Mistral Embed 2312 è il modello di embedding testuale di Mistral AI per rappresentare numericamente il significato. Accetta una stringa di testo o un elenco di stringhe e restituisce un embedding per ogni input. Il risultato è un vettore usato dall’applicazione per similarità, recupero, classificazione o clustering anziché una spiegazione conversazionale. La pagina fissa del modello presso il produttore identifica mistral-embed-2312.
Input, contesto e forma del vettore
La pagina esatta del modello documenta un’indicazione di contesto di 8k. Prepara ogni elemento testuale entro la capacità di input applicabile e mantieni l’identità dell’elemento insieme al suo vettore. Un documento di origine lungo può essere suddiviso in passaggi utili, conservando titolo del documento, sezione e posizione nella fonte necessari per restituire in seguito il materiale corretto.
La guida Mistral Embed del produttore specifica 1024 dimensioni per ogni embedding testuale, indipendentemente dalla lunghezza visibile dell’input. Una domanda breve e un passaggio più lungo hanno quindi la stessa forma vettoriale anche se contenuto e conteggio di token differiscono. È una dimensione della rappresentazione di output, non un budget di token di risposta né una misura di quante parole della fonte vengono conservate.
La risposta documentata include gli embedding e le informazioni sull’uso dei token; l’esempio dell’endpoint associa ogni vettore a un indice di input. Preserva questa associazione quando elabori più testi. L’applicazione ha bisogno del testo originale e dei suoi identificatori, oltre al risultato numerico, per mostrare un risultato di ricerca utile o fornire materiale di origine a una fase successiva.
Similarità semantica
La guida spiega che testi correlati tendono a essere vicini nello spazio di embedding. Ciò supporta la ricerca di passaggi che usano parole diverse per esprimere lo stesso argomento o requisito. Una query illustrativa in una base di conoscenze potrebbe chiedere come recuperare l’accesso, mentre la procedura pertinente usa un’espressione diversa per la stessa operazione. L’applicazione può confrontare il vettore della query con vettori di passaggi memorizzati anziché affidarsi soltanto alla corrispondenza esatta delle parole.
Gli esempi del produttore usano embedding normalizzati a norma unitaria. Per tali vettori, similarità del coseno, prodotto scalare e distanza euclidea danno ordinamenti di similarità coerenti, anche se i loro valori numerici non sono identici. Scegli un metodo di confronto adatto e applicalo in modo coerente alle rappresentazioni di query e documenti.
La similarità non è prova che due affermazioni siano intercambiabili. Conserva il testo di origine ed esamina la condizione, la data o l’identificatore rilevanti per la domanda. Due passaggi possono riguardare lo stesso argomento descrivendo procedure o eccezioni differenti. L’embedding fornisce un segnale di recupero; interpretare il passaggio selezionato è una parte distinta dell’attività.
Recupero e risposte basate sulle fonti
Un flusso documentale concreto prepara vettori per passaggi di una base di conoscenze, memorizza i loro identificatori e il testo originale, quindi confronta una nuova domanda con quella raccolta. Restituisci i passaggi pertinenti con le posizioni nelle fonti. L’applicazione può mostrare direttamente quei passaggi o fornirli a un modello di generazione testuale che scrive una risposta basata sul materiale recuperato.
Per un risultato di ricerca utile, conserva il titolo del documento, la sezione, il passaggio e l’identificatore usato per trovarlo. Un assistente di supporto può quindi recuperare la procedura pertinente alla domanda di un utente e passarla alla fase di scrittura della risposta. Mistral Embed esegue il passaggio di rappresentazione numerica; non redige direttamente la spiegazione finale e non esegue un’azione esterna.
Altri usi documentati
Il produttore elenca inoltre rilevamento di parafrasi, classificazione, clustering ed elaborazione in batch tra i flussi di embedding. Un’attività di confronto può recuperare passaggi con significato correlato per la verifica. Un flusso di classificazione può confrontare un input con esempi etichettati o usare i vettori come caratteristiche per un classificatore separato. Un flusso di clustering può raggruppare elementi simili per una successiva descrizione da parte di una persona o dell’applicazione.
Definisci lo scopo della rappresentazione prima di preparare i dati. Un passaggio usato per ricerca semantica dovrebbe preservare le informazioni necessarie dopo il recupero; un esempio di classificazione dovrebbe includere la formulazione che distingue la classe. Mantieni coerente la preparazione, affinché una query e un elemento memorizzato rappresentino materiale confrontabile.
Confini dell’edizione e dell’output
Usa la stessa edizione del modello e una rappresentazione compatibile per documenti e query. Un vettore con lo stesso numero di coordinate proveniente da un modello diverso non si trova automaticamente nello stesso spazio semantico. Sostituire il modello o la rappresentazione richiede che gli elementi memorizzati e le query rimangano allineati.
Questa voce descrive input testuale e output vettoriale numerico, con il contesto di 8k del produttore e la rappresentazione a 1024 dimensioni documentata per Mistral Embed. Le dimensioni configurabili e i formati quantizzati di Codestral Embed appartengono a quel modello di codice denominato separatamente e non devono essere presunti qui. Immagini, audio, testo generato ed esecuzione di strumenti sono capacità separate, esterne a questo risultato di embedding testuale.
", "aboutText": "Mistral Embed 2312 è il modello di embedding testuale di Mistral AI per rappresentare numericamente il significato. Accetta una stringa di testo o un elenco di stringhe e restituisce un embedding per ogni input. Il risultato è un vettore usato dall’applicazione per similarità, recupero, classificazione o clustering anziché una spiegazione conversazionale. La pagina fissa del modello presso il produttore identifica mistral-embed-2312.\n\nInput, contesto e forma del vettore\n\nLa pagina esatta del modello documenta un’indicazione di contesto di 8k. Prepara ogni elemento testuale entro la capacità di input applicabile e mantieni l’identità dell’elemento insieme al suo vettore. Un documento di origine lungo può essere suddiviso in passaggi utili, conservando titolo del documento, sezione e posizione nella fonte necessari per restituire in seguito il materiale corretto.\n\nLa guida Mistral Embed del produttore specifica 1024 dimensioni per ogni embedding testuale, indipendentemente dalla lunghezza visibile dell’input. Una domanda breve e un passaggio più lungo hanno quindi la stessa forma vettoriale anche se contenuto e conteggio di token differiscono. È una dimensione della rappresentazione di output, non un budget di token di risposta né una misura di quante parole della fonte vengono conservate.\n\nLa risposta documentata include gli embedding e le informazioni sull’uso dei token; l’esempio dell’endpoint associa ogni vettore a un indice di input. Preserva questa associazione quando elabori più testi. L’applicazione ha bisogno del testo originale e dei suoi identificatori, oltre al risultato numerico, per mostrare un risultato di ricerca utile o fornire materiale di origine a una fase successiva.\n\nSimilarità semantica\n\nLa guida spiega che testi correlati tendono a essere vicini nello spazio di embedding. Ciò supporta la ricerca di passaggi che usano parole diverse per esprimere lo stesso argomento o requisito. Una query illustrativa in una base di conoscenze potrebbe chiedere come recuperare l’accesso, mentre la procedura pertinente usa un’espressione diversa per la stessa operazione. L’applicazione può confrontare il vettore della query con vettori di passaggi memorizzati anziché affidarsi soltanto alla corrispondenza esatta delle parole.\n\nGli esempi del produttore usano embedding normalizzati a norma unitaria. Per tali vettori, similarità del coseno, prodotto scalare e distanza euclidea danno ordinamenti di similarità coerenti, anche se i loro valori numerici non sono identici. Scegli un metodo di confronto adatto e applicalo in modo coerente alle rappresentazioni di query e documenti.\n\nLa similarità non è prova che due affermazioni siano intercambiabili. Conserva il testo di origine ed esamina la condizione, la data o l’identificatore rilevanti per la domanda. Due passaggi possono riguardare lo stesso argomento descrivendo procedure o eccezioni differenti. L’embedding fornisce un segnale di recupero; interpretare il passaggio selezionato è una parte distinta dell’attività.\n\nRecupero e risposte basate sulle fonti\n\nUn flusso documentale concreto prepara vettori per passaggi di una base di conoscenze, memorizza i loro identificatori e il testo originale, quindi confronta una nuova domanda con quella raccolta. Restituisci i passaggi pertinenti con le posizioni nelle fonti. L’applicazione può mostrare direttamente quei passaggi o fornirli a un modello di generazione testuale che scrive una risposta basata sul materiale recuperato.\n\nPer un risultato di ricerca utile, conserva il titolo del documento, la sezione, il passaggio e l’identificatore usato per trovarlo. Un assistente di supporto può quindi recuperare la procedura pertinente alla domanda di un utente e passarla alla fase di scrittura della risposta. Mistral Embed esegue il passaggio di rappresentazione numerica; non redige direttamente la spiegazione finale e non esegue un’azione esterna.\n\nAltri usi documentati\n\nIl produttore elenca inoltre rilevamento di parafrasi, classificazione, clustering ed elaborazione in batch tra i flussi di embedding. Un’attività di confronto può recuperare passaggi con significato correlato per la verifica. Un flusso di classificazione può confrontare un input con esempi etichettati o usare i vettori come caratteristiche per un classificatore separato. Un flusso di clustering può raggruppare elementi simili per una successiva descrizione da parte di una persona o dell’applicazione.\n\nDefinisci lo scopo della rappresentazione prima di preparare i dati. Un passaggio usato per ricerca semantica dovrebbe preservare le informazioni necessarie dopo il recupero; un esempio di classificazione dovrebbe includere la formulazione che distingue la classe. Mantieni coerente la preparazione, affinché una query e un elemento memorizzato rappresentino materiale confrontabile.\n\nConfini dell’edizione e dell’output\n\nUsa la stessa edizione del modello e una rappresentazione compatibile per documenti e query. Un vettore con lo stesso numero di coordinate proveniente da un modello diverso non si trova automaticamente nello stesso spazio semantico. Sostituire il modello o la rappresentazione richiede che gli elementi memorizzati e le query rimangano allineati.\n\nQuesta voce descrive input testuale e output vettoriale numerico, con il contesto di 8k del produttore e la rappresentazione a 1024 dimensioni documentata per Mistral Embed. Le dimensioni configurabili e i formati quantizzati di Codestral Embed appartengono a quel modello di codice denominato separatamente e non devono essere presunti qui. Immagini, audio, testo generato ed esecuzione di strumenti sono capacità separate, esterne a questo risultato di embedding testuale.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b801eb0a4a73979e87f871fbb281f306ea3629489652c29fb294b3261de13b7b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "mistralai/mistral-embed-2312Mistral Embed 2312 trasforma il testo in vettori a 1024 dimensioni per ricerca semantica, recupero e analisi di testi correlati. La pagina del produttore documenta un contesto di 8k; il risultato è una rappresentazione numerica collegata a ogni input, anziché una risposta generata.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Mistral Embed 2312 è il modello di embedding testuale di Mistral AI per rappresentare numericamente il significato. Accetta una stringa di testo o un elenco di stringhe e restituisce un embedding per ogni input. Il risultato è un vettore usato dall’applicazione per similarità, recupero, classificazione o clustering anziché una spiegazione conversazionale. La pagina fissa del modello presso il produttore identifica mistral-embed-2312.
Input, contesto e forma del vettore
La pagina esatta del modello documenta un’indicazione di contesto di 8k. Prepara ogni elemento testuale entro la capacità di input applicabile e mantieni l’identità dell’elemento insieme al suo vettore. Un documento di origine lungo può essere suddiviso in passaggi utili, conservando titolo del documento, sezione e posizione nella fonte necessari per restituire in seguito il materiale corretto.
La guida Mistral Embed del produttore specifica 1024 dimensioni per ogni embedding testuale, indipendentemente dalla lunghezza visibile dell’input. Una domanda breve e un passaggio più lungo hanno quindi la stessa forma vettoriale anche se contenuto e conteggio di token differiscono. È una dimensione della rappresentazione di output, non un budget di token di risposta né una misura di quante parole della fonte vengono conservate.
La risposta documentata include gli embedding e le informazioni sull’uso dei token; l’esempio dell’endpoint associa ogni vettore a un indice di input. Preserva questa associazione quando elabori più testi. L’applicazione ha bisogno del testo originale e dei suoi identificatori, oltre al risultato numerico, per mostrare un risultato di ricerca utile o fornire materiale di origine a una fase successiva.
Similarità semantica
La guida spiega che testi correlati tendono a essere vicini nello spazio di embedding. Ciò supporta la ricerca di passaggi che usano parole diverse per esprimere lo stesso argomento o requisito. Una query illustrativa in una base di conoscenze potrebbe chiedere come recuperare l’accesso, mentre la procedura pertinente usa un’espressione diversa per la stessa operazione. L’applicazione può confrontare il vettore della query con vettori di passaggi memorizzati anziché affidarsi soltanto alla corrispondenza esatta delle parole.
Gli esempi del produttore usano embedding normalizzati a norma unitaria. Per tali vettori, similarità del coseno, prodotto scalare e distanza euclidea danno ordinamenti di similarità coerenti, anche se i loro valori numerici non sono identici. Scegli un metodo di confronto adatto e applicalo in modo coerente alle rappresentazioni di query e documenti.
La similarità non è prova che due affermazioni siano intercambiabili. Conserva il testo di origine ed esamina la condizione, la data o l’identificatore rilevanti per la domanda. Due passaggi possono riguardare lo stesso argomento descrivendo procedure o eccezioni differenti. L’embedding fornisce un segnale di recupero; interpretare il passaggio selezionato è una parte distinta dell’attività.
Recupero e risposte basate sulle fonti
Un flusso documentale concreto prepara vettori per passaggi di una base di conoscenze, memorizza i loro identificatori e il testo originale, quindi confronta una nuova domanda con quella raccolta. Restituisci i passaggi pertinenti con le posizioni nelle fonti. L’applicazione può mostrare direttamente quei passaggi o fornirli a un modello di generazione testuale che scrive una risposta basata sul materiale recuperato.
Per un risultato di ricerca utile, conserva il titolo del documento, la sezione, il passaggio e l’identificatore usato per trovarlo. Un assistente di supporto può quindi recuperare la procedura pertinente alla domanda di un utente e passarla alla fase di scrittura della risposta. Mistral Embed esegue il passaggio di rappresentazione numerica; non redige direttamente la spiegazione finale e non esegue un’azione esterna.
Altri usi documentati
Il produttore elenca inoltre rilevamento di parafrasi, classificazione, clustering ed elaborazione in batch tra i flussi di embedding. Un’attività di confronto può recuperare passaggi con significato correlato per la verifica. Un flusso di classificazione può confrontare un input con esempi etichettati o usare i vettori come caratteristiche per un classificatore separato. Un flusso di clustering può raggruppare elementi simili per una successiva descrizione da parte di una persona o dell’applicazione.
Definisci lo scopo della rappresentazione prima di preparare i dati. Un passaggio usato per ricerca semantica dovrebbe preservare le informazioni necessarie dopo il recupero; un esempio di classificazione dovrebbe includere la formulazione che distingue la classe. Mantieni coerente la preparazione, affinché una query e un elemento memorizzato rappresentino materiale confrontabile.
Confini dell’edizione e dell’output
Usa la stessa edizione del modello e una rappresentazione compatibile per documenti e query. Un vettore con lo stesso numero di coordinate proveniente da un modello diverso non si trova automaticamente nello stesso spazio semantico. Sostituire il modello o la rappresentazione richiede che gli elementi memorizzati e le query rimangano allineati.
Questa voce descrive input testuale e output vettoriale numerico, con il contesto di 8k del produttore e la rappresentazione a 1024 dimensioni documentata per Mistral Embed. Le dimensioni configurabili e i formati quantizzati di Codestral Embed appartengono a quel modello di codice denominato separatamente e non devono essere presunti qui. Immagini, audio, testo generato ed esecuzione di strumenti sono capacità separate, esterne a questo risultato di embedding testuale.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/mistral-embed-2312 | Predefinito— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 Condizioni: Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi. Budget di input: Massimo: 8192 · Unità di testo: byte UTF8 · Unità di token: elementi dell’array di token | Predefinito— |
Campoencoding_format | Tipostring | RequisitoFacoltativo | Valori e limiti float | Predefinitofloat |
Campodimensions | Tipointeger | RequisitoNon supportato | Valori e limiti Minimo: 1 | Predefinito— |
Campouser | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Camposession_id | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campotrace | Tipojson_value | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options rifiutato | Predefinito— |
text_to_embedding
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input |
Parametroinput_shapes | Contrattostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametroencoding_format | Contrattofloat |
Parametrodimensions_override | Contrattofalse |
Parametromax_input_budget_units | Contratto8192 |
Parametromultimodal_objects | Contrattofalse |
Parametromaterial_types | Contrattotext, token_ids |
Ciclo di vita: synchronous_json
Conserva l'indice e la dimensione di ogni vettore.
Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
| Configurazione | Listino delle tariffe | Costo |
|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input $0.0002 / 1K token Output · Token in output $0 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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\nfrom 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)\njson
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.
Non viene introdotto alcun endpoint per i job di embedding.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra mistralai/mistral-embed-2312
Usa i percorsi dei metodi indicati sopra.