{ "aboutHtml": "

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.

", "aboutText": "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.\n\nInput, konteks dan bentuk vektor\n\nHalaman 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.\n\nPanduan 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.\n\nRespons 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.\n\nKeserupaan semantik\n\nPanduan 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.\n\nContoh 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.\n\nKeserupaan 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.\n\nPemerolehan semula dan jawapan berasaskan sumber\n\nAliran 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.\n\nUntuk 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.\n\nKegunaan lain yang didokumenkan\n\nPembuat 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.\n\nTakrifkan 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.\n\nSempadan edisi dan output\n\nGunakan 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.\n\nEntri 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "46596db484f32fb5d34ce6f790747734a51c45b3e9d7a2cfb9a21a7e18c9565f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

Mistral: Mistral Embed 2312

Mistral /mistralai/mistral-embed-2312

Pengenalan

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
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.

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Pembenaman POST /v1/embeddings
Input
text, token_ids
Output
embedding
Konteks
8,192 tokens
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
mistralai/mistral-embed-2312
Lalai—
MedaninputJenisstring|string[]|integer[]|integer[][]KeperluanDiperlukanNilai & 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_formatJenisstringKeperluanPilihanNilai & had
float
Lalaifloat
MedandimensionsJenisintegerKeperluanTidak disokongNilai & had
Minimum: 1
Lalai—
MedanuserJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
Medansession_idJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedantraceJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedanproviderJenisobjectKeperluanPilihanNilai & had
Syarat: provider.options ditolak
Lalai—
Gabungan bahan input

text_to_embedding

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak8192
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext, 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

KonfigurasiJadual kadarCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasCaj
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\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-embed-2312", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

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
MedanJenis
MedanobjectJenisstring
MedanmodelJenisstring
Medandata[].indexJenisinteger
Medandata[].embeddingJenisfinite float[]
MedanusageJenisobject
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sahLangkah 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

mistralai/mistral-embed-2312

", "method_identity": { "effective_request_model_id": "mistralai/mistral-embed-2312", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "mistralai/mistral-embed-2312", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|mistralai%2Fmistral-embed-2312", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "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/mistral-embed-2312" ], "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": "0.0002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"mistralai/mistral-embed-2312\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='mistralai/mistral-embed-2312',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.2, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "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": "0.0002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "mistralai/mistral-embed-2312", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.0002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "mistralai/mistral-embed-2312", "nativeProvenance": { "input_facts_canonical_sha256": "a0abd5e3804ee8d7912f1d8af653a83634f49f4af62bd3274139f352a70b81ba", "input_html_sha256": "26ba002586c6dc44f5a0418d9d81ff41c7c924edbdedb0f799258713dd9e294a", "private_audit_sha256": "f0c73ebe68412e33efa66d56c314e55682382ca1a56a02a8381a895d8792c2c2", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/mistralai-mistral-embed-2312/", "description": "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.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/mistralai-mistral-embed-2312/index.md", "title": "Mistral: Mistral Embed 2312 — Ailoot", "url": "https://ailoot.ai/models/ms/mistralai-mistral-embed-2312/" }, "rawModel": { "about": "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.\n\nInput, konteks dan bentuk vektor\n\nHalaman 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.\n\nPanduan 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.\n\nRespons 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.\n\nKeserupaan semantik\n\nPanduan 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.\n\nContoh 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.\n\nKeserupaan 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.\n\nPemerolehan semula dan jawapan berasaskan sumber\n\nAliran 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.\n\nUntuk 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.\n\nKegunaan lain yang didokumenkan\n\nPembuat 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.\n\nTakrifkan 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.\n\nSempadan edisi dan output\n\nGunakan 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.\n\nEntri 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.", "alias_of": null, "aliases": [], "author": "Mistral", "available": null, "canonical_model": "mistralai/mistral-embed-2312", "capabilities": { "context_length": 8192, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.0002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran." } ], "ctx": 8192, "entity_type": "model", "formats": [ "embeddings" ], "id": "mistralai/mistral-embed-2312", "input": [ "text", "token_ids" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "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/mistral-embed-2312" ], "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": "0.0002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"mistralai/mistral-embed-2312\", \"input\": [\"First document\", \"Second document\"]}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path(\"result.json\").read_text())\nfor x in r.get(\"data\",[]): print(json.dumps({\"index\":x.get(\"index\"),\"embedding\":x.get(\"embedding\")}))\nPY_RESULT\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from openai import OpenAI\nimport os\n\nclient=OpenAI(base_url=\"https://api.ailoot.ai/v1\",api_key=os.environ[\"AILOOT_API_KEY\"],max_retries=0)\nresult=client.embeddings.create(model='mistralai/mistral-embed-2312',input=[\"First document\",\"Second document\"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.2, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "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": "0.0002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "mistralai/mistral-embed-2312", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.0002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "mistralai/mistral-embed-2312", "request_model_id": "mistralai/mistral-embed-2312", "route_label": "Ultra" } ], "name": "Mistral: Mistral Embed 2312", "price": { "in": 0.2, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.2, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.0002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.0000002", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "public_id": "mistralai/mistral-embed-2312", "short": "Mistral Embed 2312 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." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Mistral Embed 2312 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.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "8a12c4eedebd7548d817cb1e6a6d8585746e46b6e83304245ce0f076dd79f016", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "2c22dc3f8c62c57b1f49ccebfef6b251e0715c1db2b1419dcef0199a76ca5983" }