Mistral: Mistral Embed 2312
Mistral Embed 2312 menukarkan teks kepada vektor 1,024 dimensi untuk carian semantik, pemerolehan semula dan analisis teks berkaitan. Halaman pembuat mendokumenkan konteks 8k; hasilnya ialah perwakilan berangka yang dipautkan kepada setiap input, bukannya jawapan terjana.
Tentang model
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mistral Embed 2312 ialah model embedding teks Mistral AI untuk mewakili makna secara berangka. Ia menerima rentetan teks atau senarai rentetan dan mengembalikan embedding bagi setiap input. Hasilnya ialah vektor yang digunakan aplikasi untuk keserupaan, pemerolehan semula, pengelasan atau pengelompokan, bukannya penjelasan perbualan. Halaman model tetap pembuat mengenal pasti mistral-embed-2312.
Input, konteks dan bentuk vektor
Halaman model tepat mendokumenkan label konteks 8k. Sediakan setiap item teks dalam kapasiti input yang terpakai dan simpan identiti item bersama vektornya. Dokumen sumber panjang boleh dibahagikan kepada petikan berguna sambil mengekalkan tajuk dokumen, bahagian dan lokasi sumber yang diperlukan untuk mengembalikan bahan yang betul kemudian.
Panduan Mistral Embed pembuat menetapkan 1,024 dimensi untuk setiap embedding teks, tanpa mengira panjang input yang kelihatan. Oleh itu, soalan pendek dan petikan lebih panjang mempunyai bentuk vektor sama walaupun kandungan dan bilangan tokennya berbeza. Ini dimensi perwakilan output, bukan peruntukan token jawapan atau ukuran jumlah perkataan sumber yang dikekalkan.
Respons yang didokumenkan merangkumi embedding dan maklumat penggunaan token; contoh endpoint mengaitkan setiap vektor dengan indeks input. Kekalkan perkaitan itu ketika memproses beberapa teks. Aplikasi memerlukan teks asal dan pengecamnya selain hasil berangka untuk menunjukkan hasil carian berguna atau menyediakan bahan sumber kepada langkah kemudian.
Keserupaan semantik
Panduan menerangkan bahawa teks berkaitan cenderung berada dekat dalam ruang embedding. Ini menyokong pencarian petikan yang menggunakan perkataan berbeza untuk menyatakan topik atau keperluan yang sama. Contoh pertanyaan pangkalan pengetahuan mungkin bertanya cara memulihkan akses, manakala prosedur relevan menggunakan ungkapan berbeza bagi operasi sama. Aplikasi boleh membandingkan vektor pertanyaan dengan vektor petikan tersimpan, bukannya hanya bergantung pada padanan perkataan tepat.
Contoh pembuat menggunakan embedding yang dinormalkan kepada panjang unit. Untuk vektor sedemikian, keserupaan kosinus, hasil darab titik dan jarak Euclidean memberikan urutan keserupaan yang konsisten, walaupun nilai berangkanya tidak sama. Pilih satu kaedah perbandingan yang sesuai dan gunakannya secara konsisten merentas perwakilan pertanyaan dan dokumen.
Keserupaan bukan bukti bahawa dua pernyataan boleh saling menggantikan. Kekalkan teks sumber dan periksa syarat, tarikh atau pengecam yang penting kepada soalan. Dua petikan boleh menyentuh subjek sama sambil menerangkan prosedur atau pengecualian berbeza. Embedding membekalkan isyarat pemerolehan semula; pentafsiran petikan terpilih ialah bahagian tugas yang berasingan.
Pemerolehan semula dan jawapan berasaskan sumber
Aliran kerja dokumen praktikal menyediakan vektor untuk petikan pangkalan pengetahuan, menyimpan pengecam dan teks asalnya, kemudian membandingkan soalan baharu dengan koleksi itu. Kembalikan petikan relevan bersama lokasi sumbernya. Aplikasi boleh memaparkan petikan itu secara langsung atau membekalkannya kepada model penjanaan teks yang menulis jawapan berasaskan bahan yang diperoleh semula.
Untuk hasil carian berguna, simpan tajuk dokumen, bahagian, petikan dan pengecam yang digunakan untuk mencarinya. Pembantu sokongan kemudian boleh mendapatkan prosedur yang relevan kepada soalan pengguna dan menghantarnya ke peringkat penulisan jawapan. Mistral Embed melakukan langkah perwakilan berangka; ia tidak dengan sendirinya mendraf penjelasan akhir atau melaksanakan tindakan luaran.
Kegunaan lain yang didokumenkan
Pembuat turut menyenaraikan pengesanan parafrasa, pengelasan, pengelompokan dan pemprosesan berkelompok antara aliran kerja embedding. Tugas perbandingan boleh mendapatkan petikan bermakna berkaitan untuk semakan. Aliran kerja pengelasan boleh membandingkan input dengan contoh berlabel atau menggunakan vektor sebagai ciri untuk pengelas berasingan. Aliran kerja pengelompokan boleh mengumpulkan item serupa untuk penerangan kemudian oleh manusia atau aplikasi.
Takrifkan tujuan perwakilan sebelum menyediakan data. Petikan untuk carian semantik perlu mengekalkan maklumat yang diperlukan seseorang selepas pemerolehan semula; contoh pengelasan perlu menyertakan ungkapan yang membezakan kelas. Pastikan penyediaan konsisten supaya pertanyaan dan item tersimpan mewakili bahan yang boleh dibandingkan.
Sempadan edisi dan output
Gunakan edisi model yang sama dan perwakilan serasi untuk dokumen serta pertanyaannya. Vektor dengan bilangan koordinat sama daripada model berbeza tidak secara automatik berada dalam ruang semantik yang sama. Penggantian model atau perwakilan memerlukan item tersimpan dan pertanyaan kekal sejajar.
Entri ini menerangkan input teks dan output vektor berangka, dengan konteks 8k pembuat serta perwakilan 1,024 dimensi Mistral Embed yang didokumenkan. Dimensi boleh konfigurasi dan format terkuantum Codestral Embed tergolong dalam model kod yang dinamakan secara berasingan itu dan tidak patut diandaikan di sini. Imej, audio, prosa terjana dan pelaksanaan alat ialah keupayaan berasingan di luar hasil embedding teks ini.
Ailoot Ultra · Pembenaman POST /v1/embeddings mistralai/mistral-embed-2312
mistralai/mistral-embed-2312Pengenalan
Mistral Embed 2312 menukarkan teks kepada vektor 1,024 dimensi untuk carian semantik, pemerolehan semula dan analisis teks berkaitan. Halaman pembuat mendokumenkan konteks 8k; hasilnya ialah perwakilan berangka yang dipautkan kepada setiap input, bukannya jawapan terjana.
- Input yang diterima
- Teks · token_ids
- Hasil
- embedding
Tersedia di Ailoot · input & kaedah
Ailoot Ultra · Pembenaman POST /v1/embeddings
- Input
text,token_ids- Output
embedding- Konteks
- 8,192 tokens
- Format output
- json
| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/mistral-embed-2312 | Lalai— |
Medaninput | Jenisstring|string[]|integer[]|integer[][] | KeperluanDiperlukan | Nilai & had Item minimum: 1 Syarat: Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif. Bajet input: Maksimum: 8,192 · Unit teks: bait UTF8 · Unit token: elemen tatasusunan token | Lalai— |
Medanencoding_format | Jenisstring | KeperluanPilihan | Nilai & had float | Lalaifloat |
Medandimensions | Jenisinteger | KeperluanTidak disokong | Nilai & had Minimum: 1 | Lalai— |
Medanuser | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medansession_id | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medantrace | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak | Lalai— |
Gabungan bahan input
text_to_embedding
Parameter kaedah dan kitar hayat
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, input |
Parameterinput_shapes | Kontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontrakfloat |
Parameterdimensions_override | Kontrakfalse |
Parametermax_input_budget_units | Kontrak8192 |
Parametermultimodal_objects | Kontrakfalse |
Parametermaterial_types | Kontraktext, token_ids |
Kitar hayat: synchronous_json
Simpan setiap indeks dan dimensi vektor.
Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini.
Pelan harga
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
- Mod pantas
- Kadar standard Apabila mod pantas dipilih
- Mod flex
- Kadar standard Apabila mod flex dipilih
- Usaha penaakulan maksimum
- Kadar standard Apabila usaha penaakulan maksimum menggunakan pelarasan default
Kadar Ailoot
Harga mengikut konfigurasi
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
Contoh permintaan
Ailoot Ultra · Pembenaman
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "mistralai/mistral-embed-2312", "input": ["First document", "Second document"]}')
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
from openai import OpenAI
import os
client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='mistralai/mistral-embed-2312',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
Terima dan simpan hasil
Ailoot Ultra · Pembenaman
json
Simpan semua hasil yang selesai
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.
Jika respons asal perlu disemak
Tiada titik akhir tugas pembenaman diperkenalkan.
Medan respons
| Medan | Jenis |
|---|---|
Medanobject | Jenisstring |
Medanmodel | Jenisstring |
Medandata[].index | Jenisinteger |
Medandata[].embedding | Jenisfinite float[] |
Medanusage | Jenisobject |
Ralat dan langkah seterusnya
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Alias
Alias model
Ailoot Ultra mistralai/mistral-embed-2312
Alias laluan kaedah
Gunakan laluan kaedah yang dipaparkan di atas.
ID pemanggil berkaitan
FAQ · Mistral: Mistral Embed 2312
- Apakah input dan hasil yang tersedia?
POST /v1/embeddings·mistralai/mistral-embed-2312:text,token_ids→embedding- Apakah medan yang digunakan oleh permintaan?
POST /v1/embeddings·mistralai/mistral-embed-2312:model,input,encoding_format,provider- Apakah had yang terpakai?
POST /v1/embeddings·mistralai/mistral-embed-2312:ctx:8192;input.budget.maximum:8192(bait UTF8);input.min_items:1