Source: https://ailoot.ai/models/de-ch/mistralai-mistral-embed-2312/ Canonical: https://ailoot.ai/models/de-ch/mistralai-mistral-embed-2312/ Language: de-ch # Mistral: Mistral Embed 2312 [Markdown](https://ailoot.ai/models/de-ch/mistralai-mistral-embed-2312/index.md) · [JSON](https://ailoot.ai/models/de-ch/mistralai-mistral-embed-2312/facts.json) ## [Mistral: Mistral Embed 2312](https://ailoot.ai/models/de-ch/mistralai-mistral-embed-2312/) Mistral 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. - [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `mistralai/mistral-embed-2312`](https://ailoot.ai/models/de-ch/mistralai-mistral-embed-2312/#method-0) Über das Modell 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. **Ailoot Ultra · Embeddings** `POST /v1/embeddings` `mistralai/mistral-embed-2312` [`mistralai/mistral-embed-2312`](https://ailoot.ai/models/de-ch/#m=mistralai%2Fmistral-embed-2312&route=Ultra&caller=mistralai%2Fmistral-embed-2312&fmt=embeddings) Mistral /`mistralai/mistral-embed-2312` ### Einstieg Mistral 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. Zulässige Eingaben Text · token\_ids Ergebnisse embedding ### In Ailoot verfügbar · Eingaben und Methoden **Ailoot Ultra · Embeddings** `POST /v1/embeddings` Eingabe `text`, `token_ids` Ausgabe `embedding` Kontext 8'192 tokens Ausgabeformat json | Feld | Typ | Anforderung | Werte und Limits | Standard | | --- | --- | --- | --- | --- | | Feld`model` | Typ`string` | AnforderungErforderlich | Werte und Limits mistralai/mistral-embed-2312 | Standard— | | Feld`input` | Typ`string\|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— | | Feld`encoding_format` | Typ`string` | AnforderungOptional | Werte und Limits float | Standardfloat | | Feld`dimensions` | Typ`integer` | AnforderungNicht unterstützt | Werte und Limits Minimum: 1 | Standard— | | Feld`user` | Typ`json_value` | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— | | Feld`session_id` | Typ`json_value` | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— | | Feld`trace` | Typ`json_value` | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— | | Feld`provider` | Typ`object` | AnforderungOptional | Werte und Limits Bedingungen: provider.options abgelehnt | Standard— | Kombinationen von Eingabematerialien **text\_to\_embedding** Methodenparameter und Lebenszyklus | Parameter | Vertrag | | --- | --- | | Parameter`content_type` | Vertragapplication/json | | Parameter`required` | Vertragmodel, input | | Parameter`input_shapes` | Vertragstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parameter`encoding_format` | Vertragfloat | | Parameter`dimensions_override` | Vertragfalse | | Parameter`max_input_budget_units` | Vertrag8192 | | Parameter`multimodal_objects` | Vertragfalse | | Parameter`material_types` | Vertragtext, token\_ids | Lebenszyklus: `synchronous_json` Jeden Vektorindex und jede Dimension beibehalten. Ein multimodaler Modellname erlaubt auf genau diesem Pfad keine Bildobjekte. ### Tarife Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode. Schnellmodus Standardtarif Wenn der Schnellmodus ausgewählt ist Flex-Modus Standardtarif Wenn der Modus flex ausgewählt ist Maximaler Denkaufwand Standardtarif Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird #### Ailoot-Tarife #### Preise nach Konfiguration | Konfiguration | Tarifstaffel | Gebühr | | --- | --- | --- | | KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken **$0.0002** / 1K Tokens Ausgabe · Ausgabetoken **$0** / 1K Tokens Eingabe · Cache lesen **—** / 1K Tokens Eingabe · Cache schreiben **—** / 1K Tokens Eingabe · Cache schreiben, 1 Stunde **—** / 1K Tokens | Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. [So funktionieren Reservierung und Abrechnung →](https://ailoot.ai/docs/de-ch/billing/reserve/) ### Beispielanfragen #### Ailoot Ultra · Embeddings curlPython SDK ```bash set -eu : "${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) ``` ### Ergebnisse abrufen und speichern #### Ailoot Ultra · Embeddings json ##### Alle fertiggestellten Ergebnisse aufbewahren 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. ##### Wenn die ursprüngliche Antwort geprüft werden muss Es wird kein Endpunkt für Embedding-Aufträge eingeführt. Antwortfelder | Feld | Typ | | --- | --- | | Feld`object` | Typstring | | Feld`model` | Typstring | | Feld`data[].index` | Typinteger | | Feld`data[].embedding` | Typfinite float\[\] | | Feld`usage` | Typobject | Fehler und nächste Schritte | Antwort | Bedingung | Nächster Schritt | | --- | --- | --- | | Antwort400 · `invalid_request_error` | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. | ### Aliasnamen #### Modellaliasnamen **Ailoot Ultra** [`mistralai/mistral-embed-2312`](https://ailoot.ai/models/de-ch/#m=mistralai%2Fmistral-embed-2312&route=Ultra&caller=mistralai%2Fmistral-embed-2312&fmt=embeddings) #### Aliasnamen für Methodenpfade Verwenden Sie die oben angezeigten Methodenpfade. #### Zugehörige Aufrufer-IDs [`mistralai/mistral-embed-2312`](https://ailoot.ai/models/de-ch/#m=mistralai%2Fmistral-embed-2312&route=Ultra&caller=mistralai%2Fmistral-embed-2312&fmt=embeddings) FAQ · Mistral: Mistral Embed 2312 Welche Eingaben und Ergebnisse sind verfügbar? `POST /v1/embeddings` · `mistralai/mistral-embed-2312`: `text`, `token_ids` → `embedding` Welche Felder verwendet die Anfrage? `POST /v1/embeddings` · `mistralai/mistral-embed-2312`: `model`, `input`, `encoding_format`, `provider` Welche Grenzen gelten? `POST /v1/embeddings` · `mistralai/mistral-embed-2312`: `ctx`: `8192`; `input.budget.maximum`: `8192` (UTF8-Bytes); `input.min_items`: `1` Verbinden Sie Ailoot mit Claude Code, OpenCode, Hermes oder Ihrer eigenen Anwendung. ## Das Unternehmen und sein Projektportfolio Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe. ## Tokens mit Rabatt kaufen. Aborabatt für regelmäßige Arbeit. Aktionscodes bieten bis 50% beim Tokenkauf. Abo Wählen Sie einen Tarif mit Rabatt für Ihre regelmäßigen Anfragen. Aktionscode bis 50% Geben Sie den Code beim Kauf ein. Der Preis wird nach den gültigen Aktionsbedingungen berechnet. Ausgaben in der Historie Modell, Tokens und Betrag werden für jede Anfrage gespeichert. [Abo wählen](https://ailoot.ai/docs/de-ch/billing/subscriptions/) · [Modellpreise ansehen](https://ailoot.ai/models/de-ch/) ## Verbinden Sie die API mit dem Produkt, das Sie verkaufen. SaaS, Anwendungen und Bots nach dem offiziellen Angebot und Lizenzvertrag von Ailoot. Fordern Sie für den Weiterverkauf eine Reseller-Lizenz an. Kommerzielle Anwendung Integrieren Sie Text-, Bild-, Video- und Audioerzeugung in kostenpflichtige Funktionen Ihres Dienstes. Reseller-Lizenz Senden Sie Projektbeschreibung und Zugangsmodell. Fordern Sie schriftliche Nutzungs- und Weiterverkaufsbedingungen an. Dokumente auf der Website Offizielles Angebot, Lizenzvertrag und Datenschutzerklärung sind vor der Verbindung zugänglich. [Reseller-Lizenz anfordern](mailto:support@ailoot.ai) · [Offizielles Angebot und Lizenzvertrag](https://ailoot.ai/legal/offer?lang=de-ch) ## Ailoot · Das Unternehmen und sein Projektportfolio Ailoot baut auf bewährte Betriebserfahrung, einen großen Kundenstamm, stabilen Service und kontinuierliche KPI-Kontrolle. Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe. Ailoot nutzt diese Betriebserfahrung für den API-Zugang zu KI-Funktionen in Kundenprodukten, Agenten, Anwendungen und Automatisierungen.