Source: https://ailoot.ai/models/fr-ch/mistralai-mistral-embed-2312/ Canonical: https://ailoot.ai/models/fr-ch/mistralai-mistral-embed-2312/ Language: fr-ch # Mistral: Mistral Embed 2312 [Markdown](https://ailoot.ai/models/fr-ch/mistralai-mistral-embed-2312/index.md) · [JSON](https://ailoot.ai/models/fr-ch/mistralai-mistral-embed-2312/facts.json) ## [Mistral: Mistral Embed 2312](https://ailoot.ai/models/fr-ch/mistralai-mistral-embed-2312/) 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. - [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `mistralai/mistral-embed-2312`](https://ailoot.ai/models/fr-ch/mistralai-mistral-embed-2312/#method-0) 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. **Ailoot Ultra · Embeddings** `POST /v1/embeddings` `mistralai/mistral-embed-2312` [`mistralai/mistral-embed-2312`](https://ailoot.ai/models/fr-ch/#m=mistralai%2Fmistral-embed-2312&route=Ultra&caller=mistralai%2Fmistral-embed-2312&fmt=embeddings) 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 ### 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 | Champ | Type | Exigence | Valeurs et limites | Par défaut | | --- | --- | --- | --- | --- | | Champ`model` | Type`string` | ExigenceObligatoire | Valeurs et limites mistralai/mistral-embed-2312 | Par défaut— | | Champ`input` | Type`string\|string[]\|integer[]\|integer[][]` | ExigenceObligatoire | Valeurs 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 jetons | Par défaut— | | Champ`encoding_format` | Type`string` | ExigenceFacultatif | Valeurs et limites float | Par défautfloat | | Champ`dimensions` | Type`integer` | ExigenceNon pris en charge | Valeurs et limites Minimum: 1 | Par défaut— | | Champ`user` | Type`json_value` | ExigenceFacultatif | Valeurs et limites Conditions: La source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— | | Champ`session_id` | Type`json_value` | ExigenceFacultatif | Valeurs et limites Conditions: La source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— | | Champ`trace` | Type`json_value` | ExigenceFacultatif | Valeurs et limites Conditions: La source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— | | Champ`provider` | Type`object` | ExigenceFacultatif | Valeurs 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 | Paramètre | Contrat | | --- | --- | | Paramètre`content_type` | Contratapplication/json | | Paramètre`required` | Contratmodel, input | | Paramètre`input_shapes` | Contratstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Paramètre`encoding_format` | Contratfloat | | Paramètre`dimensions_override` | Contratfalse | | Paramètre`max_input_budget_units` | Contrat8192 | | Paramètre`multimodal_objects` | Contratfalse | | Paramètre`material_types` | Contrattext, 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 | Configuration | Barème tarifaire | Coût | | --- | --- | --- | | ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée **$0.0002** / 1K tokens Sortie · Tokens en sortie **$0** / 1K tokens Entrée · Lecture du cache **—** / 1K tokens Entrée · Écriture dans le cache **—** / 1K tokens Entrée · Écriture dans le cache, 1 h **—** / 1K tokens | Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. [Fonctionnement de la réservation et du débit →](https://ailoot.ai/docs/fr-ch/billing/reserve/) ### Exemples de requêtes #### Ailoot Ultra · Embeddings curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "mistralai/mistral-embed-2312", "input": ["First document", "Second document"]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")})) PY_RESULT ``` ```python from openai import OpenAI import os client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.embeddings.create(model='mistralai/mistral-embed-2312',input=["First document","Second document"]) print(result) for item in result.data:print(item.index,item.embedding) ``` ### 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 | Champ | Type | | --- | --- | | Champ`object` | Typestring | | Champ`model` | Typestring | | Champ`data[].index` | Typeinteger | | Champ`data[].embedding` | Typefinite float\[\] | | Champ`usage` | Typeobject | Erreurs et étapes suivantes | Réponse | Condition | Étape suivante | | --- | --- | --- | | Réponse400 · `invalid_request_error` | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. | ### Alias #### Alias du modèle **Ailoot Ultra** [`mistralai/mistral-embed-2312`](https://ailoot.ai/models/fr-ch/#m=mistralai%2Fmistral-embed-2312&route=Ultra&caller=mistralai%2Fmistral-embed-2312&fmt=embeddings) #### Alias des chemins de méthode Utilisez les chemins de méthode indiqués ci-dessus. #### ID d’appel associés [`mistralai/mistral-embed-2312`](https://ailoot.ai/models/fr-ch/#m=mistralai%2Fmistral-embed-2312&route=Ultra&caller=mistralai%2Fmistral-embed-2312&fmt=embeddings) FAQ · Mistral: Mistral Embed 2312 Quelles entrées et quels résultats sont disponibles ? `POST /v1/embeddings` · `mistralai/mistral-embed-2312`: `text`, `token_ids` → `embedding` Quels champs la requête utilise-t-elle ? `POST /v1/embeddings` · `mistralai/mistral-embed-2312`: `model`, `input`, `encoding_format`, `provider` Quelles limites s’appliquent ? `POST /v1/embeddings` · `mistralai/mistral-embed-2312`: `ctx`: `8192`; `input.budget.maximum`: `8192` (octets UTF8); `input.min_items`: `1` Connectez Ailoot à Claude Code, OpenCode, Hermes ou à votre application. ## L’entreprise et son portefeuille de projets L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois. ## Achetez des tokens à prix réduit. Une remise d’abonnement pour le travail régulier. Des codes promo jusqu’à 50% sur l’achat de tokens. Abonnement Choisissez une offre à tarif réduit pour vos requêtes régulières. Code promo jusqu’à 50% Saisissez le code à l’achat. Le prix est recalculé selon la promotion en cours. Dépenses dans l’historique Modèle, tokens et montant sont enregistrés pour chaque requête. [Choisir un abonnement](https://ailoot.ai/docs/fr-ch/billing/subscriptions/) · [Voir les prix des modèles](https://ailoot.ai/models/fr-ch/) ## Connectez l’API au produit que vous vendez. SaaS, applications et bots selon l’offre officielle et le contrat de licence Ailoot. Pour la revente, demandez une licence revendeur. Application commerciale Intégrez la génération de texte, d’images, de vidéo et de son aux fonctions payantes de votre service. Licence revendeur Envoyez la description du projet et le mode d’accès. Demandez des conditions écrites d’utilisation et de revente. Documents sur le site L’offre officielle, le contrat de licence et la politique de traitement des données sont accessibles avant connexion. [Demander une licence revendeur](mailto:support@ailoot.ai) · [Offre officielle et contrat de licence](https://ailoot.ai/legal/offer?lang=fr-ch) ## Ailoot · L’entreprise et son portefeuille de projets Ailoot s’appuie sur une expérience opérationnelle éprouvée, une large clientèle, un service stable et un suivi continu des KPI. L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois. Ailoot met cette expérience opérationnelle au service de l’accès API aux fonctions d’IA dans les produits des clients, leurs agents, applications et automatisations.