Mistral: Mistral Embed 2312

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.