mit dem vom Hersteller angegebenen Kontext von 8k und der für Mistral Embed dokumentierten Repräsentation mit 1’024 Dimensionen. Die konfigurierbaren Dimensionen und quantisierten Formate von Codestral Embed gehören zu diesem separat benannten Codemodell und sind hier nicht vorauszusetzen. Bilder, Audio, generierter Fliesstext und Tool-Ausführung sind eigenständige Fähigkeiten ausserhalb dieses Text-Embedding-Ergebnisses.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9dc751aa97a5e6ff304dc2036615b441d87b0b2ce61413671e2622fe126015ad", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "mistralai/mistral-embed-2312Mistral Embed 2312 wandelt Text in Vektoren mit 1’024 Dimensionen für semantische Suche, Abruf und die Analyse verwandter Texte um. Die Herstellerseite dokumentiert einen Kontext von 8k; das Ergebnis ist eine numerische Repräsentation, die mit jeder Eingabe verknüpft ist, keine generierte Antwort.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Embed 2312 ist das Text-Embedding-Modell von Mistral AI, das Bedeutung numerisch darstellt. Es nimmt eine Textzeichenkette oder eine Liste von Zeichenketten entgegen und gibt für jede Eingabe ein Embedding zurück. Das Ergebnis ist ein Vektor, den die Anwendung für Ähnlichkeit, Abruf, Klassifizierung oder Clustering verwendet, keine Erklärung im Gesprächsstil. Die feste Modellseite des Herstellers nennt mistral-embed-2312.
Eingabe, Kontext und Vektorform
Die Seite des genauen Modells dokumentiert eine Kontextangabe von 8k. Bereiten Sie jedes Textelement innerhalb der geltenden Eingabekapazität vor und halten Sie die Identität des Elements mit seinem Vektor zusammen. Ein langes Quelldokument lässt sich in nützliche Passagen aufteilen, wobei Dokumenttitel, Abschnitt und Fundstelle erhalten bleiben, die später für die Rückgabe des richtigen Materials nötig sind.
Der Mistral-Embed-Leitfaden des Herstellers gibt für jedes Text-Embedding 1’024 Dimensionen an, unabhängig von der sichtbaren Länge der Eingabe. Eine kurze Frage und eine längere Passage haben daher dieselbe Vektorform, obwohl sich Inhalt und Token-Anzahl unterscheiden. Dies ist eine Dimension der Ausgaberepräsentation, kein Token-Budget für Antworten und kein Mass dafür, wie viele Wörter der Quelle erhalten bleiben.
Die dokumentierte Antwort enthält die Embeddings und Angaben zur Token-Nutzung; das Endpoint-Beispiel ordnet jeden Vektor einem Eingabeindex zu. Behalten Sie diese Zuordnung bei, wenn Sie mehrere Texte verarbeiten. Die Anwendung benötigt neben dem numerischen Ergebnis auch den Originaltext und seine Kennungen, um einen nützlichen Suchtreffer anzuzeigen oder Quellmaterial an einen späteren Schritt zu übergeben.
Semantische Ähnlichkeit
Der Leitfaden erklärt, dass verwandte Texte im Embedding-Raum tendenziell nahe beieinanderliegen. Das hilft, Passagen zu finden, die dasselbe Thema oder dieselbe Anforderung mit anderen Worten ausdrücken. Eine beispielhafte Anfrage an eine Wissensdatenbank könnte etwa lauten, wie man wieder Zugang erhält, während das relevante Verfahren eine andere Formulierung für denselben Vorgang verwendet. Die Anwendung kann den Vektor der Anfrage mit gespeicherten Passagenvektoren vergleichen, statt sich nur auf exakte Wortübereinstimmungen zu verlassen.
Die Beispiele des Herstellers verwenden auf Einheitslänge normalisierte Embeddings. Bei solchen Vektoren ergeben Kosinus-Ähnlichkeit, Skalarprodukt und euklidischer Abstand übereinstimmende Ähnlichkeitsrangfolgen, auch wenn ihre Zahlenwerte nicht identisch sind. Wählen Sie eine geeignete Vergleichsmethode und wenden Sie sie einheitlich auf die Repräsentationen von Anfragen und Dokumenten an.
Ähnlichkeit ist kein Beweis dafür, dass zwei Aussagen austauschbar sind. Bewahren Sie den Quelltext auf und prüfen Sie die Bedingung, das Datum oder die Kennung, auf die es bei der Frage ankommt. Zwei Passagen können dasselbe Thema betreffen und dennoch unterschiedliche Verfahren oder Ausnahmen beschreiben. Das Embedding liefert ein Abrufsignal; die Interpretation der ausgewählten Passage ist ein eigener Teil der Aufgabe.
Abruf und quellenbasierte Antworten
Ein praktischer Dokumenten-Workflow erzeugt Vektoren für Passagen der Wissensdatenbank, speichert ihre Kennungen und den Originaltext und vergleicht dann eine neue Frage mit dieser Sammlung. Geben Sie die relevanten Passagen mit ihren Fundstellen zurück. Die Anwendung kann diese Passagen direkt anzeigen oder an ein Textgenerierungsmodell übergeben, das eine auf dem abgerufenen Material beruhende Antwort verfasst.
Für ein nützliches Suchergebnis sollten Dokumenttitel, Abschnitt, Passage und die zum Auffinden verwendete Kennung erhalten bleiben. Ein Support-Assistent kann dann das zur Frage eines Nutzers passende Verfahren abrufen und es an die Stufe übergeben, die die Antwort formuliert. Mistral Embed übernimmt den Schritt der numerischen Repräsentation; es verfasst selbst nicht die endgültige Erklärung und führt keine externe Aktion aus.
Weitere dokumentierte Einsatzzwecke
Der Hersteller nennt ausserdem Paraphrasenerkennung, Klassifizierung, Clustering und Batch-Verarbeitung als Embedding-Workflows. Eine Vergleichsaufgabe kann Passagen mit verwandter Bedeutung zur Prüfung abrufen. Ein Klassifizierungs-Workflow kann eine Eingabe mit gelabelten Beispielen vergleichen oder die Vektoren als Merkmale für einen separaten Klassifikator verwenden. Ein Clustering-Workflow kann ähnliche Elemente für eine spätere Beschreibung durch Menschen oder auf Anwendungsebene gruppieren.
Legen Sie den Zweck der Repräsentation fest, bevor Sie die Daten vorbereiten. Eine Passage für die semantische Suche sollte die Informationen enthalten, die nach dem Abruf benötigt werden; ein Klassifizierungsbeispiel sollte die Formulierung enthalten, die die Klasse unterscheidet. Halten Sie die Vorbereitung einheitlich, damit Anfrage und gespeichertes Element vergleichbares Material repräsentieren.
Editions- und Ausgabegrenzen
Verwenden Sie für die Dokumente und ihre Anfragen dieselbe Modelledition und eine kompatible Repräsentation. Ein Vektor mit derselben Anzahl an Koordinaten aus einem anderen Modell liegt nicht automatisch im selben semantischen Raum. Wird das Modell oder die Repräsentation ersetzt, müssen gespeicherte Elemente und Anfragen aufeinander abgestimmt bleiben.
Dieser Eintrag beschreibt Texteingabe und numerische Vektorausgabe mit dem vom Hersteller angegebenen Kontext von 8k und der für Mistral Embed dokumentierten Repräsentation mit 1’024 Dimensionen. Die konfigurierbaren Dimensionen und quantisierten Formate von Codestral Embed gehören zu diesem separat benannten Codemodell und sind hier nicht vorauszusetzen. Bilder, Audio, generierter Fliesstext und Tool-Ausführung sind eigenständige Fähigkeiten ausserhalb dieses Text-Embedding-Ergebnisses.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-embed-2312 | Standard— |
Feldinput | Typstring|string[]|integer[]|integer[][] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Nicht leerer, homogener Batch. Token-IDs sind nichtnegative Ganzzahlen. Eingabebudget: Maximum: 8'192 · Texteinheit: UTF8-Bytes · Tokeneinheit: Elemente des Token-Arrays | Standard— |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float | Standardfloat |
Felddimensions | Typinteger | AnforderungNicht unterstützt | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldsession_id | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldtrace | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options abgelehnt | Standard— |
text_to_embedding
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input |
Parameterinput_shapes | Vertragstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Vertragfloat |
Parameterdimensions_override | Vertragfalse |
Parametermax_input_budget_units | Vertrag8192 |
Parametermultimodal_objects | Vertragfalse |
Parametermaterial_types | Vertragtext, token_ids |
Lebenszyklus: synchronous_json
Jeden Vektorindex und jede Dimension beibehalten.
Ein multimodaler Modellname erlaubt auf genau diesem Pfad keine Bildobjekte.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.0002 / 1K Tokens Ausgabe · Ausgabetoken $0 / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Jeden Vektor mit seinem Index beibehalten. Die Anzahl der Vektoren muss der Anzahl der Eingaben entsprechen; die Dimensionen müssen konsistent sein.
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
| Feld | Typ |
|---|---|
Feldobject | Typstring |
Feldmodel | Typstring |
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[] |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra mistralai/mistral-embed-2312
Verwenden Sie die oben angezeigten Methodenpfade.