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.
", "aboutText": "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.\n\nEntrada, contexto y forma del vector\n\nLa 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.\n\nLa 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.\n\nLa 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.\n\nSimilaridad semántica\n\nLa 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.\n\nLos 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.\n\nLa 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.\n\nRecuperación y respuestas basadas en fuentes\n\nUn 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.\n\nPara 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.\n\nOtros usos documentados\n\nEl 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.\n\nDefine 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.\n\nLímites de edición y salida\n\nUtiliza 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.\n\nEsta 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f3f314d9f64a9dc48f650c5f6e7dbdf81f5e807b765e3a553ca6aa0a041efe7f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "mistralai/mistral-embed-2312Mistral Embed 2312 transforma texto en vectores de 1024 dimensiones para búsqueda semántica, recuperación y análisis de textos relacionados. La página del fabricante documenta un contexto de 8k; el resultado es una representación numérica vinculada a cada entrada, en lugar de una respuesta generada.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
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.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/mistral-embed-2312 | Predeterminado— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 Condiciones: Lote homogéneo no vacío. Los ID de tokens son números enteros no negativos. Presupuesto de entrada: Máximo: 8,192 · Unidad de texto: bytes UTF8 · Unidad de tokens: elementos de un arreglo de tokens | Predeterminado— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores y límites float | Predeterminadofloat |
Campodimensions | Tipointeger | RequisitoNo compatible | Valores y límites Mínimo: 1 | Predeterminado— |
Campouser | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options rechazado | Predeterminado— |
text_to_embedding
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input |
Parámetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parámetroencoding_format | Contratofloat |
Parámetrodimensions_override | Contratofalse |
Parámetromax_input_budget_units | Contrato8192 |
Parámetromultimodal_objects | Contratofalse |
Parámetromaterial_types | Contratotext, token_ids |
Ciclo de vida: synchronous_json
Conserva todos los índices y dimensiones de los vectores.
El nombre de un modelo multimodal no habilita objetos de imagen en esta ruta exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada vector con su índice. La cantidad de vectores debe ser igual a la cantidad de entradas; las dimensiones deben ser consistentes.
No se incorpora ningún endpoint de tareas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra mistralai/mistral-embed-2312
Usa las rutas de método indicadas arriba.