{
  "aboutHtml": "<p>Codestral Embed 2505 ialah model embedding Mistral AI yang dikhususkan untuk pemerolehan semula kod. Ia menerima teks yang mengandungi kod sumber atau pertanyaan kod dalam bahasa semula jadi dan mengembalikan vektor berangka. Pembuat meletakkannya untuk carian repositori, pemerolehan semula konteks bagi pembantu pengekodan, analisis keserupaan dan pendua serta pengelompokan kod mengikut fungsi atau struktur. Pengecam keluaran tetapnya ialah codestral-embed-2505.</p><p>Input dan perwakilan</p><p>Input kod boleh berupa fungsi, fragmen sumber berkaitan atau unit repositori bermakna yang lain. Pertanyaan bahasa semula jadi boleh menerangkan tingkah laku yang dicari, bukannya menamakan simbol tepat. Embedding mewakili input itu untuk perbandingan; model tidak menjana pelaksanaan baharu atau menjalankan kod yang diterimanya.</p><p>Keluaran rasmi mendokumenkan konteks input penuh 8,192 token. Untuk pemerolehan semula, pembuat mengesyorkan segmen kira-kira 3,000 aksara dengan pertindihan 1,000 aksara, sambil menyatakan bahawa segmen lebih besar boleh menjejaskan pemerolehan semula. Ini cadangan penyediaan pemerolehan semula, bukannya had token sebanyak 3,000 aksara. Simpan perkaitan fail, simbol dan lokasi sumber dengan setiap item yang disediakan supaya aplikasi dapat mengembalikan kod relevan selepas carian.</p><p>Ketepatan output dan dimensi</p><p>Panduan embedding kod mendokumenkan jenis output float, int8, uint8, binary dan ubinary. Float menggunakan nilai ketepatan tunggal 32 bit. Int8 menggunakan integer bertanda 8 bit dari -128 hingga 127, manakala uint8 menggunakan nilai tanpa tanda 8 bit dari 0 hingga 255. Binary dan ubinary menyimpan nilai terkuantum satu bit dalam elemen padat 8 bit, masing-masing menggunakan bekas bertanda atau tanpa tanda.</p><p>Perwakilan bit yang dipadatkan mengubah panjang senarai yang dikembalikan: panduan menerangkan satu elemen padat bagi setiap lapan dimensi embedding logik. Oleh itu, perbandingan yang mengambil kira format berbeza daripada menganggap bait padat sebagai koordinat titik terapung biasa. Simpan jenis terpilih bersama vektor dan gunakan perwakilan sama untuk kod berindeks serta pertanyaannya.</p><p>Dokumentasi parameter memberikan dimensi lalai 1,536 dan maksimum 3,072. Dimensi disusun mengikut kerelevanan dan pembuat menerangkan pengekalan sejumlah dimensi terawal mengikut bilangan yang dipilih sebagai cara memilih saiz perwakilan. Pilih dimensi secara konsisten untuk koleksi tersimpan dan pertanyaan baharu. Perwakilan lebih pendek atau terkuantum mengubah tingkah laku penyimpanan dan perbandingan; ia tidak menambah konteks input atau menjadikan model penjana kod.</p><p>Pengekodan dengan pemerolehan semula tambahan</p><p>Kes penggunaan pertama keluaran ialah mendapatkan konteks untuk pelengkapan, penyuntingan atau penjelasan kod. Sediakan unit kod bermakna dan simpan revisi repositori serta pengecam sumber. Soalan tentang cara ralat tertentu dikendalikan boleh mendapatkan fungsi berkaitan, yang kemudian dibekalkan aplikasi kepada model pengekodan bersama permintaan perubahan sebenar.</p><p>Hasil praktikal ialah set petikan sumber berperingkat bersama laluan fail, simbol dan kandungan yang diperlukan untuk memahami tingkah lakunya. Petikan yang diperoleh semula boleh dibuka oleh pembangun atau dihantar kepada pembantu. Codestral Embed melakukan langkah perwakilan; komponen berasingan memilih hasil dan model penjanaan menulis penjelasan atau kod cadangan.</p><p>Carian semantik dan keserupaan</p><p>Pembuat menerangkan carian kod menggunakan pertanyaan bahasa semula jadi atau kod. Pembangun boleh meminta pelaksanaan sesuatu tingkah laku walaupun nama fungsinya berbeza daripada ungkapan permintaan. Sertakan tingkah laku dan syarat yang membezakan pelaksanaan sasaran; pertanyaan umum tentang seluruh subsistem mungkin mendapatkan bahan berkaitan tanpa menyelesaikan soalan khusus.</p><p>Keluaran turut menerangkan pencarian kod hampir pendua atau serupa dari segi fungsi walaupun terdapat perbezaan leksikal. Hasil sedemikian boleh membantu mencari pelaksanaan yang boleh digunakan semula atau mengenal pasti kod yang memerlukan semakan lanjut. Keserupaan dalam ruang embedding ialah isyarat untuk memeriksa sumber; ia tidak membuktikan bahawa dua fragmen berkelakuan sama bagi setiap input.</p><p>Pengelompokan, analitik dan perbandingan</p><p>Embedding kod boleh digunakan untuk mengumpulkan kod mengikut fungsi atau struktur dan memeriksa komposisi repositori. Pastikan petikan serta pengecam asal tersedia supaya kumpulan dapat ditafsirkan oleh manusia atau langkah aplikasi kemudian. Kelompok ialah pengumpulan berasaskan perwakilan, bukan penerangan seni bina yang disahkan secara automatik.</p><p>Contoh vektor titik terapung pembuat menggunakan embedding yang dinormalkan kepada panjang unit, yang memberikan kedudukan konsisten melalui keserupaan kosinus, hasil darab titik dan jarak Euclidean. Output terkuantum dan bit yang dipadatkan perlu mengekalkan pengendalian formatnya sendiri, bukannya mewarisi andaian tentang koordinat titik terapung mentah. Endpoint yang diterbitkan turut mengekalkan indeks input, membantu memelihara pautan setiap vektor kepada item sumbernya.</p><p>Edisi dan sempadan praktikal</p><p>Halaman model tepat menyenaraikan aliran kerja embedding dan batch dengan label konteks 8k, manakala keluaran memberikan nilai 8,192 token. Kekalkan edisi bernama 2505, dimensi output terpilih dan jenisnya sepanjang aliran kerja koleksi serta pertanyaan. Ini output vektor berorientasikan kod, berbeza daripada pelengkapan teks Codestral dan model teks Mistral Embed berdimensi tetap.</p><p>Sediakan unit kod yang membawa tingkah laku berkaitan, simpan lokasi sumbernya dan nyatakan soalan untuk pencarian. Artifak berguna ialah perwakilan yang boleh diperoleh semula dan terikat pada kod sebenar, yang menyokong langkah penjelasan, penyuntingan atau semakan pembangun seterusnya tanpa melaksanakan langkah itu sendiri.</p>",
  "aboutText": "Codestral Embed 2505 ialah model embedding Mistral AI yang dikhususkan untuk pemerolehan semula kod. Ia menerima teks yang mengandungi kod sumber atau pertanyaan kod dalam bahasa semula jadi dan mengembalikan vektor berangka. Pembuat meletakkannya untuk carian repositori, pemerolehan semula konteks bagi pembantu pengekodan, analisis keserupaan dan pendua serta pengelompokan kod mengikut fungsi atau struktur. Pengecam keluaran tetapnya ialah codestral-embed-2505.\n\nInput dan perwakilan\n\nInput kod boleh berupa fungsi, fragmen sumber berkaitan atau unit repositori bermakna yang lain. Pertanyaan bahasa semula jadi boleh menerangkan tingkah laku yang dicari, bukannya menamakan simbol tepat. Embedding mewakili input itu untuk perbandingan; model tidak menjana pelaksanaan baharu atau menjalankan kod yang diterimanya.\n\nKeluaran rasmi mendokumenkan konteks input penuh 8,192 token. Untuk pemerolehan semula, pembuat mengesyorkan segmen kira-kira 3,000 aksara dengan pertindihan 1,000 aksara, sambil menyatakan bahawa segmen lebih besar boleh menjejaskan pemerolehan semula. Ini cadangan penyediaan pemerolehan semula, bukannya had token sebanyak 3,000 aksara. Simpan perkaitan fail, simbol dan lokasi sumber dengan setiap item yang disediakan supaya aplikasi dapat mengembalikan kod relevan selepas carian.\n\nKetepatan output dan dimensi\n\nPanduan embedding kod mendokumenkan jenis output float, int8, uint8, binary dan ubinary. Float menggunakan nilai ketepatan tunggal 32 bit. Int8 menggunakan integer bertanda 8 bit dari -128 hingga 127, manakala uint8 menggunakan nilai tanpa tanda 8 bit dari 0 hingga 255. Binary dan ubinary menyimpan nilai terkuantum satu bit dalam elemen padat 8 bit, masing-masing menggunakan bekas bertanda atau tanpa tanda.\n\nPerwakilan bit yang dipadatkan mengubah panjang senarai yang dikembalikan: panduan menerangkan satu elemen padat bagi setiap lapan dimensi embedding logik. Oleh itu, perbandingan yang mengambil kira format berbeza daripada menganggap bait padat sebagai koordinat titik terapung biasa. Simpan jenis terpilih bersama vektor dan gunakan perwakilan sama untuk kod berindeks serta pertanyaannya.\n\nDokumentasi parameter memberikan dimensi lalai 1,536 dan maksimum 3,072. Dimensi disusun mengikut kerelevanan dan pembuat menerangkan pengekalan sejumlah dimensi terawal mengikut bilangan yang dipilih sebagai cara memilih saiz perwakilan. Pilih dimensi secara konsisten untuk koleksi tersimpan dan pertanyaan baharu. Perwakilan lebih pendek atau terkuantum mengubah tingkah laku penyimpanan dan perbandingan; ia tidak menambah konteks input atau menjadikan model penjana kod.\n\nPengekodan dengan pemerolehan semula tambahan\n\nKes penggunaan pertama keluaran ialah mendapatkan konteks untuk pelengkapan, penyuntingan atau penjelasan kod. Sediakan unit kod bermakna dan simpan revisi repositori serta pengecam sumber. Soalan tentang cara ralat tertentu dikendalikan boleh mendapatkan fungsi berkaitan, yang kemudian dibekalkan aplikasi kepada model pengekodan bersama permintaan perubahan sebenar.\n\nHasil praktikal ialah set petikan sumber berperingkat bersama laluan fail, simbol dan kandungan yang diperlukan untuk memahami tingkah lakunya. Petikan yang diperoleh semula boleh dibuka oleh pembangun atau dihantar kepada pembantu. Codestral Embed melakukan langkah perwakilan; komponen berasingan memilih hasil dan model penjanaan menulis penjelasan atau kod cadangan.\n\nCarian semantik dan keserupaan\n\nPembuat menerangkan carian kod menggunakan pertanyaan bahasa semula jadi atau kod. Pembangun boleh meminta pelaksanaan sesuatu tingkah laku walaupun nama fungsinya berbeza daripada ungkapan permintaan. Sertakan tingkah laku dan syarat yang membezakan pelaksanaan sasaran; pertanyaan umum tentang seluruh subsistem mungkin mendapatkan bahan berkaitan tanpa menyelesaikan soalan khusus.\n\nKeluaran turut menerangkan pencarian kod hampir pendua atau serupa dari segi fungsi walaupun terdapat perbezaan leksikal. Hasil sedemikian boleh membantu mencari pelaksanaan yang boleh digunakan semula atau mengenal pasti kod yang memerlukan semakan lanjut. Keserupaan dalam ruang embedding ialah isyarat untuk memeriksa sumber; ia tidak membuktikan bahawa dua fragmen berkelakuan sama bagi setiap input.\n\nPengelompokan, analitik dan perbandingan\n\nEmbedding kod boleh digunakan untuk mengumpulkan kod mengikut fungsi atau struktur dan memeriksa komposisi repositori. Pastikan petikan serta pengecam asal tersedia supaya kumpulan dapat ditafsirkan oleh manusia atau langkah aplikasi kemudian. Kelompok ialah pengumpulan berasaskan perwakilan, bukan penerangan seni bina yang disahkan secara automatik.\n\nContoh vektor titik terapung pembuat menggunakan embedding yang dinormalkan kepada panjang unit, yang memberikan kedudukan konsisten melalui keserupaan kosinus, hasil darab titik dan jarak Euclidean. Output terkuantum dan bit yang dipadatkan perlu mengekalkan pengendalian formatnya sendiri, bukannya mewarisi andaian tentang koordinat titik terapung mentah. Endpoint yang diterbitkan turut mengekalkan indeks input, membantu memelihara pautan setiap vektor kepada item sumbernya.\n\nEdisi dan sempadan praktikal\n\nHalaman model tepat menyenaraikan aliran kerja embedding dan batch dengan label konteks 8k, manakala keluaran memberikan nilai 8,192 token. Kekalkan edisi bernama 2505, dimensi output terpilih dan jenisnya sepanjang aliran kerja koleksi serta pertanyaan. Ini output vektor berorientasikan kod, berbeza daripada pelengkapan teks Codestral dan model teks Mistral Embed berdimensi tetap.\n\nSediakan unit kod yang membawa tingkah laku berkaitan, simpan lokasi sumbernya dan nyatakan soalan untuk pencarian. Artifak berguna ialah perwakilan yang boleh diperoleh semula dan terikat pada kod sebenar, yang menyokong langkah penjelasan, penyuntingan atau semakan pembangun seterusnya tanpa melaksanakan langkah itu sendiri.",
  "editorialOverlay": {
    "copy_fields": null,
    "copy_sha256": null,
    "copy_source": null,
    "html_sha256": "287b14cc5d58a4b5a016f8ac0fa036637b4c095bbe3e86078896eb9bdb8ebae2",
    "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06",
    "raw_model_unchanged": true,
    "schema": "ailoot-native-model-editorial-v1"
  },
  "locale": "ms",
  "methods": [
    {
      "html": "<div class=\"sheet-head\"><span class=\"mav\" aria-hidden=\"true\">•</span><h2 id=\"sheet-title\">Mistral: Codestral Embed 2505</h2><button class=\"icon-btn\" type=\"button\" data-close-sheet aria-label=\"Tutup\">×</button></div><div class=\"idline\"><span>Mistral /</span><code>mistralai/codestral-embed-2505</code><button type=\"button\" id=\"copy-id\">Salin ID</button></div><nav class=\"card-jump-nav\" aria-label=\"Bahagian kad model\"><button type=\"button\" data-card-jump=\"overview\">Pengenalan</button><button type=\"button\" data-card-jump=\"methods\">Input &amp; kaedah</button><button type=\"button\" data-card-jump=\"pricing\">Pelan harga</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=\"Kaedah 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%2Fcodestral-embed-2505\">Pembenaman</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\">Pengenalan</h3><p class=\"mdesc-full\">Codestral Embed 2505 mewakili kod dan pertanyaan bahasa semula jadi sebagai vektor untuk carian repositori dan pemerolehan semula pembantu pengekodan. Pembuat mendokumenkan konteks 8,192 token, dimensi boleh konfigurasi sehingga 3,072 serta format output titik terapung, integer atau bit yang dipadatkan.</p><dl class=\"card-io\" data-card-io><div><dt>Input 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>Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.</p><div class=\"mabout\" id=\"m-about\"><p>Codestral Embed 2505 ialah model embedding Mistral AI yang dikhususkan untuk pemerolehan semula kod. Ia menerima teks yang mengandungi kod sumber atau pertanyaan kod dalam bahasa semula jadi dan mengembalikan vektor berangka. Pembuat meletakkannya untuk carian repositori, pemerolehan semula konteks bagi pembantu pengekodan, analisis keserupaan dan pendua serta pengelompokan kod mengikut fungsi atau struktur. Pengecam keluaran tetapnya ialah codestral-embed-2505.</p><p>Input dan perwakilan</p><p>Input kod boleh berupa fungsi, fragmen sumber berkaitan atau unit repositori bermakna yang lain. Pertanyaan bahasa semula jadi boleh menerangkan tingkah laku yang dicari, bukannya menamakan simbol tepat. Embedding mewakili input itu untuk perbandingan; model tidak menjana pelaksanaan baharu atau menjalankan kod yang diterimanya.</p><p>Keluaran rasmi mendokumenkan konteks input penuh 8,192 token. Untuk pemerolehan semula, pembuat mengesyorkan segmen kira-kira 3,000 aksara dengan pertindihan 1,000 aksara, sambil menyatakan bahawa segmen lebih besar boleh menjejaskan pemerolehan semula. Ini cadangan penyediaan pemerolehan semula, bukannya had token sebanyak 3,000 aksara. Simpan perkaitan fail, simbol dan lokasi sumber dengan setiap item yang disediakan supaya aplikasi dapat mengembalikan kod relevan selepas carian.</p><p>Ketepatan output dan dimensi</p><p>Panduan embedding kod mendokumenkan jenis output float, int8, uint8, binary dan ubinary. Float menggunakan nilai ketepatan tunggal 32 bit. Int8 menggunakan integer bertanda 8 bit dari -128 hingga 127, manakala uint8 menggunakan nilai tanpa tanda 8 bit dari 0 hingga 255. Binary dan ubinary menyimpan nilai terkuantum satu bit dalam elemen padat 8 bit, masing-masing menggunakan bekas bertanda atau tanpa tanda.</p><p>Perwakilan bit yang dipadatkan mengubah panjang senarai yang dikembalikan: panduan menerangkan satu elemen padat bagi setiap lapan dimensi embedding logik. Oleh itu, perbandingan yang mengambil kira format berbeza daripada menganggap bait padat sebagai koordinat titik terapung biasa. Simpan jenis terpilih bersama vektor dan gunakan perwakilan sama untuk kod berindeks serta pertanyaannya.</p><p>Dokumentasi parameter memberikan dimensi lalai 1,536 dan maksimum 3,072. Dimensi disusun mengikut kerelevanan dan pembuat menerangkan pengekalan sejumlah dimensi terawal mengikut bilangan yang dipilih sebagai cara memilih saiz perwakilan. Pilih dimensi secara konsisten untuk koleksi tersimpan dan pertanyaan baharu. Perwakilan lebih pendek atau terkuantum mengubah tingkah laku penyimpanan dan perbandingan; ia tidak menambah konteks input atau menjadikan model penjana kod.</p><p>Pengekodan dengan pemerolehan semula tambahan</p><p>Kes penggunaan pertama keluaran ialah mendapatkan konteks untuk pelengkapan, penyuntingan atau penjelasan kod. Sediakan unit kod bermakna dan simpan revisi repositori serta pengecam sumber. Soalan tentang cara ralat tertentu dikendalikan boleh mendapatkan fungsi berkaitan, yang kemudian dibekalkan aplikasi kepada model pengekodan bersama permintaan perubahan sebenar.</p><p>Hasil praktikal ialah set petikan sumber berperingkat bersama laluan fail, simbol dan kandungan yang diperlukan untuk memahami tingkah lakunya. Petikan yang diperoleh semula boleh dibuka oleh pembangun atau dihantar kepada pembantu. Codestral Embed melakukan langkah perwakilan; komponen berasingan memilih hasil dan model penjanaan menulis penjelasan atau kod cadangan.</p><p>Carian semantik dan keserupaan</p><p>Pembuat menerangkan carian kod menggunakan pertanyaan bahasa semula jadi atau kod. Pembangun boleh meminta pelaksanaan sesuatu tingkah laku walaupun nama fungsinya berbeza daripada ungkapan permintaan. Sertakan tingkah laku dan syarat yang membezakan pelaksanaan sasaran; pertanyaan umum tentang seluruh subsistem mungkin mendapatkan bahan berkaitan tanpa menyelesaikan soalan khusus.</p><p>Keluaran turut menerangkan pencarian kod hampir pendua atau serupa dari segi fungsi walaupun terdapat perbezaan leksikal. Hasil sedemikian boleh membantu mencari pelaksanaan yang boleh digunakan semula atau mengenal pasti kod yang memerlukan semakan lanjut. Keserupaan dalam ruang embedding ialah isyarat untuk memeriksa sumber; ia tidak membuktikan bahawa dua fragmen berkelakuan sama bagi setiap input.</p><p>Pengelompokan, analitik dan perbandingan</p><p>Embedding kod boleh digunakan untuk mengumpulkan kod mengikut fungsi atau struktur dan memeriksa komposisi repositori. Pastikan petikan serta pengecam asal tersedia supaya kumpulan dapat ditafsirkan oleh manusia atau langkah aplikasi kemudian. Kelompok ialah pengumpulan berasaskan perwakilan, bukan penerangan seni bina yang disahkan secara automatik.</p><p>Contoh vektor titik terapung pembuat menggunakan embedding yang dinormalkan kepada panjang unit, yang memberikan kedudukan konsisten melalui keserupaan kosinus, hasil darab titik dan jarak Euclidean. Output terkuantum dan bit yang dipadatkan perlu mengekalkan pengendalian formatnya sendiri, bukannya mewarisi andaian tentang koordinat titik terapung mentah. Endpoint yang diterbitkan turut mengekalkan indeks input, membantu memelihara pautan setiap vektor kepada item sumbernya.</p><p>Edisi dan sempadan praktikal</p><p>Halaman model tepat menyenaraikan aliran kerja embedding dan batch dengan label konteks 8k, manakala keluaran memberikan nilai 8,192 token. Kekalkan edisi bernama 2505, dimensi output terpilih dan jenisnya sepanjang aliran kerja koleksi serta pertanyaan. Ini output vektor berorientasikan kod, berbeza daripada pelengkapan teks Codestral dan model teks Mistral Embed berdimensi tetap.</p><p>Sediakan unit kod yang membawa tingkah laku berkaitan, simpan lokasi sumbernya dan nyatakan soalan untuk pencarian. Artifak berguna ialah perwakilan yang boleh diperoleh semula dan terikat pada kod sebenar, yang menyokong langkah penjelasan, penyuntingan atau semakan pembangun seterusnya tanpa melaksanakan langkah itu sendiri.</p></div></details></section><section class=\"card-section\" data-card-section=\"methods\"><h3 tabindex=\"-1\">Tersedia di Ailoot · input &amp; kaedah</h3><details class=\"card-method\" open><summary><b>Ailoot Ultra · Pembenaman</b> <code>POST /v1/embeddings</code></summary><dl class=\"method-capabilities\"><div><dt>Input</dt><dd><code>text</code>, <code>token_ids</code></dd></div><div><dt>Output</dt><dd><code>embedding</code></dd></div><div><dt>Konteks</dt><dd>8,192 tokens</dd></div><div><dt>Format output</dt><dd>json</dd></div></dl><div class=\"tw\" data-card-parameters data-typed-parameters><table><thead><tr><th>Medan</th><th>Jenis</th><th>Keperluan</th><th>Nilai &amp; had</th><th>Lalai</th></tr></thead><tbody><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</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=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Diperlukan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span><div>mistralai/codestral-embed-2505</div></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</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=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Diperlukan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span><div>Item minimum: 1</div><div>Syarat: Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.</div><div>Bajet input: Maksimum: 8,192 · Unit teks: bait UTF8 · Unit token: elemen tatasusunan token</div></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</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=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Pilihan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span><div>float</div></td><td data-cell-label=\"Lalai\" data-default=\"known\"><span class=\"card-cell-label\">Lalai</span>float</td></tr><tr data-parameter-availability=\"unsupported\"><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</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=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Tidak disokong</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span><div>Minimum: 1</div></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</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=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Pilihan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span><div>Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.</div></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</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=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Pilihan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span><div>Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.</div></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr><tr data-parameter-availability=\"pass_through_metadata\"><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</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=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Pilihan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span><div>Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.</div></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</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=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Pilihan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span><div>Syarat: provider.options ditolak</div></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr></tbody></table></div><details class=\"card-about\" data-material-combinations><summary>Gabungan bahan input</summary><p class=\"note-s\"><b>text_to_embedding</b></p></details><details class=\"note-s\" data-method-contract><summary>Parameter kaedah dan kitar hayat</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>Kitar hayat: <code>synchronous_json</code></p><p class=\"note-s\">Simpan setiap indeks dan dimensi vektor.</p><p class=\"note-s\">Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini.</p></details></details></section><section class=\"card-section\" data-card-section=\"pricing\"><h3 tabindex=\"-1\">Pelan harga</h3><div data-native-semantic-method=\"v1\" data-tariff-reference-only><p class=\"note-s\" data-rate-support-note>Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.</p><dl data-price-conditions><dt>Mod pantas</dt><dd>Kadar standard <span class=\"note-s\">Apabila mod pantas dipilih</span></dd><dt>Mod flex</dt><dd>Kadar standard <span class=\"note-s\">Apabila mod flex dipilih</span></dd><dt>Usaha penaakulan maksimum</dt><dd>Kadar standard <span class=\"note-s\">Apabila usaha penaakulan maksimum menggunakan pelarasan default</span></dd></dl></div><div data-declared-tariff-pricing><h4>Kadar Ailoot</h4><h4>Harga mengikut konfigurasi</h4><div class=\"tw\" data-pricing-profiles><table><thead><tr><th>Konfigurasi</th><th>Jadual kadar</th><th>Caj</th></tr></thead><tbody><tr><th data-cell-label=\"Konfigurasi\" scope=\"row\"><span class=\"card-cell-label\">Konfigurasi</span>Kadar asas token</th><td data-cell-label=\"Jadual kadar\"><span class=\"card-cell-label\">Jadual kadar</span>Kadar asas</td><td data-cell-label=\"Caj\"><span class=\"card-cell-label\">Caj</span><div><span>Input · Token input</span> <b>$0.0003</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Output · Token output</span> <b>$0</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Bacaan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Penulisan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · 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 merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. <a href=\"/docs/ms/billing/reserve/\">Cara rizab dan penyelesaian caj berfungsi →</a></p></section><section class=\"card-section\" data-card-section=\"examples\"><h3 tabindex=\"-1\">Contoh permintaan</h3><h4>Ailoot Ultra · Pembenaman</h4><div class=\"code-group\"><div class=\"cg-bar\"><div class=\"cg-tabs\" role=\"tablist\" aria-label=\"Pilihan kod\"><button class=\"cg-tab\" id=\"model-code-1892-tab-0\" role=\"tab\" type=\"button\" aria-controls=\"model-code-1892-panel-0\" aria-selected=\"true\" tabindex=\"0\">curl</button><button class=\"cg-tab\" id=\"model-code-1892-tab-1\" role=\"tab\" type=\"button\" aria-controls=\"model-code-1892-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 kod\"><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-1892-panel-0\" role=\"tabpanel\" aria-labelledby=\"model-code-1892-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/codestral-embed-2505&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-1892-panel-1\" role=\"tabpanel\" aria-labelledby=\"model-code-1892-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/codestral-embed-2505&#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 · Pembenaman</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, fail dan bahagian kandungan yang dikembalikan.</p><p class=\"note-s\">Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.</p></div><div class=\"card-result-process\" data-unknown-recovery><h5>Jika respons asal perlu disemak</h5><p class=\"note-s\">Tiada titik akhir tugas pembenaman diperkenalkan.</p></div><details class=\"card-about\" data-output-fields><summary>Medan respons</summary><div class=\"tw\" data-card-table=\"output\"><table><thead><tr><th>Medan</th><th>Jenis</th></tr></thead><tbody><tr><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</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=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</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=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</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=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</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=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</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>Ralat dan langkah seterusnya</summary><div class=\"tw\" data-card-table=\"errors\"><table><thead><tr><th>Respons</th><th>Syarat</th><th>Langkah seterusnya</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=\"Syarat\"><span class=\"card-cell-label\">Syarat</span>Medan wajib, perwakilan bahan atau nilai parameter tidak sah</td><td data-cell-label=\"Langkah seterusnya\"><span class=\"card-cell-label\">Langkah seterusnya</span>Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.</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%2Fcodestral-embed-2505&amp;route=Ultra&amp;caller=mistralai%2Fcodestral-embed-2505&amp;fmt=embeddings\"><code>mistralai/codestral-embed-2505</code></a></span></p><h4>Alias laluan kaedah</h4><p class=\"note-s\">Gunakan laluan kaedah yang dipaparkan di atas.</p><h4>ID pemanggil berkaitan</h4><p class=\"note-s\"><a href=\"#m=mistralai%2Fcodestral-embed-2505&amp;route=Ultra&amp;caller=mistralai%2Fcodestral-embed-2505&amp;fmt=embeddings\"><code>mistralai/codestral-embed-2505</code></a></p></section></div>",
      "method_identity": {
        "effective_request_model_id": "mistralai/codestral-embed-2505",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "mistralai/codestral-embed-2505",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|mistralai%2Fcodestral-embed-2505",
      "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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah",
                "http_status": 400,
                "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.",
                "type": "invalid_request_error"
              }
            ],
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "job_read": null,
              "mode": "synchronous_json",
              "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan."
            },
            "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 bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti 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/codestral-embed-2505"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "budget": {
                  "maximum": 8192,
                  "text_unit": "bait UTF8",
                  "token_unit": "elemen tatasusunan token"
                },
                "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.",
                "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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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": [
            "Simpan setiap indeks dan dimensi vektor.",
            "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus 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": "Kadar asas token",
            "units": [
              {
                "amount": "0.0003000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000003",
                "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/codestral-embed-2505\", \"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/codestral-embed-2505',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": 0.3,
        "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": "Mod pantas",
            "value": "Kadar standard",
            "when": "Apabila mod pantas dipilih"
          },
          {
            "label": "Mod flex",
            "value": "Kadar standard",
            "when": "Apabila mod flex dipilih"
          },
          {
            "label": "Usaha penaakulan maksimum",
            "value": "Kadar standard",
            "when": "Apabila usaha penaakulan maksimum menggunakan pelarasan 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": "0.0003000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000003",
                "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/codestral-embed-2505",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.0003000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000003",
            "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/codestral-embed-2505",
  "nativeProvenance": {
    "input_facts_canonical_sha256": "aa1ad5afecd1fcce72bbafc10ca0135d7b9f8b7633b9eff88107a0fff57c11ce",
    "input_html_sha256": "5f316a0a039b42260f8f3773a0c61e01f5868be775ffcdd304c6702d03d39248",
    "private_audit_sha256": "593f9a2648f6cf6b139c5274052bd7454cb957ff729c31f71967887c1f0b209e",
    "role": "historical-normalized-input-audit-hashes",
    "schema": "ailoot-native-model-provenance-v2"
  },
  "page": {
    "canonical": "https://ailoot.ai/models/ms/mistralai-codestral-embed-2505/",
    "description": "Codestral Embed 2505 mewakili kod dan pertanyaan bahasa semula jadi sebagai vektor untuk carian repositori dan pemerolehan semula pembantu pengekodan. Pembuat mendokumenkan konteks 8,192 token, dimensi boleh konfigurasi sehingga 3,072 serta format output titik terapung, integer atau bit yang dipadatkan.",
    "locale": "ms",
    "md_url": "https://ailoot.ai/models/ms/mistralai-codestral-embed-2505/index.md",
    "title": "Mistral: Codestral Embed 2505 — Ailoot",
    "url": "https://ailoot.ai/models/ms/mistralai-codestral-embed-2505/"
  },
  "rawModel": {
    "about": "Codestral Embed 2505 ialah model embedding Mistral AI yang dikhususkan untuk pemerolehan semula kod. Ia menerima teks yang mengandungi kod sumber atau pertanyaan kod dalam bahasa semula jadi dan mengembalikan vektor berangka. Pembuat meletakkannya untuk carian repositori, pemerolehan semula konteks bagi pembantu pengekodan, analisis keserupaan dan pendua serta pengelompokan kod mengikut fungsi atau struktur. Pengecam keluaran tetapnya ialah codestral-embed-2505.\n\nInput dan perwakilan\n\nInput kod boleh berupa fungsi, fragmen sumber berkaitan atau unit repositori bermakna yang lain. Pertanyaan bahasa semula jadi boleh menerangkan tingkah laku yang dicari, bukannya menamakan simbol tepat. Embedding mewakili input itu untuk perbandingan; model tidak menjana pelaksanaan baharu atau menjalankan kod yang diterimanya.\n\nKeluaran rasmi mendokumenkan konteks input penuh 8,192 token. Untuk pemerolehan semula, pembuat mengesyorkan segmen kira-kira 3,000 aksara dengan pertindihan 1,000 aksara, sambil menyatakan bahawa segmen lebih besar boleh menjejaskan pemerolehan semula. Ini cadangan penyediaan pemerolehan semula, bukannya had token sebanyak 3,000 aksara. Simpan perkaitan fail, simbol dan lokasi sumber dengan setiap item yang disediakan supaya aplikasi dapat mengembalikan kod relevan selepas carian.\n\nKetepatan output dan dimensi\n\nPanduan embedding kod mendokumenkan jenis output float, int8, uint8, binary dan ubinary. Float menggunakan nilai ketepatan tunggal 32 bit. Int8 menggunakan integer bertanda 8 bit dari -128 hingga 127, manakala uint8 menggunakan nilai tanpa tanda 8 bit dari 0 hingga 255. Binary dan ubinary menyimpan nilai terkuantum satu bit dalam elemen padat 8 bit, masing-masing menggunakan bekas bertanda atau tanpa tanda.\n\nPerwakilan bit yang dipadatkan mengubah panjang senarai yang dikembalikan: panduan menerangkan satu elemen padat bagi setiap lapan dimensi embedding logik. Oleh itu, perbandingan yang mengambil kira format berbeza daripada menganggap bait padat sebagai koordinat titik terapung biasa. Simpan jenis terpilih bersama vektor dan gunakan perwakilan sama untuk kod berindeks serta pertanyaannya.\n\nDokumentasi parameter memberikan dimensi lalai 1,536 dan maksimum 3,072. Dimensi disusun mengikut kerelevanan dan pembuat menerangkan pengekalan sejumlah dimensi terawal mengikut bilangan yang dipilih sebagai cara memilih saiz perwakilan. Pilih dimensi secara konsisten untuk koleksi tersimpan dan pertanyaan baharu. Perwakilan lebih pendek atau terkuantum mengubah tingkah laku penyimpanan dan perbandingan; ia tidak menambah konteks input atau menjadikan model penjana kod.\n\nPengekodan dengan pemerolehan semula tambahan\n\nKes penggunaan pertama keluaran ialah mendapatkan konteks untuk pelengkapan, penyuntingan atau penjelasan kod. Sediakan unit kod bermakna dan simpan revisi repositori serta pengecam sumber. Soalan tentang cara ralat tertentu dikendalikan boleh mendapatkan fungsi berkaitan, yang kemudian dibekalkan aplikasi kepada model pengekodan bersama permintaan perubahan sebenar.\n\nHasil praktikal ialah set petikan sumber berperingkat bersama laluan fail, simbol dan kandungan yang diperlukan untuk memahami tingkah lakunya. Petikan yang diperoleh semula boleh dibuka oleh pembangun atau dihantar kepada pembantu. Codestral Embed melakukan langkah perwakilan; komponen berasingan memilih hasil dan model penjanaan menulis penjelasan atau kod cadangan.\n\nCarian semantik dan keserupaan\n\nPembuat menerangkan carian kod menggunakan pertanyaan bahasa semula jadi atau kod. Pembangun boleh meminta pelaksanaan sesuatu tingkah laku walaupun nama fungsinya berbeza daripada ungkapan permintaan. Sertakan tingkah laku dan syarat yang membezakan pelaksanaan sasaran; pertanyaan umum tentang seluruh subsistem mungkin mendapatkan bahan berkaitan tanpa menyelesaikan soalan khusus.\n\nKeluaran turut menerangkan pencarian kod hampir pendua atau serupa dari segi fungsi walaupun terdapat perbezaan leksikal. Hasil sedemikian boleh membantu mencari pelaksanaan yang boleh digunakan semula atau mengenal pasti kod yang memerlukan semakan lanjut. Keserupaan dalam ruang embedding ialah isyarat untuk memeriksa sumber; ia tidak membuktikan bahawa dua fragmen berkelakuan sama bagi setiap input.\n\nPengelompokan, analitik dan perbandingan\n\nEmbedding kod boleh digunakan untuk mengumpulkan kod mengikut fungsi atau struktur dan memeriksa komposisi repositori. Pastikan petikan serta pengecam asal tersedia supaya kumpulan dapat ditafsirkan oleh manusia atau langkah aplikasi kemudian. Kelompok ialah pengumpulan berasaskan perwakilan, bukan penerangan seni bina yang disahkan secara automatik.\n\nContoh vektor titik terapung pembuat menggunakan embedding yang dinormalkan kepada panjang unit, yang memberikan kedudukan konsisten melalui keserupaan kosinus, hasil darab titik dan jarak Euclidean. Output terkuantum dan bit yang dipadatkan perlu mengekalkan pengendalian formatnya sendiri, bukannya mewarisi andaian tentang koordinat titik terapung mentah. Endpoint yang diterbitkan turut mengekalkan indeks input, membantu memelihara pautan setiap vektor kepada item sumbernya.\n\nEdisi dan sempadan praktikal\n\nHalaman model tepat menyenaraikan aliran kerja embedding dan batch dengan label konteks 8k, manakala keluaran memberikan nilai 8,192 token. Kekalkan edisi bernama 2505, dimensi output terpilih dan jenisnya sepanjang aliran kerja koleksi serta pertanyaan. Ini output vektor berorientasikan kod, berbeza daripada pelengkapan teks Codestral dan model teks Mistral Embed berdimensi tetap.\n\nSediakan unit kod yang membawa tingkah laku berkaitan, simpan lokasi sumbernya dan nyatakan soalan untuk pencarian. Artifak berguna ialah perwakilan yang boleh diperoleh semula dan terikat pada kod sebenar, yang menyokong langkah penjelasan, penyuntingan atau semakan pembangun seterusnya tanpa melaksanakan langkah itu sendiri.",
    "alias_of": null,
    "aliases": [],
    "author": "Mistral",
    "available": null,
    "canonical_model": "mistralai/codestral-embed-2505",
    "capabilities": {
      "context_length": 8192,
      "manufacturer_input": [
        "text"
      ],
      "manufacturer_output": [
        "embeddings"
      ]
    },
    "card_routes": [
      {
        "label": "Ultra",
        "rates": [
          {
            "amount": "0.0003000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000003",
            "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": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran."
      }
    ],
    "ctx": 8192,
    "entity_type": "model",
    "formats": [
      "embeddings"
    ],
    "id": "mistralai/codestral-embed-2505",
    "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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah",
                "http_status": 400,
                "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.",
                "type": "invalid_request_error"
              }
            ],
            "hints": [],
            "ignored_fields": [],
            "lifecycle": {
              "create": {
                "http": "POST",
                "path": "/v1/embeddings"
              },
              "job_read": null,
              "mode": "synchronous_json",
              "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan."
            },
            "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 bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti 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/codestral-embed-2505"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "budget": {
                  "maximum": 8192,
                  "text_unit": "bait UTF8",
                  "token_unit": "elemen tatasusunan token"
                },
                "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.",
                "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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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 membenarkan medan metadata JSON ini; semantik tepat di pihak huluan 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": [
            "Simpan setiap indeks dan dimensi vektor.",
            "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus 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": "Kadar asas token",
            "units": [
              {
                "amount": "0.0003000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000003",
                "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/codestral-embed-2505\", \"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/codestral-embed-2505',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": 0.3,
        "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": "Mod pantas",
            "value": "Kadar standard",
            "when": "Apabila mod pantas dipilih"
          },
          {
            "label": "Mod flex",
            "value": "Kadar standard",
            "when": "Apabila mod flex dipilih"
          },
          {
            "label": "Usaha penaakulan maksimum",
            "value": "Kadar standard",
            "when": "Apabila usaha penaakulan maksimum menggunakan pelarasan 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": "0.0003000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": "0.0000003",
                "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/codestral-embed-2505",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": "0.0003000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000003",
            "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/codestral-embed-2505",
        "request_model_id": "mistralai/codestral-embed-2505",
        "route_label": "Ultra"
      }
    ],
    "name": "Mistral: Codestral Embed 2505",
    "price": {
      "in": 0.3,
      "in_label": null,
      "out": 0,
      "out_label": null,
      "scope_label": "Token rates",
      "sort_in": 0.3,
      "sort_out": 0,
      "varies": false
    },
    "pricing_profiles": [
      {
        "dimensions": {
          "regime": "base"
        },
        "label": "Эмбеддинги · Base token rates",
        "units": [
          {
            "amount": "0.0003000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": "0.0000003",
            "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/codestral-embed-2505",
    "short": "Codestral Embed 2505 mewakili kod dan pertanyaan bahasa semula jadi sebagai vektor untuk carian repositori dan pemerolehan semula pembantu pengekodan. Pembuat mendokumenkan konteks 8,192 token, dimensi boleh konfigurasi sehingga 3,072 serta format output titik terapung, integer atau bit yang dipadatkan."
  },
  "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": "Codestral Embed 2505 mewakili kod dan pertanyaan bahasa semula jadi sebagai vektor untuk carian repositori dan pemerolehan semula pembantu pengekodan. Pembuat mendokumenkan konteks 8,192 token, dimensi boleh konfigurasi sehingga 3,072 serta format output titik terapung, integer atau bit yang dipadatkan.",
  "source": {
    "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1",
    "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036",
    "raw_model_json_sha256": "45b8cdfe8711dc35755f28c62235a8e2d8c9f840723ea9feadb15890326abc8a",
    "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460"
  },
  "sourceRevision": "78d27622b2ce72228ee2c3a9ea7ece700ab48c45cf092e45b963db14c54eddd0"
}