Mistral: Mistral Embed 2312
A Mistral Embed 2312 szöveget alakít 1024 dimenziós vektorokká szemantikai kereséshez, visszakereséshez és kapcsolódó szövegek elemzéséhez. A gyártó oldala 8k kontextust dokumentál; az eredmény minden bemenethez kötött numerikus reprezentáció, nem generált válasz.
A modellről
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Mistral Embed 2312 a Mistral AI szövegbeágyazási modellje a jelentés numerikus reprezentálására. Szöveges karakterláncot vagy karakterláncok listáját fogadja, és minden bemenethez beágyazást ad vissza. Az eredmény az alkalmazás által hasonlósághoz, visszakereséshez, osztályozáshoz vagy klaszterezéshez használt vektor, nem társalgási magyarázat. A gyártó rögzített modelloldala a mistral-embed-2312 azonosítót adja meg.
Bemenet, kontextus és vektorforma
A pontos modelloldal 8k kontextusjelölést dokumentál. Minden szöveges elemet az alkalmazandó bemeneti kapacitáson belül készítsen elő, és az elem azonosságát tartsa a vektora mellett. A hosszú forrásdokumentum hasznos részletekre bontható, megőrizve a dokumentum címét, szakaszát és forráshelyét, amelyek a megfelelő anyag későbbi visszaadásához szükségesek.
A gyártó Mistral Embed útmutatója szövegbeágyazásonként 1024 dimenziót ad meg, a bemenet látható hosszától függetlenül. A rövid kérdésnek és hosszabb részletnek ezért azonos vektorformája van, tartalmuk és tokenszámuk eltérése ellenére. Ez kimeneti reprezentációs dimenzió, nem választoken-keret vagy a megtartott forrásszavak számának mértéke.
A dokumentált válasz a beágyazásokat és tokenhasználati információt tartalmazza; a végpontpélda minden vektort bemeneti indexhez társít. Több szöveg feldolgozásakor őrizze meg ezt a kapcsolatot. Az alkalmazásnak a numerikus eredmény mellett az eredeti szövegre és azonosítóira is szüksége van hasznos keresési találat megjelenítéséhez vagy forrásanyag biztosításához egy későbbi lépésnek.
Szemantikai hasonlóság
Az útmutató elmagyarázza, hogy a kapcsolódó szövegek általában közel vannak egymáshoz a beágyazási térben. Ez támogatja olyan részletek megtalálását, amelyek eltérő szavakkal fejezik ki ugyanazt a témát vagy követelményt. Egy szemléltető tudásbázis-lekérdezés rákérdezhet a hozzáférés helyreállítására, miközben a releváns eljárás más kifejezést használ ugyanarra a műveletre. Az alkalmazás a lekérdezés vektorát tárolt szövegrészlet-vektorokkal hasonlíthatja össze, nem kizárólag pontos szóegyezésre támaszkodva.
A gyártó példái egységnormára normalizált beágyazásokat használnak. Ilyen vektoroknál a koszinuszhasonlóság, skalárszorzat és euklideszi távolság következetes hasonlósági rangsort ad, bár számszerű értékeik nem azonosak. Válasszon egy megfelelő összehasonlítási módszert, és következetesen alkalmazza a lekérdezés- és dokumentumreprezentációkra.
A hasonlóság nem bizonyítja, hogy két állítás felcserélhető. Tartsa meg a forrásszöveget, és vizsgálja meg a kérdéshez fontos feltételt, dátumot vagy azonosítót. Két részlet ugyanazt a tárgyat érintheti, miközben eltérő eljárásokat vagy kivételeket ír le. A beágyazás visszakeresési jelzést ad; a kiválasztott részlet értelmezése a feladat külön része.
Visszakeresés és forrásalapú válaszok
Egy gyakorlati dokumentum-munkafolyamat vektorokat készít elő tudásbázisrészletekhez, tárolja azonosítóikat és eredeti szövegüket, majd új kérdést hasonlít össze e gyűjteménnyel. A releváns részleteket forráshelyükkel együtt adja vissza. Az alkalmazás közvetlenül megmutathatja őket, vagy átadhatja egy szöveggeneráló modellnek, amely a visszakeresett anyagra alapozott választ ír.
Hasznos keresési eredményhez őrizze meg a dokumentum címét, szakaszát, szövegrészletét és a megtalálásához használt azonosítót. Egy ügyfélszolgálati asszisztens ezután visszakeresheti a felhasználó kérdéséhez releváns eljárást, és átadhatja a válaszíró lépésnek. A Mistral Embed a numerikus reprezentációs lépést végzi; önmagában nem fogalmazza meg a végső magyarázatot és nem hajt végre külső műveletet.
Más dokumentált használatok
A gyártó a beágyazási munkafolyamatok között parafrázis-felismerést, osztályozást, klaszterezést és kötegelt feldolgozást is felsorol. Összehasonlítási feladat kapcsolódó jelentésű részleteket kereshet vissza ellenőrzéshez. Osztályozási munkafolyamat címkézett példákkal hasonlíthat össze bemenetet vagy a vektorokat külön osztályozó jellemzőiként használhatja. Klaszterezési munkafolyamat hasonló elemeket csoportosíthat későbbi emberi vagy alkalmazásszintű leíráshoz.
Az adatok előkészítése előtt határozza meg a reprezentáció célját. Szemantikai kereséshez használt részlet őrizze meg a visszakeresés után szükséges információt; osztályozási példa tartalmazza az osztályt megkülönböztető megfogalmazást. Az előkészítés legyen következetes, hogy a lekérdezés és tárolt elem összehasonlítható anyagot reprezentáljon.
Kiadás- és kimenethatárok
A dokumentumokhoz és lekérdezéseikhez ugyanazt a modellkiadást és kompatibilis reprezentációt használja. Másik modellből származó, azonos koordinátaszámú vektor nem automatikusan ugyanabban a szemantikai térben van. A modell vagy reprezentáció cseréje megköveteli a tárolt elemek és lekérdezések összhangjának megőrzését.
Ez a bejegyzés szöveges bemenetet és numerikus vektorkimenetet ír le a gyártó 8k kontextusával és a Mistral Embed dokumentált 1024 dimenziós reprezentációjával. A Codestral Embed konfigurálható dimenziói és kvantált formátumai ahhoz a külön elnevezett kódmodellhez tartoznak, és itt nem feltételezhetők. A kép, hang, generált próza és eszközvégrehajtás e szövegbeágyazási eredményen kívüli külön képességek.
Ailoot Ultra · Beágyazások POST /v1/embeddings mistralai/mistral-embed-2312
mistralai/mistral-embed-2312Kezdő lépések
A Mistral Embed 2312 szöveget alakít 1024 dimenziós vektorokká szemantikai kereséshez, visszakereséshez és kapcsolódó szövegek elemzéséhez. A gyártó oldala 8k kontextust dokumentál; az eredmény minden bemenethez kötött numerikus reprezentáció, nem generált válasz.
- Elfogadott bemenetek
- Szöveg · token_ids
- Eredmények
- embedding
Elérhető az Ailootban · bemenetek és metódusok
Ailoot Ultra · Beágyazások POST /v1/embeddings
- Bemenet
text,token_ids- Kimenet
embedding- Kontextus
- 8192 tokens
- Kimeneti formátum
- json
| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok mistralai/mistral-embed-2312 | Alapértelmezett— |
Mezőinput | Típusstring|string[]|integer[]|integer[][] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 Feltételek: Nem üres, homogén köteg. A tokenazonosítók nemnegatív egész számok. Bemeneti keret: Maximum: 8192 · Szövegegység: UTF8-bájtok · Tokenegység: tokentömb elemei | Alapértelmezett— |
Mezőencoding_format | Típusstring | KövetelményOpcionális | Értékek és korlátok float | Alapértelmezettfloat |
Meződimensions | Típusinteger | KövetelményNem támogatott | Értékek és korlátok Minimum: 1 | Alapértelmezett— |
Mezőuser | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezősession_id | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezőtrace | Típusjson_value | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasítva | Alapértelmezett— |
Bemeneti anyagok kombinációi
text_to_embedding
Metódus paraméterei és életciklusa
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, input |
Paraméterinput_shapes | Szerződésstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Paraméterencoding_format | Szerződésfloat |
Paraméterdimensions_override | Szerződésfalse |
Paramétermax_input_budget_units | Szerződés8192 |
Paramétermultimodal_objects | Szerződésfalse |
Paramétermaterial_types | Szerződéstext, token_ids |
Életciklus: synchronous_json
Őrizze meg minden vektor indexét és dimenzióját.
A multimodális modell neve ezen a pontos útvonalon nem teszi lehetővé képobjektumok használatát.
Díjcsomagok
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
- Gyors mód
- Normál díjszabás Ha a gyors mód van kiválasztva
- Flex mód
- Normál díjszabás Ha a flex mód van kiválasztva
- Maximális gondolkodási ráfordítás
- Normál díjszabás Ha a maximális gondolkodási ráfordításra a default beállításhoz tartozó korrekció vonatkozik
Ailoot-díjak
Árak beállításonként
| Beállítás | Díjtáblázat | Díj |
|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek $0.0002 / 1K token Kimenet · Kimeneti tokenek $0 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
Példakérések
Ailoot Ultra · Beágyazások
set -eu
: "${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
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)
Eredmények fogadása és mentése
Ailoot Ultra · Beágyazások
json
Őrizzen meg minden elkészült eredményt
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizzen meg minden vektort az indexével együtt. A vektorok számának meg kell egyeznie a bemenetek számával; a dimenzióknak egységesnek kell lenniük.
Ha az eredeti választ ellenőrizni kell
Nem kerül bevezetésre külön beágyazási feladatvégpont.
Válaszmezők
| Mező | Típus |
|---|---|
Mezőobject | Típusstring |
Mezőmodel | Típusstring |
Meződata[].index | Típusinteger |
Meződata[].embedding | Típusfinite float[] |
Mezőusage | Típusobject |
Hibák és következő lépések
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Álnevek
Modell álnevei
Ailoot Ultra mistralai/mistral-embed-2312
Metódusútvonalak álnevei
Használja a fent látható metódusútvonalakat.
Kapcsolódó modellazonosítók
FAQ · Mistral: Mistral Embed 2312
- Milyen bemenetek és eredmények érhetők el?
POST /v1/embeddings·mistralai/mistral-embed-2312:text,token_ids→embedding- Mely mezőket használja a kérés?
POST /v1/embeddings·mistralai/mistral-embed-2312:model,input,encoding_format,provider- Milyen korlátok érvényesek?
POST /v1/embeddings·mistralai/mistral-embed-2312:ctx:8192;input.budget.maximum:8192(UTF8-bájtok);input.min_items:1