{ "aboutHtml": "

Mistral Embed 2312 est le modèle de plongement textuel de Mistral AI pour représenter numériquement le sens. Il accepte une chaîne de texte ou une liste de chaînes et renvoie un plongement pour chaque entrée. Le résultat est un vecteur utilisé par l’application pour la similarité, la recherche d’information, la classification ou le regroupement, plutôt qu’une explication conversationnelle. La page fixe du modèle chez le fabricant identifie mistral-embed-2312.

Entrée, contexte et forme du vecteur

La page exacte du modèle documente une indication de contexte de 8k. Préparez chaque élément textuel dans la capacité d’entrée applicable et gardez son identité avec son vecteur. Un long document source peut être divisé en passages utiles, tout en conservant le titre du document, la section et l’emplacement source nécessaires pour renvoyer ultérieurement le bon matériau.

Le guide Mistral Embed du fabricant spécifie 1024 dimensions pour chaque plongement textuel, quelle que soit la longueur visible de l’entrée. Une question courte et un passage plus long ont donc la même forme vectorielle, même si leur contenu et leur nombre de tokens diffèrent. Il s’agit de la dimension d’une représentation de sortie, plutôt que d’un budget de tokens de réponse ou d’une mesure du nombre de mots sources conservés.

La réponse documentée comprend les plongements et des informations d’utilisation des tokens ; l’exemple du point d’accès associe chaque vecteur à un indice d’entrée. Préservez cette association lors du traitement de plusieurs textes. L’application a besoin du texte d’origine et de ses identifiants, ainsi que du résultat numérique, pour montrer un résultat de recherche utile ou fournir des sources à une étape ultérieure.

Similarité sémantique

Le guide explique que des textes liés tendent à être proches dans l’espace de plongement. Cela permet de retrouver des passages utilisant des mots différents pour exprimer le même sujet ou la même exigence. Une requête illustrative dans une base de connaissances pourrait demander comment récupérer un accès, tandis que la procédure pertinente utilise une autre formulation pour la même opération. L’application peut comparer le vecteur de la requête aux vecteurs de passages stockés, plutôt que de s’appuyer uniquement sur la correspondance exacte des mots.

Les exemples du fabricant utilisent des plongements normalisés à une norme unitaire. Pour ces vecteurs, la similarité cosinus, le produit scalaire et la distance euclidienne donnent des classements de similarité cohérents, même si leurs valeurs numériques ne sont pas identiques. Choisissez une méthode de comparaison adaptée et appliquez-la de manière cohérente aux représentations des requêtes et des documents.

La similarité ne prouve pas que deux énoncés sont interchangeables. Conservez le texte source et examinez la condition, la date ou l’identifiant importants pour la question. Deux passages peuvent concerner le même sujet tout en décrivant des procédures ou des exceptions différentes. Le plongement fournit un signal de recherche ; l’interprétation du passage sélectionné constitue une partie distincte de la tâche.

Recherche d’information et réponses fondées sur les sources

Un processus documentaire concret prépare des vecteurs pour les passages d’une base de connaissances, stocke leurs identifiants et leur texte d’origine, puis compare une nouvelle question à cette collection. Renvoyez les passages pertinents avec leurs emplacements sources. L’application peut afficher ces passages directement ou les fournir à un modèle de génération textuelle qui rédige une réponse ancrée dans le matériau retrouvé.

Pour un résultat de recherche utile, conservez le titre du document, la section, le passage et l’identifiant utilisé pour le retrouver. Un assistant d’assistance peut alors retrouver la procédure pertinente pour la question d’un utilisateur et transmettre cette procédure à l’étape de rédaction de la réponse. Mistral Embed effectue l’étape de représentation numérique ; il ne rédige pas lui-même l’explication finale et n’exécute pas d’action externe.

Autres usages documentés

Le fabricant répertorie aussi la détection de paraphrases, la classification, le regroupement et le traitement par lots parmi les processus de plongement. Une tâche de comparaison peut retrouver des passages de sens lié pour vérification. Un processus de classification peut comparer une entrée à des exemples annotés ou utiliser les vecteurs comme caractéristiques pour un classificateur distinct. Un processus de regroupement peut réunir des éléments similaires en vue d’une description ultérieure par une personne ou par l’application.

Définissez l’objectif de la représentation avant de préparer les données. Un passage utilisé pour la recherche sémantique doit préserver les informations dont une personne aura besoin après la recherche ; un exemple de classification doit inclure les formulations qui distinguent la classe. Gardez une préparation cohérente afin qu’une requête et un élément stocké représentent des matériaux comparables.

Limites de l’édition et de la sortie

Utilisez la même édition du modèle et une représentation compatible pour les documents et leurs requêtes. Un vecteur possédant le même nombre de coordonnées, mais provenant d’un autre modèle, n’appartient pas automatiquement au même espace sémantique. Remplacer le modèle ou la représentation nécessite que les éléments stockés et les requêtes restent alignés.

Cette entrée décrit une entrée textuelle et une sortie vectorielle numérique, avec le contexte de 8k du fabricant et la représentation de 1024 dimensions documentée pour Mistral Embed. Les dimensions configurables et les formats quantifiés de Codestral Embed appartiennent à ce modèle de code nommé séparément et ne doivent pas être supposés ici. Les images, l’audio, le texte généré et l’exécution d’outils sont des capacités distinctes, extérieures à ce résultat de plongement textuel.

", "aboutText": "Mistral Embed 2312 est le modèle de plongement textuel de Mistral AI pour représenter numériquement le sens. Il accepte une chaîne de texte ou une liste de chaînes et renvoie un plongement pour chaque entrée. Le résultat est un vecteur utilisé par l’application pour la similarité, la recherche d’information, la classification ou le regroupement, plutôt qu’une explication conversationnelle. La page fixe du modèle chez le fabricant identifie mistral-embed-2312.\n\nEntrée, contexte et forme du vecteur\n\nLa page exacte du modèle documente une indication de contexte de 8k. Préparez chaque élément textuel dans la capacité d’entrée applicable et gardez son identité avec son vecteur. Un long document source peut être divisé en passages utiles, tout en conservant le titre du document, la section et l’emplacement source nécessaires pour renvoyer ultérieurement le bon matériau.\n\nLe guide Mistral Embed du fabricant spécifie 1024 dimensions pour chaque plongement textuel, quelle que soit la longueur visible de l’entrée. Une question courte et un passage plus long ont donc la même forme vectorielle, même si leur contenu et leur nombre de tokens diffèrent. Il s’agit de la dimension d’une représentation de sortie, plutôt que d’un budget de tokens de réponse ou d’une mesure du nombre de mots sources conservés.\n\nLa réponse documentée comprend les plongements et des informations d’utilisation des tokens ; l’exemple du point d’accès associe chaque vecteur à un indice d’entrée. Préservez cette association lors du traitement de plusieurs textes. L’application a besoin du texte d’origine et de ses identifiants, ainsi que du résultat numérique, pour montrer un résultat de recherche utile ou fournir des sources à une étape ultérieure.\n\nSimilarité sémantique\n\nLe guide explique que des textes liés tendent à être proches dans l’espace de plongement. Cela permet de retrouver des passages utilisant des mots différents pour exprimer le même sujet ou la même exigence. Une requête illustrative dans une base de connaissances pourrait demander comment récupérer un accès, tandis que la procédure pertinente utilise une autre formulation pour la même opération. L’application peut comparer le vecteur de la requête aux vecteurs de passages stockés, plutôt que de s’appuyer uniquement sur la correspondance exacte des mots.\n\nLes exemples du fabricant utilisent des plongements normalisés à une norme unitaire. Pour ces vecteurs, la similarité cosinus, le produit scalaire et la distance euclidienne donnent des classements de similarité cohérents, même si leurs valeurs numériques ne sont pas identiques. Choisissez une méthode de comparaison adaptée et appliquez-la de manière cohérente aux représentations des requêtes et des documents.\n\nLa similarité ne prouve pas que deux énoncés sont interchangeables. Conservez le texte source et examinez la condition, la date ou l’identifiant importants pour la question. Deux passages peuvent concerner le même sujet tout en décrivant des procédures ou des exceptions différentes. Le plongement fournit un signal de recherche ; l’interprétation du passage sélectionné constitue une partie distincte de la tâche.\n\nRecherche d’information et réponses fondées sur les sources\n\nUn processus documentaire concret prépare des vecteurs pour les passages d’une base de connaissances, stocke leurs identifiants et leur texte d’origine, puis compare une nouvelle question à cette collection. Renvoyez les passages pertinents avec leurs emplacements sources. L’application peut afficher ces passages directement ou les fournir à un modèle de génération textuelle qui rédige une réponse ancrée dans le matériau retrouvé.\n\nPour un résultat de recherche utile, conservez le titre du document, la section, le passage et l’identifiant utilisé pour le retrouver. Un assistant d’assistance peut alors retrouver la procédure pertinente pour la question d’un utilisateur et transmettre cette procédure à l’étape de rédaction de la réponse. Mistral Embed effectue l’étape de représentation numérique ; il ne rédige pas lui-même l’explication finale et n’exécute pas d’action externe.\n\nAutres usages documentés\n\nLe fabricant répertorie aussi la détection de paraphrases, la classification, le regroupement et le traitement par lots parmi les processus de plongement. Une tâche de comparaison peut retrouver des passages de sens lié pour vérification. Un processus de classification peut comparer une entrée à des exemples annotés ou utiliser les vecteurs comme caractéristiques pour un classificateur distinct. Un processus de regroupement peut réunir des éléments similaires en vue d’une description ultérieure par une personne ou par l’application.\n\nDéfinissez l’objectif de la représentation avant de préparer les données. Un passage utilisé pour la recherche sémantique doit préserver les informations dont une personne aura besoin après la recherche ; un exemple de classification doit inclure les formulations qui distinguent la classe. Gardez une préparation cohérente afin qu’une requête et un élément stocké représentent des matériaux comparables.\n\nLimites de l’édition et de la sortie\n\nUtilisez la même édition du modèle et une représentation compatible pour les documents et leurs requêtes. Un vecteur possédant le même nombre de coordonnées, mais provenant d’un autre modèle, n’appartient pas automatiquement au même espace sémantique. Remplacer le modèle ou la représentation nécessite que les éléments stockés et les requêtes restent alignés.\n\nCette entrée décrit une entrée textuelle et une sortie vectorielle numérique, avec le contexte de 8k du fabricant et la représentation de 1024 dimensions documentée pour Mistral Embed. Les dimensions configurables et les formats quantifiés de Codestral Embed appartiennent à ce modèle de code nommé séparément et ne doivent pas être supposés ici. Les images, l’audio, le texte généré et l’exécution d’outils sont des capacités distinctes, extérieures à ce résultat de plongement textuel.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bdb402519bba3b90b1d813f2ad24889cdf45b52c5616dd2cfa1f1456c4a6dde6", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "
•

Mistral: Mistral Embed 2312

Mistral /mistralai/mistral-embed-2312

Premiers pas

Mistral Embed 2312 transforme du texte en vecteurs de 1024 dimensions pour la recherche sémantique, la recherche d’information et l’analyse de textes liés. La page de son fabricant documente un contexte de 8k ; le résultat est une représentation numérique liée à chaque entrée, plutôt qu’une réponse générée.

Entrées acceptées
Texte · token_ids
Résultats
embedding
À propos du modèle

Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.

Mistral Embed 2312 est le modèle de plongement textuel de Mistral AI pour représenter numériquement le sens. Il accepte une chaîne de texte ou une liste de chaînes et renvoie un plongement pour chaque entrée. Le résultat est un vecteur utilisé par l’application pour la similarité, la recherche d’information, la classification ou le regroupement, plutôt qu’une explication conversationnelle. La page fixe du modèle chez le fabricant identifie mistral-embed-2312.

Entrée, contexte et forme du vecteur

La page exacte du modèle documente une indication de contexte de 8k. Préparez chaque élément textuel dans la capacité d’entrée applicable et gardez son identité avec son vecteur. Un long document source peut être divisé en passages utiles, tout en conservant le titre du document, la section et l’emplacement source nécessaires pour renvoyer ultérieurement le bon matériau.

Le guide Mistral Embed du fabricant spécifie 1024 dimensions pour chaque plongement textuel, quelle que soit la longueur visible de l’entrée. Une question courte et un passage plus long ont donc la même forme vectorielle, même si leur contenu et leur nombre de tokens diffèrent. Il s’agit de la dimension d’une représentation de sortie, plutôt que d’un budget de tokens de réponse ou d’une mesure du nombre de mots sources conservés.

La réponse documentée comprend les plongements et des informations d’utilisation des tokens ; l’exemple du point d’accès associe chaque vecteur à un indice d’entrée. Préservez cette association lors du traitement de plusieurs textes. L’application a besoin du texte d’origine et de ses identifiants, ainsi que du résultat numérique, pour montrer un résultat de recherche utile ou fournir des sources à une étape ultérieure.

Similarité sémantique

Le guide explique que des textes liés tendent à être proches dans l’espace de plongement. Cela permet de retrouver des passages utilisant des mots différents pour exprimer le même sujet ou la même exigence. Une requête illustrative dans une base de connaissances pourrait demander comment récupérer un accès, tandis que la procédure pertinente utilise une autre formulation pour la même opération. L’application peut comparer le vecteur de la requête aux vecteurs de passages stockés, plutôt que de s’appuyer uniquement sur la correspondance exacte des mots.

Les exemples du fabricant utilisent des plongements normalisés à une norme unitaire. Pour ces vecteurs, la similarité cosinus, le produit scalaire et la distance euclidienne donnent des classements de similarité cohérents, même si leurs valeurs numériques ne sont pas identiques. Choisissez une méthode de comparaison adaptée et appliquez-la de manière cohérente aux représentations des requêtes et des documents.

La similarité ne prouve pas que deux énoncés sont interchangeables. Conservez le texte source et examinez la condition, la date ou l’identifiant importants pour la question. Deux passages peuvent concerner le même sujet tout en décrivant des procédures ou des exceptions différentes. Le plongement fournit un signal de recherche ; l’interprétation du passage sélectionné constitue une partie distincte de la tâche.

Recherche d’information et réponses fondées sur les sources

Un processus documentaire concret prépare des vecteurs pour les passages d’une base de connaissances, stocke leurs identifiants et leur texte d’origine, puis compare une nouvelle question à cette collection. Renvoyez les passages pertinents avec leurs emplacements sources. L’application peut afficher ces passages directement ou les fournir à un modèle de génération textuelle qui rédige une réponse ancrée dans le matériau retrouvé.

Pour un résultat de recherche utile, conservez le titre du document, la section, le passage et l’identifiant utilisé pour le retrouver. Un assistant d’assistance peut alors retrouver la procédure pertinente pour la question d’un utilisateur et transmettre cette procédure à l’étape de rédaction de la réponse. Mistral Embed effectue l’étape de représentation numérique ; il ne rédige pas lui-même l’explication finale et n’exécute pas d’action externe.

Autres usages documentés

Le fabricant répertorie aussi la détection de paraphrases, la classification, le regroupement et le traitement par lots parmi les processus de plongement. Une tâche de comparaison peut retrouver des passages de sens lié pour vérification. Un processus de classification peut comparer une entrée à des exemples annotés ou utiliser les vecteurs comme caractéristiques pour un classificateur distinct. Un processus de regroupement peut réunir des éléments similaires en vue d’une description ultérieure par une personne ou par l’application.

Définissez l’objectif de la représentation avant de préparer les données. Un passage utilisé pour la recherche sémantique doit préserver les informations dont une personne aura besoin après la recherche ; un exemple de classification doit inclure les formulations qui distinguent la classe. Gardez une préparation cohérente afin qu’une requête et un élément stocké représentent des matériaux comparables.

Limites de l’édition et de la sortie

Utilisez la même édition du modèle et une représentation compatible pour les documents et leurs requêtes. Un vecteur possédant le même nombre de coordonnées, mais provenant d’un autre modèle, n’appartient pas automatiquement au même espace sémantique. Remplacer le modèle ou la représentation nécessite que les éléments stockés et les requêtes restent alignés.

Cette entrée décrit une entrée textuelle et une sortie vectorielle numérique, avec le contexte de 8k du fabricant et la représentation de 1024 dimensions documentée pour Mistral Embed. Les dimensions configurables et les formats quantifiés de Codestral Embed appartiennent à ce modèle de code nommé séparément et ne doivent pas être supposés ici. Les images, l’audio, le texte généré et l’exécution d’outils sont des capacités distinctes, extérieures à ce résultat de plongement textuel.

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · Embeddings POST /v1/embeddings
Entrée
text, token_ids
Sortie
embedding
Contexte
8 192 tokens
Format de sortie
json
ChampTypeExigenceValeurs et limitesPar défaut
ChampmodelTypestringExigenceObligatoireValeurs et limites
mistralai/mistral-embed-2312
Par défaut—
ChampinputTypestring|string[]|integer[]|integer[][]ExigenceObligatoireValeurs et limites
Nombre minimal d’éléments: 1
Conditions: Lot homogène non vide. Les identifiants de jetons sont des entiers positifs ou nuls.
Budget d’entrée : Maximum: 8 192 · Unité de texte: octets UTF8 · Unité de tokens: éléments du tableau de tokens
Par défaut—
Champencoding_formatTypestringExigenceFacultatifValeurs et limites
float
Par défautfloat
ChampdimensionsTypeintegerExigenceNon pris en chargeValeurs et limites
Minimum: 1
Par défaut—
ChampuserTypejson_valueExigenceFacultatifValeurs et limites
Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.
Par défaut—
Champsession_idTypejson_valueExigenceFacultatifValeurs et limites
Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.
Par défaut—
ChamptraceTypejson_valueExigenceFacultatifValeurs et limites
Conditions: Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.
Par défaut—
ChampproviderTypeobjectExigenceFacultatifValeurs et limites
Conditions: provider.options est refusé
Par défaut—
Combinaisons d’éléments d’entrée

text_to_embedding

Paramètres et cycle de vie de la méthode
ParamètreContrat
Paramètrecontent_typeContratapplication/json
ParamètrerequiredContratmodel, input
Paramètreinput_shapesContratstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Paramètreencoding_formatContratfloat
Paramètredimensions_overrideContratfalse
Paramètremax_input_budget_unitsContrat8192
Paramètremultimodal_objectsContratfalse
Paramètrematerial_typesContrattext, token_ids

Cycle de vie : synchronous_json

Conservez tous les indices et toutes les dimensions des vecteurs.

Un nom de modèle multimodal n’autorise pas les objets image sur ce chemin précis.

Tarifs

Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.

Mode rapide
Tarif standard Lorsque le mode rapide est sélectionné
Mode Flex
Tarif standard Lorsque le mode flex est sélectionné
Effort de raisonnement maximal
Tarif standard Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)

Tarifs Ailoot

Prix par configuration

ConfigurationBarème tarifaireCoût
ConfigurationTarifs de base des tokensBarème tarifaireTarif de baseCoût
Entrée · Tokens en entrée $0.0002 / 1K tokens
Sortie · Tokens en sortie $0 / 1K tokens
Entrée · Lecture du cache — / 1K tokens
Entrée · Écriture dans le cache — / 1K tokens
Entrée · Écriture dans le cache, 1 h — / 1K tokens

Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →

Exemples de requêtes

Ailoot Ultra · Embeddings

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\n

Recevoir et enregistrer les résultats

Ailoot Ultra · Embeddings

json

Conserver tous les résultats terminés

Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.

Conservez chaque vecteur avec son indice. Le nombre de vecteurs doit être égal au nombre d’entrées ; les dimensions doivent être cohérentes.

Si la réponse d’origine doit être vérifiée

Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté.

Champs de la réponse
ChampType
ChampobjectTypestring
ChampmodelTypestring
Champdata[].indexTypeinteger
Champdata[].embeddingTypefinite float[]
ChampusageTypeobject
Erreurs et étapes suivantes
RéponseConditionÉtape suivante
Réponse400 · invalid_request_errorConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non validesÉtape suivanteCorrigez les champs indiqués avant une nouvelle requête de création.

Alias

Alias du modèle

Ailoot Ultra mistralai/mistral-embed-2312

Alias des chemins de méthode

Utilisez les chemins de méthode indiqués ci-dessus.

ID d’appel associés

mistralai/mistral-embed-2312

", "method_identity": { "effective_request_model_id": "mistralai/mistral-embed-2312", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "mistralai/mistral-embed-2312", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|mistralai%2Fmistral-embed-2312", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Champs obligatoires, représentation des contenus ou valeur de paramètre non valides", "http_status": 400, "recovery": "Corrigez les champs indiqués avant une nouvelle requête de création.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Conservez chaque vecteur avec son indice. Le nombre de vecteurs doit être égal au nombre d’entrées ; les dimensions doivent être cohérentes.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "mistralai/mistral-embed-2312" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 8192, "text_unit": "octets UTF8", "token_unit": "éléments du tableau de tokens" }, "conditions": "Lot homogène non vide. Les identifiants de jetons sont des entiers positifs ou nuls.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options est refusé", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Conservez tous les indices et toutes les dimensions des vecteurs.", "Un nom de modèle multimodal n’autorise pas les objets image sur ce chemin précis." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 8192, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": 8192, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarifs de base des tokens", "units": [ { "amount": "0.0002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.2, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mode rapide", "value": "Tarif standard", "when": "Lorsque le mode rapide est sélectionné" }, { "label": "Mode Flex", "value": "Tarif standard", "when": "Lorsque le mode flex est sélectionné" }, { "label": "Effort de raisonnement maximal", "value": "Tarif standard", "when": "Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.0002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "mistralai/mistral-embed-2312", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.0002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "mistralai/mistral-embed-2312", "nativeProvenance": { "input_facts_canonical_sha256": "700829f686e26867db5250cace4d37e259c99988bed8bed569cb3a3e4546ca40", "input_html_sha256": "914c90ab83eaa3c2ca0ddf044e318faf9d378e5c0fc9a556de6ff8e87193958a", "private_audit_sha256": "f98579bd94255b0c12b89dec3f4937d2bd4682d7edd8e3e8827258df3273c5bb", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/fr-be/mistralai-mistral-embed-2312/", "description": "Mistral Embed 2312 transforme du texte en vecteurs de 1024 dimensions pour la recherche sémantique, la recherche d’information et l’analyse de textes liés. La page de son fabricant documente un contexte de 8k ; le résultat est une représentation numérique liée à chaque entrée, plutôt qu’une réponse générée.", "locale": "fr-be", "md_url": "https://ailoot.ai/models/fr-be/mistralai-mistral-embed-2312/index.md", "title": "Mistral: Mistral Embed 2312 — Ailoot", "url": "https://ailoot.ai/models/fr-be/mistralai-mistral-embed-2312/" }, "rawModel": { "about": "Mistral Embed 2312 est le modèle de plongement textuel de Mistral AI pour représenter numériquement le sens. Il accepte une chaîne de texte ou une liste de chaînes et renvoie un plongement pour chaque entrée. Le résultat est un vecteur utilisé par l’application pour la similarité, la recherche d’information, la classification ou le regroupement, plutôt qu’une explication conversationnelle. La page fixe du modèle chez le fabricant identifie mistral-embed-2312.\n\nEntrée, contexte et forme du vecteur\n\nLa page exacte du modèle documente une indication de contexte de 8k. Préparez chaque élément textuel dans la capacité d’entrée applicable et gardez son identité avec son vecteur. Un long document source peut être divisé en passages utiles, tout en conservant le titre du document, la section et l’emplacement source nécessaires pour renvoyer ultérieurement le bon matériau.\n\nLe guide Mistral Embed du fabricant spécifie 1024 dimensions pour chaque plongement textuel, quelle que soit la longueur visible de l’entrée. Une question courte et un passage plus long ont donc la même forme vectorielle, même si leur contenu et leur nombre de tokens diffèrent. Il s’agit de la dimension d’une représentation de sortie, plutôt que d’un budget de tokens de réponse ou d’une mesure du nombre de mots sources conservés.\n\nLa réponse documentée comprend les plongements et des informations d’utilisation des tokens ; l’exemple du point d’accès associe chaque vecteur à un indice d’entrée. Préservez cette association lors du traitement de plusieurs textes. L’application a besoin du texte d’origine et de ses identifiants, ainsi que du résultat numérique, pour montrer un résultat de recherche utile ou fournir des sources à une étape ultérieure.\n\nSimilarité sémantique\n\nLe guide explique que des textes liés tendent à être proches dans l’espace de plongement. Cela permet de retrouver des passages utilisant des mots différents pour exprimer le même sujet ou la même exigence. Une requête illustrative dans une base de connaissances pourrait demander comment récupérer un accès, tandis que la procédure pertinente utilise une autre formulation pour la même opération. L’application peut comparer le vecteur de la requête aux vecteurs de passages stockés, plutôt que de s’appuyer uniquement sur la correspondance exacte des mots.\n\nLes exemples du fabricant utilisent des plongements normalisés à une norme unitaire. Pour ces vecteurs, la similarité cosinus, le produit scalaire et la distance euclidienne donnent des classements de similarité cohérents, même si leurs valeurs numériques ne sont pas identiques. Choisissez une méthode de comparaison adaptée et appliquez-la de manière cohérente aux représentations des requêtes et des documents.\n\nLa similarité ne prouve pas que deux énoncés sont interchangeables. Conservez le texte source et examinez la condition, la date ou l’identifiant importants pour la question. Deux passages peuvent concerner le même sujet tout en décrivant des procédures ou des exceptions différentes. Le plongement fournit un signal de recherche ; l’interprétation du passage sélectionné constitue une partie distincte de la tâche.\n\nRecherche d’information et réponses fondées sur les sources\n\nUn processus documentaire concret prépare des vecteurs pour les passages d’une base de connaissances, stocke leurs identifiants et leur texte d’origine, puis compare une nouvelle question à cette collection. Renvoyez les passages pertinents avec leurs emplacements sources. L’application peut afficher ces passages directement ou les fournir à un modèle de génération textuelle qui rédige une réponse ancrée dans le matériau retrouvé.\n\nPour un résultat de recherche utile, conservez le titre du document, la section, le passage et l’identifiant utilisé pour le retrouver. Un assistant d’assistance peut alors retrouver la procédure pertinente pour la question d’un utilisateur et transmettre cette procédure à l’étape de rédaction de la réponse. Mistral Embed effectue l’étape de représentation numérique ; il ne rédige pas lui-même l’explication finale et n’exécute pas d’action externe.\n\nAutres usages documentés\n\nLe fabricant répertorie aussi la détection de paraphrases, la classification, le regroupement et le traitement par lots parmi les processus de plongement. Une tâche de comparaison peut retrouver des passages de sens lié pour vérification. Un processus de classification peut comparer une entrée à des exemples annotés ou utiliser les vecteurs comme caractéristiques pour un classificateur distinct. Un processus de regroupement peut réunir des éléments similaires en vue d’une description ultérieure par une personne ou par l’application.\n\nDéfinissez l’objectif de la représentation avant de préparer les données. Un passage utilisé pour la recherche sémantique doit préserver les informations dont une personne aura besoin après la recherche ; un exemple de classification doit inclure les formulations qui distinguent la classe. Gardez une préparation cohérente afin qu’une requête et un élément stocké représentent des matériaux comparables.\n\nLimites de l’édition et de la sortie\n\nUtilisez la même édition du modèle et une représentation compatible pour les documents et leurs requêtes. Un vecteur possédant le même nombre de coordonnées, mais provenant d’un autre modèle, n’appartient pas automatiquement au même espace sémantique. Remplacer le modèle ou la représentation nécessite que les éléments stockés et les requêtes restent alignés.\n\nCette entrée décrit une entrée textuelle et une sortie vectorielle numérique, avec le contexte de 8k du fabricant et la représentation de 1024 dimensions documentée pour Mistral Embed. Les dimensions configurables et les formats quantifiés de Codestral Embed appartiennent à ce modèle de code nommé séparément et ne doivent pas être supposés ici. Les images, l’audio, le texte généré et l’exécution d’outils sont des capacités distinctes, extérieures à ce résultat de plongement textuel.", "alias_of": null, "aliases": [], "author": "Mistral", "available": null, "canonical_model": "mistralai/mistral-embed-2312", "capabilities": { "context_length": 8192, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.0002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "La tarification complète de la configuration figure dans les détails." } ], "ctx": 8192, "entity_type": "model", "formats": [ "embeddings" ], "id": "mistralai/mistral-embed-2312", "input": [ "text", "token_ids" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Champs obligatoires, représentation des contenus ou valeur de paramètre non valides", "http_status": 400, "recovery": "Corrigez les champs indiqués avant une nouvelle requête de création.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Conservez chaque vecteur avec son indice. Le nombre de vecteurs doit être égal au nombre d’entrées ; les dimensions doivent être cohérentes.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "mistralai/mistral-embed-2312" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 8192, "text_unit": "octets UTF8", "token_unit": "éléments du tableau de tokens" }, "conditions": "Lot homogène non vide. Les identifiants de jetons sont des entiers positifs ou nuls.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Le code source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options est refusé", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Conservez tous les indices et toutes les dimensions des vecteurs.", "Un nom de modèle multimodal n’autorise pas les objets image sur ce chemin précis." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 8192, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": 8192, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarifs de base des tokens", "units": [ { "amount": "0.0002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.2, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Mode rapide", "value": "Tarif standard", "when": "Lorsque le mode rapide est sélectionné" }, { "label": "Mode Flex", "value": "Tarif standard", "when": "Lorsque le mode flex est sélectionné" }, { "label": "Effort de raisonnement maximal", "value": "Tarif standard", "when": "Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.0002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "mistralai/mistral-embed-2312", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.0002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "mistralai/mistral-embed-2312", "request_model_id": "mistralai/mistral-embed-2312", "route_label": "Ultra" } ], "name": "Mistral: Mistral Embed 2312", "price": { "in": 0.2, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.2, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.0002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "public_id": "mistralai/mistral-embed-2312", "short": "Mistral Embed 2312 transforme du texte en vecteurs de 1024 dimensions pour la recherche sémantique, la recherche d’information et l’analyse de textes liés. La page de son fabricant documente un contexte de 8k ; le résultat est une représentation numérique liée à chaque entrée, plutôt qu’une réponse générée." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Mistral Embed 2312 transforme du texte en vecteurs de 1024 dimensions pour la recherche sémantique, la recherche d’information et l’analyse de textes liés. La page de son fabricant documente un contexte de 8k ; le résultat est une représentation numérique liée à chaque entrée, plutôt qu’une réponse générée.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "3853f713d34d4fcc6c3cbf057f5f9443ff6d1750cf186c99acba03cb1acbe174", "renderer_sha256": "9d578ff8df69ef70403308c9943a1179a11b94114c10b333bf1c012005d4a7f4" }, "sourceRevision": "b119d6081eec51c57cf659caf95c7f8a96c10a73dec428bd3651761b1870ff24" }