{
  "aboutHtml": "<p>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.</p><p>Masukan, konteks, dan bentuk vektor</p><p>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.</p><p>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.</p><p>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.</p><p>Kemiripan semantik</p><p>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.</p><p>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.</p><p>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.</p><p>Temu kembali dan jawaban berbasis sumber</p><p>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.</p><p>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.</p><p>Penggunaan lain yang didokumentasikan</p><p>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.</p><p>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.</p><p>Batas edisi dan keluaran</p><p>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.</p><p>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.</p>",
  "aboutText": "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.\n\nMasukan, konteks, dan bentuk vektor\n\nHalaman 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.\n\nPanduan 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.\n\nRespons 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.\n\nKemiripan semantik\n\nPanduan 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.\n\nContoh 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.\n\nKemiripan 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.\n\nTemu kembali dan jawaban berbasis sumber\n\nAlur 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.\n\nUntuk 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.\n\nPenggunaan lain yang didokumentasikan\n\nPembuat 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.\n\nTetapkan 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.\n\nBatas edisi dan keluaran\n\nGunakan 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.\n\nEntri 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.",
  "editorialOverlay": {
    "copy_fields": null,
    "copy_sha256": null,
    "copy_source": null,
    "html_sha256": "6c999c5ce141e1aefa47a8190e68ccddbd2bbddc2a4bf0437cfd6b82fc0eaa99",
    "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06",
    "raw_model_unchanged": true,
    "schema": "ailoot-native-model-editorial-v1"
  },
  "locale": "id",
  "methods": [
    {
      "html": "<div class=\"sheet-head\"><span class=\"mav\" aria-hidden=\"true\">•</span><h2 id=\"sheet-title\">Mistral: Mistral Embed 2312</h2><button class=\"icon-btn\" type=\"button\" data-close-sheet aria-label=\"Tutup\">×</button></div><div class=\"idline\"><span>Mistral /</span><code>mistralai/mistral-embed-2312</code><button type=\"button\" id=\"copy-id\">Salin ID</button></div><nav class=\"card-jump-nav\" aria-label=\"Bagian kartu model\"><button type=\"button\" data-card-jump=\"overview\">Mulai</button><button type=\"button\" data-card-jump=\"methods\">Masukan &amp; metode</button><button type=\"button\" data-card-jump=\"pricing\">Paket</button><button type=\"button\" data-card-jump=\"examples\">Contoh</button><button type=\"button\" data-card-jump=\"results\">Hasil</button><button type=\"button\" data-card-jump=\"aliases\">Alias</button></nav><div class=\"card-method-tabs\" role=\"tablist\" aria-label=\"Metode API\"><button type=\"button\" role=\"tab\" tabindex=\"0\" aria-controls=\"card-method-content\" aria-selected=\"true\" id=\"card-method-tab-0\" data-card-method=\"Ultra|embeddings|/v1/embeddings|mistralai%2Fmistral-embed-2312\">Embedding</button></div><div id=\"card-method-content\" role=\"tabpanel\" aria-labelledby=\"card-method-tab-0\"><section class=\"card-section\" data-card-section=\"overview\"><h3 tabindex=\"-1\">Mulai</h3><p class=\"mdesc-full\">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.</p><dl class=\"card-io\" data-card-io><div><dt>Masukan yang diterima</dt><dd>Teks · token_ids</dd></div><div><dt>Hasil</dt><dd>embedding</dd></div></dl><details class=\"card-about\"><summary>Tentang model</summary><p class=\"note-s\" data-model-method-boundary>Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.</p><div class=\"mabout\" id=\"m-about\"><p>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.</p><p>Masukan, konteks, dan bentuk vektor</p><p>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.</p><p>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.</p><p>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.</p><p>Kemiripan semantik</p><p>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.</p><p>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.</p><p>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.</p><p>Temu kembali dan jawaban berbasis sumber</p><p>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.</p><p>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.</p><p>Penggunaan lain yang didokumentasikan</p><p>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.</p><p>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.</p><p>Batas edisi dan keluaran</p><p>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.</p><p>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.</p></div></details></section><section class=\"card-section\" data-card-section=\"methods\"><h3 tabindex=\"-1\">Tersedia di Ailoot · masukan &amp; metode</h3><details class=\"card-method\" open><summary><b>Ailoot Ultra · Embedding</b> <code>POST /v1/embeddings</code></summary><dl class=\"method-capabilities\"><div><dt>Masukan</dt><dd><code>text</code>, <code>token_ids</code></dd></div><div><dt>Keluaran</dt><dd><code>embedding</code></dd></div><div><dt>Konteks</dt><dd>8.192 tokens</dd></div><div><dt>Format keluaran</dt><dd>json</dd></div></dl><div class=\"tw\" data-card-parameters data-typed-parameters><table><thead><tr><th>Kolom</th><th>Jenis</th><th>Persyaratan</th><th>Nilai &amp; batasan</th><th>Bawaan</th></tr></thead><tbody><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Kolom\" scope=\"row\"><span class=\"card-cell-label\">Kolom</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>string</code></td><td data-cell-label=\"Persyaratan\"><span class=\"card-cell-label\">Persyaratan</span>Wajib</td><td data-cell-label=\"Nilai &amp; batasan\"><span class=\"card-cell-label\">Nilai &amp; batasan</span><div>mistralai/mistral-embed-2312</div></td><td data-cell-label=\"Bawaan\" data-default=\"unspecified\"><span class=\"card-cell-label\">Bawaan</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Kolom\" scope=\"row\"><span class=\"card-cell-label\">Kolom</span><code class=\"card-field-name\">input</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>string|string[]|integer[]|integer[][]</code></td><td data-cell-label=\"Persyaratan\"><span class=\"card-cell-label\">Persyaratan</span>Wajib</td><td data-cell-label=\"Nilai &amp; batasan\"><span class=\"card-cell-label\">Nilai &amp; batasan</span><div>Item minimum: 1</div><div>Kondisi: Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.</div><div>Anggaran masukan: Maksimum: 8.192 · Satuan teks: byte UTF8 · Satuan token: elemen array token</div></td><td data-cell-label=\"Bawaan\" data-default=\"unspecified\"><span class=\"card-cell-label\">Bawaan</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Kolom\" scope=\"row\"><span class=\"card-cell-label\">Kolom</span><code class=\"card-field-name\">encoding_format</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>string</code></td><td data-cell-label=\"Persyaratan\"><span class=\"card-cell-label\">Persyaratan</span>Opsional</td><td data-cell-label=\"Nilai &amp; batasan\"><span class=\"card-cell-label\">Nilai &amp; batasan</span><div>float</div></td><td data-cell-label=\"Bawaan\" data-default=\"known\"><span class=\"card-cell-label\">Bawaan</span>float</td></tr><tr data-parameter-availability=\"unsupported\"><th data-cell-label=\"Kolom\" scope=\"row\"><span class=\"card-cell-label\">Kolom</span><code class=\"card-field-name\">dimensions</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>integer</code></td><td data-cell-label=\"Persyaratan\"><span class=\"card-cell-label\">Persyaratan</span>Tidak didukung</td><td data-cell-label=\"Nilai &amp; batasan\"><span class=\"card-cell-label\">Nilai &amp; batasan</span><div>Minimum: 1</div></td><td data-cell-label=\"Bawaan\" data-default=\"unspecified\"><span class=\"card-cell-label\">Bawaan</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Kolom\" scope=\"row\"><span class=\"card-cell-label\">Kolom</span><code class=\"card-field-name\">user</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>json_value</code></td><td data-cell-label=\"Persyaratan\"><span class=\"card-cell-label\">Persyaratan</span>Opsional</td><td data-cell-label=\"Nilai &amp; batasan\"><span class=\"card-cell-label\">Nilai &amp; batasan</span><div>Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.</div></td><td data-cell-label=\"Bawaan\" data-default=\"unspecified\"><span class=\"card-cell-label\">Bawaan</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Kolom\" scope=\"row\"><span class=\"card-cell-label\">Kolom</span><code class=\"card-field-name\">session_id</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>json_value</code></td><td data-cell-label=\"Persyaratan\"><span class=\"card-cell-label\">Persyaratan</span>Opsional</td><td data-cell-label=\"Nilai &amp; batasan\"><span class=\"card-cell-label\">Nilai &amp; batasan</span><div>Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.</div></td><td data-cell-label=\"Bawaan\" data-default=\"unspecified\"><span class=\"card-cell-label\">Bawaan</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Kolom\" scope=\"row\"><span class=\"card-cell-label\">Kolom</span><code class=\"card-field-name\">trace</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>json_value</code></td><td data-cell-label=\"Persyaratan\"><span class=\"card-cell-label\">Persyaratan</span>Opsional</td><td data-cell-label=\"Nilai &amp; batasan\"><span class=\"card-cell-label\">Nilai &amp; batasan</span><div>Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.</div></td><td data-cell-label=\"Bawaan\" data-default=\"unspecified\"><span class=\"card-cell-label\">Bawaan</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Kolom\" scope=\"row\"><span class=\"card-cell-label\">Kolom</span><code class=\"card-field-name\">provider</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>object</code></td><td data-cell-label=\"Persyaratan\"><span class=\"card-cell-label\">Persyaratan</span>Opsional</td><td data-cell-label=\"Nilai &amp; batasan\"><span class=\"card-cell-label\">Nilai &amp; batasan</span><div>Kondisi: provider.options ditolak</div></td><td data-cell-label=\"Bawaan\" data-default=\"unspecified\"><span class=\"card-cell-label\">Bawaan</span>—</td></tr></tbody></table></div><details class=\"card-about\" data-material-combinations><summary>Kombinasi bahan masukan</summary><p class=\"note-s\"><b>text_to_embedding</b></p></details><details class=\"note-s\" data-method-contract><summary>Parameter metode dan siklus hidup</summary><div class=\"tw\" data-card-table=\"contract\"><table><thead><tr><th>Parameter</th><th>Kontrak</th></tr></thead><tbody><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>content_type</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>application/json</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>required</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>model, input</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>input_shapes</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>string, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>encoding_format</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>float</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>dimensions_override</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>false</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>max_input_budget_units</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>8192</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>multimodal_objects</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>false</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>material_types</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>text, token_ids</td></tr></tbody></table></div><p>Siklus hidup: <code>synchronous_json</code></p><p class=\"note-s\">Pertahankan index dan dimensi setiap vektor.</p><p class=\"note-s\">Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini.</p></details></details></section><section class=\"card-section\" data-card-section=\"pricing\"><h3 tabindex=\"-1\">Paket</h3><div data-native-semantic-method=\"v1\" data-tariff-reference-only><p class=\"note-s\" data-rate-support-note>Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.</p><dl data-price-conditions><dt>Mode Fast</dt><dd>Tarif standar <span class=\"note-s\">Saat mode fast dipilih</span></dd><dt>Mode Flex</dt><dd>Tarif standar <span class=\"note-s\">Saat mode flex dipilih</span></dd><dt>Upaya penalaran maksimum</dt><dd>Tarif standar <span class=\"note-s\">Saat upaya penalaran maksimum menggunakan penyesuaian default</span></dd></dl></div><div data-declared-tariff-pricing><h4>Tarif Ailoot</h4><h4>Harga menurut konfigurasi</h4><div class=\"tw\" data-pricing-profiles><table><thead><tr><th>Konfigurasi</th><th>Jadwal tarif</th><th>Biaya</th></tr></thead><tbody><tr><th data-cell-label=\"Konfigurasi\" scope=\"row\"><span class=\"card-cell-label\">Konfigurasi</span>Tarif dasar token</th><td data-cell-label=\"Jadwal tarif\"><span class=\"card-cell-label\">Jadwal tarif</span>Tarif dasar</td><td data-cell-label=\"Biaya\"><span class=\"card-cell-label\">Biaya</span><div><span>Masukan · Token masukan</span> <b>$0.0002</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Keluaran · Token keluaran</span> <b>$0</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Masukan · Pembacaan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Masukan · Penulisan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Masukan · Penulisan cache, 1 jam</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div></td></tr></tbody></table></div></div><p class=\"note-s\">Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. <a href=\"/docs/id/billing/reserve/\">Cara kerja cadangan dan penyelesaian tagihan →</a></p></section><section class=\"card-section\" data-card-section=\"examples\"><h3 tabindex=\"-1\">Contoh permintaan</h3><h4>Ailoot Ultra · Embedding</h4><div class=\"code-group\"><div class=\"cg-bar\"><div class=\"cg-tabs\" role=\"tablist\" aria-label=\"Pilihan kode\"><button class=\"cg-tab\" id=\"model-code-1903-tab-0\" role=\"tab\" type=\"button\" aria-controls=\"model-code-1903-panel-0\" aria-selected=\"true\" tabindex=\"0\">curl</button><button class=\"cg-tab\" id=\"model-code-1903-tab-1\" role=\"tab\" type=\"button\" aria-controls=\"model-code-1903-panel-1\" aria-selected=\"false\" tabindex=\"-1\">Python SDK</button></div><div class=\"cg-tools\"><button class=\"cg-btn cg-copy\" type=\"button\" aria-label=\"Salin kode\"><svg class=\"cp\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><rect x=\"5.25\" y=\"5.25\" width=\"8.5\" height=\"8.5\" rx=\"1.75\"/><path d=\"M10.75 5.25V3.5a1.25 1.25 0 0 0-1.25-1.25H3.5A1.25 1.25 0 0 0 2.25 3.5v6a1.25 1.25 0 0 0 1.25 1.25h1.75\"/></svg><svg class=\"ok\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><path d=\"m3 8.5 3.25 3.25L13 5\"/></svg></button></div></div><div class=\"cg-body\"><div class=\"cg-pane\" id=\"model-code-1903-panel-0\" role=\"tabpanel\" aria-labelledby=\"model-code-1903-tab-0\"><pre data-lang=\"bash\"><code>set -eu\n: &quot;${AILOOT_API_KEY:?Set your Ailoot API key}&quot;\npython3 - &lt;&lt;&#39;PY_REQUEST&#39;\nimport json,os\nfrom pathlib import Path\np=json.loads(&#39;{&quot;model&quot;: &quot;mistralai/mistral-embed-2312&quot;, &quot;input&quot;: [&quot;First document&quot;, &quot;Second document&quot;]}&#39;)\n\nPath(&quot;request.json&quot;).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 &quot;Authorization: Bearer $AILOOT_API_KEY&quot; -H &#39;Content-Type: application/json&#39; \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - &lt;&lt;&#39;PY_RESULT&#39;\nimport json\nfrom pathlib import Path\nr=json.loads(Path(&quot;result.json&quot;).read_text())\nfor x in r.get(&quot;data&quot;,[]): print(json.dumps({&quot;index&quot;:x.get(&quot;index&quot;),&quot;embedding&quot;:x.get(&quot;embedding&quot;)}))\nPY_RESULT\n</code></pre></div><div class=\"cg-pane\" id=\"model-code-1903-panel-1\" role=\"tabpanel\" aria-labelledby=\"model-code-1903-tab-1\" hidden><pre data-lang=\"python\"><code>from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=&quot;https://api.ailoot.ai/v1&quot;,api_key=os.environ[&quot;AILOOT_API_KEY&quot;],max_retries=0)\nresult=client.embeddings.create(model=&#39;mistralai/mistral-embed-2312&#39;,input=[&quot;First document&quot;,&quot;Second document&quot;])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n</code></pre></div></div></div></section><section class=\"card-section\" data-card-section=\"results\"><h3 tabindex=\"-1\">Terima dan simpan hasil</h3><h4>Ailoot Ultra · Embedding</h4><p class=\"note-s\">json</p><div class=\"card-result-process\" data-all-results><h5>Simpan semua hasil yang selesai</h5><p class=\"note-s\">Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.</p><p class=\"note-s\">Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.</p></div><div class=\"card-result-process\" data-unknown-recovery><h5>Jika respons asli perlu diperiksa</h5><p class=\"note-s\">Endpoint untuk tugas embedding tidak ditambahkan.</p></div><details class=\"card-about\" data-output-fields><summary>Kolom respons</summary><div class=\"tw\" data-card-table=\"output\"><table><thead><tr><th>Kolom</th><th>Jenis</th></tr></thead><tbody><tr><th data-cell-label=\"Kolom\" scope=\"row\"><span class=\"card-cell-label\">Kolom</span><code class=\"card-field-name\">object</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span>string</td></tr><tr><th data-cell-label=\"Kolom\" scope=\"row\"><span class=\"card-cell-label\">Kolom</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span>string</td></tr><tr><th data-cell-label=\"Kolom\" scope=\"row\"><span class=\"card-cell-label\">Kolom</span><code class=\"card-field-name\">data[].index</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span>integer</td></tr><tr><th data-cell-label=\"Kolom\" scope=\"row\"><span class=\"card-cell-label\">Kolom</span><code class=\"card-field-name\">data[].embedding</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span>finite float[]</td></tr><tr><th data-cell-label=\"Kolom\" scope=\"row\"><span class=\"card-cell-label\">Kolom</span><code class=\"card-field-name\">usage</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span>object</td></tr></tbody></table></div></details><details class=\"card-about\" data-method-errors><summary>Kesalahan dan langkah berikutnya</summary><div class=\"tw\" data-card-table=\"errors\"><table><thead><tr><th>Respons</th><th>Kondisi</th><th>Langkah berikutnya</th></tr></thead><tbody><tr><th data-cell-label=\"Respons\" scope=\"row\"><span class=\"card-cell-label\">Respons</span>400 · <code>invalid_request_error</code></th><td data-cell-label=\"Kondisi\"><span class=\"card-cell-label\">Kondisi</span>Bidang wajib, representasi materi, atau nilai parameter tidak valid</td><td data-cell-label=\"Langkah berikutnya\"><span class=\"card-cell-label\">Langkah berikutnya</span>Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.</td></tr></tbody></table></div></details></section><section class=\"card-section\" data-card-section=\"aliases\"><h3 tabindex=\"-1\">Alias</h3><h4>Alias model</h4><p class=\"note-s\"><span data-model-alias-route=\"Ultra\"><b>Ailoot Ultra</b> <a href=\"#m=mistralai%2Fmistral-embed-2312&amp;route=Ultra&amp;caller=mistralai%2Fmistral-embed-2312&amp;fmt=embeddings\"><code>mistralai/mistral-embed-2312</code></a></span></p><h4>Alias jalur metode</h4><p class=\"note-s\">Gunakan jalur metode yang ditampilkan di atas.</p><h4>ID pemanggil terkait</h4><p class=\"note-s\"><a href=\"#m=mistralai%2Fmistral-embed-2312&amp;route=Ultra&amp;caller=mistralai%2Fmistral-embed-2312&amp;fmt=embeddings\"><code>mistralai/mistral-embed-2312</code></a></p></section></div>",
      "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": "Bidang wajib, representasi materi, atau nilai parameter tidak valid",
                "http_status": 400,
                "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.",
                "type": "invalid_request_error"
              }
            ],
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "job_read": null,
              "mode": "synchronous_json",
              "unknown": "Endpoint untuk tugas embedding tidak ditambahkan."
            },
            "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": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.",
              "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": "byte UTF8",
                  "token_unit": "elemen array token"
                },
                "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.",
                "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": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "user",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "session_id",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "trace",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "source_interface",
                "conditions": "provider.options ditolak",
                "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": [
            "Pertahankan index dan dimensi setiap vektor.",
            "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini."
          ],
          "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": "Tarif dasar token",
            "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 Fast",
            "value": "Tarif standar",
            "when": "Saat mode fast dipilih"
          },
          {
            "label": "Mode Flex",
            "value": "Tarif standar",
            "when": "Saat mode flex dipilih"
          },
          {
            "label": "Upaya penalaran maksimum",
            "value": "Tarif standar",
            "when": "Saat upaya penalaran maksimum menggunakan penyesuaian 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": "a735679d752a630b2b7c1560dfee4db3705922b95e5ea534919f61cadde1dedc",
    "input_html_sha256": "860368c7bd160c4f2752019640e9d7345a3b6065250149a6250b5a25e4eef24c",
    "private_audit_sha256": "8c54c51d71d9823ab01b31e5464ee1a3b3704307569c9cb36eaeb891f6a92547",
    "role": "historical-normalized-input-audit-hashes",
    "schema": "ailoot-native-model-provenance-v2"
  },
  "page": {
    "canonical": "https://ailoot.ai/models/id/mistralai-mistral-embed-2312/",
    "description": "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.",
    "locale": "id",
    "md_url": "https://ailoot.ai/models/id/mistralai-mistral-embed-2312/index.md",
    "title": "Mistral: Mistral Embed 2312 — Ailoot",
    "url": "https://ailoot.ai/models/id/mistralai-mistral-embed-2312/"
  },
  "rawModel": {
    "about": "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.\n\nMasukan, konteks, dan bentuk vektor\n\nHalaman 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.\n\nPanduan 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.\n\nRespons 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.\n\nKemiripan semantik\n\nPanduan 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.\n\nContoh 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.\n\nKemiripan 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.\n\nTemu kembali dan jawaban berbasis sumber\n\nAlur 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.\n\nUntuk 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.\n\nPenggunaan lain yang didokumentasikan\n\nPembuat 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.\n\nTetapkan 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.\n\nBatas edisi dan keluaran\n\nGunakan 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.\n\nEntri 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.",
    "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": "Informasi lengkap harga konfigurasi tersedia di bagian detail."
      }
    ],
    "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": "Bidang wajib, representasi materi, atau nilai parameter tidak valid",
                "http_status": 400,
                "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.",
                "type": "invalid_request_error"
              }
            ],
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "job_read": null,
              "mode": "synchronous_json",
              "unknown": "Endpoint untuk tugas embedding tidak ditambahkan."
            },
            "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": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.",
              "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": "byte UTF8",
                  "token_unit": "elemen array token"
                },
                "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.",
                "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": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "user",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "session_id",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "pass_through_metadata",
                "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "trace",
                "required": false,
                "type": "json_value"
              },
              {
                "availability": "source_interface",
                "conditions": "provider.options ditolak",
                "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": [
            "Pertahankan index dan dimensi setiap vektor.",
            "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini."
          ],
          "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": "Tarif dasar token",
            "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 Fast",
            "value": "Tarif standar",
            "when": "Saat mode fast dipilih"
          },
          {
            "label": "Mode Flex",
            "value": "Tarif standar",
            "when": "Saat mode flex dipilih"
          },
          {
            "label": "Upaya penalaran maksimum",
            "value": "Tarif standar",
            "when": "Saat upaya penalaran maksimum menggunakan penyesuaian 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 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."
  },
  "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 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.",
  "source": {
    "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1",
    "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036",
    "raw_model_json_sha256": "4140ce2a26c6197d50f4e1da995462e995c2b068ed64508556d50e5c4fabf589",
    "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d"
  },
  "sourceRevision": "ecf70494d91947fc7d7b0b0961c1bc2b13d866f415f72adba9a22e656107c7ca"
}