Mistral: Mistral Embed 2312

Mistral Embed 2312 es el modelo de embeddings de texto de Mistral AI para representar numéricamente el significado. Acepta una cadena de texto o una lista de cadenas y devuelve un embedding para cada entrada. El resultado es un vector que la aplicación utiliza para similaridad, recuperación, clasificación o agrupación, en lugar de una explicación conversacional. La página fija del modelo del fabricante identifica mistral-embed-2312.

Entrada, contexto y forma del vector

La página exacta del modelo documenta una etiqueta de contexto de 8k. Prepara cada elemento textual dentro de la capacidad de entrada aplicable y conserva la identidad del elemento junto a su vector. Un documento de origen largo puede dividirse en pasajes útiles, manteniendo el título documental, la sección y la ubicación de origen necesarios para devolver el material correcto más adelante.

La guía Mistral Embed del fabricante especifica 1024 dimensiones para cada embedding de texto, con independencia de la longitud visible de la entrada. Por tanto, una pregunta corta y un pasaje más largo tienen la misma forma vectorial aunque difieran sus contenidos y cantidades de tokens. Esta es una dimensión de representación de salida, no un presupuesto de tokens de respuesta ni una medida de cuántas palabras de origen se conservan.

La respuesta documentada incluye los embeddings e información de uso de tokens; el ejemplo del endpoint asocia cada vector con un índice de entrada. Conserva esa asociación al procesar varios textos. La aplicación necesita el texto original y sus identificadores, además del resultado numérico, para mostrar un resultado de búsqueda útil o proporcionar material de origen a un paso posterior.

Similaridad semántica

La guía explica que los textos relacionados suelen estar próximos en el espacio de embeddings. Esto permite encontrar pasajes que utilizan palabras diferentes para expresar el mismo tema o requisito. Una consulta ilustrativa a una base de conocimiento podría preguntar cómo recuperar el acceso, mientras que el procedimiento pertinente utiliza una expresión distinta para la misma operación. La aplicación puede comparar el vector de la consulta con los vectores de pasajes almacenados, en lugar de depender únicamente de coincidencias exactas de palabras.

Los ejemplos del fabricante utilizan embeddings normalizados a longitud unitaria. Para esos vectores, la similaridad del coseno, el producto escalar y la distancia euclidiana dan ordenaciones de similaridad coherentes, aunque sus valores numéricos no sean idénticos. Elige un método de comparación adecuado y aplícalo de forma coherente a las representaciones de consulta y documento.

La similaridad no prueba que dos afirmaciones sean intercambiables. Conserva el texto de origen y examina la condición, fecha o identificador que importe para la pregunta. Dos pasajes pueden tratar el mismo tema y describir procedimientos o excepciones diferentes. El embedding aporta una señal de recuperación; interpretar el pasaje seleccionado es una parte separada de la tarea.

Recuperación y respuestas basadas en fuentes

Un flujo documental práctico prepara vectores para pasajes de una base de conocimiento, guarda sus identificadores y texto original y después compara una pregunta nueva con esa colección. Devuelve los pasajes pertinentes con sus ubicaciones de origen. La aplicación puede mostrar esos pasajes directamente o proporcionarlos a un modelo de generación de texto que redacte una respuesta fundamentada en el material recuperado.

Para un resultado de búsqueda útil, conserva el título documental, la sección, el pasaje y el identificador utilizado para encontrarlo. Un asistente de soporte puede recuperar después el procedimiento pertinente para la pregunta de un usuario y pasarlo a la etapa de redacción de la respuesta. Mistral Embed realiza el paso de representación numérica; no redacta por sí mismo la explicación final ni ejecuta una acción externa.

Otros usos documentados

El fabricante también enumera la detección de paráfrasis, la clasificación, la agrupación y el procesamiento por lotes entre los flujos de embeddings. Una tarea de comparación puede recuperar pasajes de significado relacionado para revisión. Un flujo de clasificación puede comparar una entrada con ejemplos etiquetados o utilizar los vectores como características para un clasificador separado. Un flujo de agrupación puede reunir elementos similares para una descripción posterior por una persona o por la aplicación.

Define el propósito de la representación antes de preparar los datos. Un pasaje utilizado para búsqueda semántica debe conservar la información que alguien necesitará después de recuperarlo; un ejemplo de clasificación debe incluir la formulación que distingue la clase. Mantén coherente la preparación para que una consulta y un elemento almacenado representen material comparable.

Límites de edición y salida

Utiliza la misma edición de modelo y una representación compatible para los documentos y sus consultas. Un vector con la misma cantidad de coordenadas de otro modelo no está automáticamente en el mismo espacio semántico. Sustituir el modelo o la representación exige que los elementos almacenados y las consultas sigan alineados.

Esta entrada describe entrada de texto y salida de vectores numéricos, con el contexto de 8k del fabricante y la representación documentada de 1024 dimensiones de Mistral Embed. Las dimensiones configurables y los formatos cuantizados de Codestral Embed pertenecen a ese modelo de código con nombre separado y no deben darse por supuestos aquí. Imágenes, audio, prosa generada y ejecución de herramientas son capacidades separadas fuera de este resultado de embeddings de texto.