Mistral: Mistral Embed 2312
Mistral Embed 2312 mengubah teks menjadi vektor 1.024 dimensi untuk pencarian semantik, temu kembali, dan analisis teks terkait. Halaman pembuat mendokumentasikan konteks 8k; hasilnya adalah representasi numerik yang terhubung dengan setiap masukan, bukan jawaban yang dihasilkan.
Tentang model
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Mistral Embed 2312 adalah model embedding teks Mistral AI untuk merepresentasikan makna secara numerik. Model menerima string teks atau daftar string dan mengembalikan embedding untuk setiap masukan. Hasilnya adalah vektor yang digunakan aplikasi untuk kemiripan, temu kembali, klasifikasi, atau pengelompokan, bukan penjelasan percakapan. Halaman model khusus pembuat mencantumkan mistral-embed-2312.
Masukan, konteks, dan bentuk vektor
Halaman model yang tepat mendokumentasikan label konteks 8k. Siapkan setiap item teks dalam kapasitas masukan yang berlaku dan simpan identitas item bersama vektornya. Dokumen sumber panjang dapat dibagi menjadi bagian berguna sambil mempertahankan judul dokumen, bagian, dan lokasi sumber yang diperlukan untuk mengembalikan materi yang tepat di kemudian waktu.
Panduan Mistral Embed pembuat menetapkan 1.024 dimensi untuk setiap embedding teks, terlepas dari panjang masukan yang terlihat. Karena itu, pertanyaan pendek dan bagian lebih panjang memiliki bentuk vektor yang sama meskipun isi serta jumlah tokennya berbeda. Ini adalah dimensi representasi keluaran, bukan jatah token jawaban atau ukuran jumlah kata sumber yang dipertahankan.
Respons yang didokumentasikan mencakup embedding dan informasi penggunaan token; contoh endpoint menghubungkan setiap vektor dengan indeks masukan. Pertahankan hubungan tersebut saat memproses beberapa teks. Aplikasi membutuhkan teks asli dan pengenalnya selain hasil numerik untuk menunjukkan hasil pencarian yang berguna atau menyediakan materi sumber bagi tahap berikutnya.
Kemiripan semantik
Panduan menjelaskan bahwa teks terkait cenderung berdekatan dalam ruang embedding. Ini mendukung pencarian bagian yang menggunakan kata berbeda untuk mengungkapkan topik atau persyaratan yang sama. Contoh kueri basis pengetahuan dapat menanyakan cara memulihkan akses, sementara prosedur relevan menggunakan ungkapan berbeda untuk operasi yang sama. Aplikasi dapat membandingkan vektor kueri dengan vektor bagian tersimpan alih-alih hanya mengandalkan pencocokan kata tepat.
Contoh pembuat menggunakan embedding yang dinormalisasi ke panjang satu. Untuk vektor tersebut, kemiripan kosinus, hasil kali titik, dan jarak Euclidean memberikan peringkat kemiripan yang konsisten, meskipun nilai numeriknya tidak identik. Pilih satu metode perbandingan yang sesuai dan terapkan secara konsisten pada representasi kueri dan dokumen.
Kemiripan bukan bukti bahwa dua pernyataan dapat saling dipertukarkan. Pertahankan teks sumber dan periksa kondisi, tanggal, atau pengenal yang penting bagi pertanyaan. Dua bagian dapat menyangkut subjek yang sama tetapi menjelaskan prosedur atau pengecualian berbeda. Embedding memberikan sinyal temu kembali; penafsiran bagian terpilih adalah bagian tugas yang terpisah.
Temu kembali dan jawaban berbasis sumber
Alur dokumen praktis menyiapkan vektor untuk bagian basis pengetahuan, menyimpan pengenal dan teks asli, lalu membandingkan pertanyaan baru dengan koleksi tersebut. Kembalikan bagian relevan bersama lokasi sumbernya. Aplikasi dapat menampilkan bagian itu langsung atau memberikannya kepada model pembangkitan teks yang menulis jawaban berdasarkan materi yang ditemukan.
Untuk hasil pencarian yang berguna, simpan judul dokumen, bagian, kutipan, dan pengenal yang digunakan untuk menemukannya. Asisten dukungan kemudian dapat menemukan prosedur yang relevan dengan pertanyaan pengguna dan meneruskannya ke tahap penulisan jawaban. Mistral Embed melakukan tahap representasi numerik; model tidak menyusun penjelasan akhir atau menjalankan tindakan eksternal dengan sendirinya.
Penggunaan lain yang didokumentasikan
Pembuat juga mencantumkan deteksi parafrasa, klasifikasi, pengelompokan, dan pemrosesan batch di antara alur embedding. Tugas perbandingan dapat menemukan bagian dengan makna terkait untuk ditinjau. Alur klasifikasi dapat membandingkan masukan dengan contoh berlabel atau menggunakan vektor sebagai fitur pengklasifikasi terpisah. Alur pengelompokan dapat mengelompokkan item serupa untuk deskripsi berikutnya oleh manusia atau aplikasi.
Tetapkan tujuan representasi sebelum menyiapkan data. Bagian yang digunakan untuk pencarian semantik harus mempertahankan informasi yang dibutuhkan seseorang setelah temu kembali; contoh klasifikasi harus memuat pilihan kata yang membedakan kelas. Jaga persiapan tetap konsisten agar kueri dan item tersimpan merepresentasikan materi yang dapat dibandingkan.
Batas edisi dan keluaran
Gunakan edisi model yang sama dan representasi kompatibel untuk dokumen serta kuerinya. Vektor dengan jumlah koordinat sama dari model berbeda tidak otomatis berada dalam ruang semantik yang sama. Mengganti model atau representasi mengharuskan item tersimpan dan kueri tetap selaras.
Entri ini menjelaskan masukan teks dan keluaran vektor numerik, dengan konteks 8k pembuat dan representasi 1.024 dimensi yang didokumentasikan untuk Mistral Embed. Dimensi yang dapat dikonfigurasi serta format terkuantisasi Codestral Embed milik model kode yang dinamai terpisah tersebut dan tidak boleh diasumsikan di sini. Gambar, audio, prosa yang dihasilkan, dan eksekusi alat adalah kemampuan terpisah di luar hasil embedding teks ini.
Ailoot Ultra · Embedding POST /v1/embeddings mistralai/mistral-embed-2312
mistralai/mistral-embed-2312Mulai
Mistral Embed 2312 mengubah teks menjadi vektor 1.024 dimensi untuk pencarian semantik, temu kembali, dan analisis teks terkait. Halaman pembuat mendokumentasikan konteks 8k; hasilnya adalah representasi numerik yang terhubung dengan setiap masukan, bukan jawaban yang dihasilkan.
- Masukan yang diterima
- Teks · token_ids
- Hasil
- embedding
Tersedia di Ailoot · masukan & metode
Ailoot Ultra · Embedding POST /v1/embeddings
- Masukan
text,token_ids- Keluaran
embedding- Konteks
- 8.192 tokens
- Format keluaran
- json
| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistralai/mistral-embed-2312 | Bawaan— |
Kolominput | Jenisstring|string[]|integer[]|integer[][] | PersyaratanWajib | Nilai & batasan Item minimum: 1 Kondisi: Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif. Anggaran masukan: Maksimum: 8.192 · Satuan teks: byte UTF8 · Satuan token: elemen array token | Bawaan— |
Kolomencoding_format | Jenisstring | PersyaratanOpsional | Nilai & batasan float | Bawaanfloat |
Kolomdimensions | Jenisinteger | PersyaratanTidak didukung | Nilai & batasan Minimum: 1 | Bawaan— |
Kolomuser | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model. | Bawaan— |
Kolomsession_id | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model. | Bawaan— |
Kolomtrace | Jenisjson_value | PersyaratanOpsional | Nilai & batasan Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model. | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak | Bawaan— |
Kombinasi bahan masukan
text_to_embedding
Parameter metode dan siklus hidup
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, input |
Parameterinput_shapes | Kontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontrakfloat |
Parameterdimensions_override | Kontrakfalse |
Parametermax_input_budget_units | Kontrak8192 |
Parametermultimodal_objects | Kontrakfalse |
Parametermaterial_types | Kontraktext, token_ids |
Siklus hidup: synchronous_json
Pertahankan index dan dimensi setiap vektor.
Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini.
Paket
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
- Mode Fast
- Tarif standar Saat mode fast dipilih
- Mode Flex
- Tarif standar Saat mode flex dipilih
- Upaya penalaran maksimum
- Tarif standar Saat upaya penalaran maksimum menggunakan penyesuaian default
Tarif Ailoot
Harga menurut konfigurasi
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0002 / 1K token Keluaran · Token keluaran $0 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
Contoh permintaan
Ailoot Ultra · Embedding
set -eu
: "${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)
Terima dan simpan hasil
Ailoot Ultra · Embedding
json
Simpan semua hasil yang selesai
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.
Jika respons asli perlu diperiksa
Endpoint untuk tugas embedding tidak ditambahkan.
Kolom respons
| Kolom | Jenis |
|---|---|
Kolomobject | Jenisstring |
Kolommodel | Jenisstring |
Kolomdata[].index | Jenisinteger |
Kolomdata[].embedding | Jenisfinite float[] |
Kolomusage | Jenisobject |
Kesalahan dan langkah berikutnya
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Alias
Alias model
Ailoot Ultra mistralai/mistral-embed-2312
Alias jalur metode
Gunakan jalur metode yang ditampilkan di atas.
ID pemanggil terkait
FAQ · Mistral: Mistral Embed 2312
- Input dan hasil apa yang tersedia?
POST /v1/embeddings·mistralai/mistral-embed-2312:text,token_ids→embedding- Kolom apa yang digunakan permintaan?
POST /v1/embeddings·mistralai/mistral-embed-2312:model,input,encoding_format,provider- Batasan apa yang berlaku?
POST /v1/embeddings·mistralai/mistral-embed-2312:ctx:8192;input.budget.maximum:8192(byte UTF8);input.min_items:1