Mistral Embed 2312 is het tekstembeddingmodel van Mistral AI om betekenis numeriek te representeren. Het accepteert een tekenreeks of een lijst tekenreeksen en retourneert voor elke invoer een embedding. Het resultaat is een vector die de toepassing gebruikt voor gelijkenis, informatieopvraging, classificatie of clustering in plaats van een gespreksuitleg. De vaste modelpagina van de maker identificeert mistral-embed-2312.
Invoer, context en vectorvorm
De exacte modelpagina documenteert een 8k-contextlabel. Bereid elk tekstitem binnen de toepasselijke invoercapaciteit voor en bewaar de identiteit van het item bij de vector. Een lang brondocument kan in bruikbare passages worden verdeeld met behoud van documenttitel, sectie en bronlocatie die nodig zijn om later het juiste materiaal terug te geven.
De Mistral-Embed-gids van de maker specificeert 1.024 dimensies voor elke tekstembedding, ongeacht de zichtbare invoerlengte. Een korte vraag en een langere passage hebben dus dezelfde vectorvorm, ook al verschillen hun inhoud en tokenaantallen. Dat is een dimensie van de uitvoerrepresentatie, geen budget voor antwoordtokens of maatstaf voor hoeveel bronwoorden behouden blijven.
De gedocumenteerde respons bevat de embeddings en informatie over tokengebruik; het eindpuntvoorbeeld koppelt elke vector aan een invoerindex. Behoud die koppeling wanneer u verschillende teksten verwerkt. De toepassing heeft naast het numerieke resultaat de oorspronkelijke tekst en identifiers nodig om een bruikbare zoektreffer te tonen of bronmateriaal aan een latere stap te leveren.
Semantische gelijkenis
De gids legt uit dat verwante teksten doorgaans dicht bij elkaar in de embeddingruimte liggen. Dat ondersteunt het vinden van passages die met andere woorden hetzelfde onderwerp of dezelfde vereiste uitdrukken. Een illustratieve kennisbasisvraag kan vragen hoe toegang wordt hersteld, terwijl de relevante procedure voor dezelfde handeling een andere formulering gebruikt. De toepassing kan de vector van de vraag met opgeslagen passagevectoren vergelijken in plaats van uitsluitend op exacte woordmatching te vertrouwen.
De voorbeelden van de maker gebruiken naar eenheidslengte genormaliseerde embeddings. Voor zulke vectoren geven cosinusgelijkenis, inproduct en Euclidische afstand consistente gelijkenisrangschikkingen, ook al zijn hun numerieke waarden niet identiek. Kies één geschikte vergelijkingsmethode en pas die consistent toe op de zoekvraag- en documentrepresentaties.
Gelijkenis is geen bewijs dat twee uitspraken uitwisselbaar zijn. Bewaar de brontekst en onderzoek de voorwaarde, datum of identifier die voor de vraag belangrijk is. Twee passages kunnen hetzelfde onderwerp betreffen maar verschillende procedures of uitzonderingen beschrijven. De embedding levert een zoeksignaal; de geselecteerde passage interpreteren is een afzonderlijk deel van de taak.
Informatieopvraging en op bronnen gebaseerde antwoorden
Een praktische documentworkflow bereidt vectoren voor kennisbasispassages voor, bewaart hun identifiers en oorspronkelijke tekst en vergelijkt vervolgens een nieuwe vraag met die verzameling. Retourneer de relevante passages met hun bronlocaties. De toepassing kan die passages rechtstreeks tonen of ze aan een tekstgeneratiemodel leveren dat een antwoord schrijft op basis van het opgehaalde materiaal.
Bewaar voor een bruikbaar zoekresultaat de documenttitel, sectie, passage en de identifier waarmee het werd gevonden. Een supportassistent kan dan de procedure ophalen die relevant is voor een gebruikersvraag en die aan de antwoordschrijffase doorgeven. Mistral Embed voert de numerieke representatiestap uit; het stelt de definitieve uitleg niet zelf op en voert geen externe actie uit.
Andere gedocumenteerde toepassingen
De maker noemt ook parafrasedetectie, classificatie, clustering en batchverwerking als embeddingworkflows. Een vergelijkingstaak kan passages met verwante betekenis voor beoordeling ophalen. Een classificatieworkflow kan een invoer met gelabelde voorbeelden vergelijken of de vectoren als kenmerken voor een afzonderlijke classifier gebruiken. Een clusteringworkflow kan vergelijkbare items groeperen voor een latere beschrijving door een mens of toepassing.
Definieer het doel van de representatie voordat u de gegevens voorbereidt. Een passage voor semantisch zoeken moet de informatie behouden die iemand na het ophalen nodig heeft; een classificatievoorbeeld moet de bewoordingen bevatten die de klasse onderscheiden. Houd de voorbereiding consistent, zodat een zoekvraag en een opgeslagen item vergelijkbaar materiaal representeren.
Editie- en uitvoergrenzen
Gebruik dezelfde modeleditie en een compatibele representatie voor documenten en hun zoekvragen. Een vector met hetzelfde aantal coördinaten uit een ander model ligt niet automatisch in dezelfde semantische ruimte. Bij vervanging van model of representatie moeten de opgeslagen items en zoekvragen op elkaar afgestemd blijven.
Dit item beschrijft tekstinvoer en numerieke vectoruitvoer, met de 8k-context van de maker en de gedocumenteerde 1.024-dimensionale representatie van Mistral Embed. De configureerbare dimensies en gekwantiseerde formaten van Codestral Embed horen bij dat afzonderlijk benoemde codemodel en mogen hier niet worden verondersteld. Afbeeldingen, audio, gegenereerde tekst en tooluitvoering zijn afzonderlijke mogelijkheden buiten dit tekstembeddingresultaat.
", "aboutText": "Mistral Embed 2312 is het tekstembeddingmodel van Mistral AI om betekenis numeriek te representeren. Het accepteert een tekenreeks of een lijst tekenreeksen en retourneert voor elke invoer een embedding. Het resultaat is een vector die de toepassing gebruikt voor gelijkenis, informatieopvraging, classificatie of clustering in plaats van een gespreksuitleg. De vaste modelpagina van de maker identificeert mistral-embed-2312.\n\nInvoer, context en vectorvorm\n\nDe exacte modelpagina documenteert een 8k-contextlabel. Bereid elk tekstitem binnen de toepasselijke invoercapaciteit voor en bewaar de identiteit van het item bij de vector. Een lang brondocument kan in bruikbare passages worden verdeeld met behoud van documenttitel, sectie en bronlocatie die nodig zijn om later het juiste materiaal terug te geven.\n\nDe Mistral-Embed-gids van de maker specificeert 1.024 dimensies voor elke tekstembedding, ongeacht de zichtbare invoerlengte. Een korte vraag en een langere passage hebben dus dezelfde vectorvorm, ook al verschillen hun inhoud en tokenaantallen. Dat is een dimensie van de uitvoerrepresentatie, geen budget voor antwoordtokens of maatstaf voor hoeveel bronwoorden behouden blijven.\n\nDe gedocumenteerde respons bevat de embeddings en informatie over tokengebruik; het eindpuntvoorbeeld koppelt elke vector aan een invoerindex. Behoud die koppeling wanneer u verschillende teksten verwerkt. De toepassing heeft naast het numerieke resultaat de oorspronkelijke tekst en identifiers nodig om een bruikbare zoektreffer te tonen of bronmateriaal aan een latere stap te leveren.\n\nSemantische gelijkenis\n\nDe gids legt uit dat verwante teksten doorgaans dicht bij elkaar in de embeddingruimte liggen. Dat ondersteunt het vinden van passages die met andere woorden hetzelfde onderwerp of dezelfde vereiste uitdrukken. Een illustratieve kennisbasisvraag kan vragen hoe toegang wordt hersteld, terwijl de relevante procedure voor dezelfde handeling een andere formulering gebruikt. De toepassing kan de vector van de vraag met opgeslagen passagevectoren vergelijken in plaats van uitsluitend op exacte woordmatching te vertrouwen.\n\nDe voorbeelden van de maker gebruiken naar eenheidslengte genormaliseerde embeddings. Voor zulke vectoren geven cosinusgelijkenis, inproduct en Euclidische afstand consistente gelijkenisrangschikkingen, ook al zijn hun numerieke waarden niet identiek. Kies één geschikte vergelijkingsmethode en pas die consistent toe op de zoekvraag- en documentrepresentaties.\n\nGelijkenis is geen bewijs dat twee uitspraken uitwisselbaar zijn. Bewaar de brontekst en onderzoek de voorwaarde, datum of identifier die voor de vraag belangrijk is. Twee passages kunnen hetzelfde onderwerp betreffen maar verschillende procedures of uitzonderingen beschrijven. De embedding levert een zoeksignaal; de geselecteerde passage interpreteren is een afzonderlijk deel van de taak.\n\nInformatieopvraging en op bronnen gebaseerde antwoorden\n\nEen praktische documentworkflow bereidt vectoren voor kennisbasispassages voor, bewaart hun identifiers en oorspronkelijke tekst en vergelijkt vervolgens een nieuwe vraag met die verzameling. Retourneer de relevante passages met hun bronlocaties. De toepassing kan die passages rechtstreeks tonen of ze aan een tekstgeneratiemodel leveren dat een antwoord schrijft op basis van het opgehaalde materiaal.\n\nBewaar voor een bruikbaar zoekresultaat de documenttitel, sectie, passage en de identifier waarmee het werd gevonden. Een supportassistent kan dan de procedure ophalen die relevant is voor een gebruikersvraag en die aan de antwoordschrijffase doorgeven. Mistral Embed voert de numerieke representatiestap uit; het stelt de definitieve uitleg niet zelf op en voert geen externe actie uit.\n\nAndere gedocumenteerde toepassingen\n\nDe maker noemt ook parafrasedetectie, classificatie, clustering en batchverwerking als embeddingworkflows. Een vergelijkingstaak kan passages met verwante betekenis voor beoordeling ophalen. Een classificatieworkflow kan een invoer met gelabelde voorbeelden vergelijken of de vectoren als kenmerken voor een afzonderlijke classifier gebruiken. Een clusteringworkflow kan vergelijkbare items groeperen voor een latere beschrijving door een mens of toepassing.\n\nDefinieer het doel van de representatie voordat u de gegevens voorbereidt. Een passage voor semantisch zoeken moet de informatie behouden die iemand na het ophalen nodig heeft; een classificatievoorbeeld moet de bewoordingen bevatten die de klasse onderscheiden. Houd de voorbereiding consistent, zodat een zoekvraag en een opgeslagen item vergelijkbaar materiaal representeren.\n\nEditie- en uitvoergrenzen\n\nGebruik dezelfde modeleditie en een compatibele representatie voor documenten en hun zoekvragen. Een vector met hetzelfde aantal coördinaten uit een ander model ligt niet automatisch in dezelfde semantische ruimte. Bij vervanging van model of representatie moeten de opgeslagen items en zoekvragen op elkaar afgestemd blijven.\n\nDit item beschrijft tekstinvoer en numerieke vectoruitvoer, met de 8k-context van de maker en de gedocumenteerde 1.024-dimensionale representatie van Mistral Embed. De configureerbare dimensies en gekwantiseerde formaten van Codestral Embed horen bij dat afzonderlijk benoemde codemodel en mogen hier niet worden verondersteld. Afbeeldingen, audio, gegenereerde tekst en tooluitvoering zijn afzonderlijke mogelijkheden buiten dit tekstembeddingresultaat.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a625e4f3357901fe5530f121572fbbbfde337e847aeb997ace9ba9e8ecb7414d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "mistralai/mistral-embed-2312Mistral Embed 2312 zet tekst om in 1.024-dimensionale vectoren voor semantisch zoeken, informatieopvraging en analyse van verwante tekst. De makerpagina documenteert een 8k-context; het resultaat is een numerieke representatie gekoppeld aan elke invoer, in plaats van een gegenereerd antwoord.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Mistral Embed 2312 is het tekstembeddingmodel van Mistral AI om betekenis numeriek te representeren. Het accepteert een tekenreeks of een lijst tekenreeksen en retourneert voor elke invoer een embedding. Het resultaat is een vector die de toepassing gebruikt voor gelijkenis, informatieopvraging, classificatie of clustering in plaats van een gespreksuitleg. De vaste modelpagina van de maker identificeert mistral-embed-2312.
Invoer, context en vectorvorm
De exacte modelpagina documenteert een 8k-contextlabel. Bereid elk tekstitem binnen de toepasselijke invoercapaciteit voor en bewaar de identiteit van het item bij de vector. Een lang brondocument kan in bruikbare passages worden verdeeld met behoud van documenttitel, sectie en bronlocatie die nodig zijn om later het juiste materiaal terug te geven.
De Mistral-Embed-gids van de maker specificeert 1.024 dimensies voor elke tekstembedding, ongeacht de zichtbare invoerlengte. Een korte vraag en een langere passage hebben dus dezelfde vectorvorm, ook al verschillen hun inhoud en tokenaantallen. Dat is een dimensie van de uitvoerrepresentatie, geen budget voor antwoordtokens of maatstaf voor hoeveel bronwoorden behouden blijven.
De gedocumenteerde respons bevat de embeddings en informatie over tokengebruik; het eindpuntvoorbeeld koppelt elke vector aan een invoerindex. Behoud die koppeling wanneer u verschillende teksten verwerkt. De toepassing heeft naast het numerieke resultaat de oorspronkelijke tekst en identifiers nodig om een bruikbare zoektreffer te tonen of bronmateriaal aan een latere stap te leveren.
Semantische gelijkenis
De gids legt uit dat verwante teksten doorgaans dicht bij elkaar in de embeddingruimte liggen. Dat ondersteunt het vinden van passages die met andere woorden hetzelfde onderwerp of dezelfde vereiste uitdrukken. Een illustratieve kennisbasisvraag kan vragen hoe toegang wordt hersteld, terwijl de relevante procedure voor dezelfde handeling een andere formulering gebruikt. De toepassing kan de vector van de vraag met opgeslagen passagevectoren vergelijken in plaats van uitsluitend op exacte woordmatching te vertrouwen.
De voorbeelden van de maker gebruiken naar eenheidslengte genormaliseerde embeddings. Voor zulke vectoren geven cosinusgelijkenis, inproduct en Euclidische afstand consistente gelijkenisrangschikkingen, ook al zijn hun numerieke waarden niet identiek. Kies één geschikte vergelijkingsmethode en pas die consistent toe op de zoekvraag- en documentrepresentaties.
Gelijkenis is geen bewijs dat twee uitspraken uitwisselbaar zijn. Bewaar de brontekst en onderzoek de voorwaarde, datum of identifier die voor de vraag belangrijk is. Twee passages kunnen hetzelfde onderwerp betreffen maar verschillende procedures of uitzonderingen beschrijven. De embedding levert een zoeksignaal; de geselecteerde passage interpreteren is een afzonderlijk deel van de taak.
Informatieopvraging en op bronnen gebaseerde antwoorden
Een praktische documentworkflow bereidt vectoren voor kennisbasispassages voor, bewaart hun identifiers en oorspronkelijke tekst en vergelijkt vervolgens een nieuwe vraag met die verzameling. Retourneer de relevante passages met hun bronlocaties. De toepassing kan die passages rechtstreeks tonen of ze aan een tekstgeneratiemodel leveren dat een antwoord schrijft op basis van het opgehaalde materiaal.
Bewaar voor een bruikbaar zoekresultaat de documenttitel, sectie, passage en de identifier waarmee het werd gevonden. Een supportassistent kan dan de procedure ophalen die relevant is voor een gebruikersvraag en die aan de antwoordschrijffase doorgeven. Mistral Embed voert de numerieke representatiestap uit; het stelt de definitieve uitleg niet zelf op en voert geen externe actie uit.
Andere gedocumenteerde toepassingen
De maker noemt ook parafrasedetectie, classificatie, clustering en batchverwerking als embeddingworkflows. Een vergelijkingstaak kan passages met verwante betekenis voor beoordeling ophalen. Een classificatieworkflow kan een invoer met gelabelde voorbeelden vergelijken of de vectoren als kenmerken voor een afzonderlijke classifier gebruiken. Een clusteringworkflow kan vergelijkbare items groeperen voor een latere beschrijving door een mens of toepassing.
Definieer het doel van de representatie voordat u de gegevens voorbereidt. Een passage voor semantisch zoeken moet de informatie behouden die iemand na het ophalen nodig heeft; een classificatievoorbeeld moet de bewoordingen bevatten die de klasse onderscheiden. Houd de voorbereiding consistent, zodat een zoekvraag en een opgeslagen item vergelijkbaar materiaal representeren.
Editie- en uitvoergrenzen
Gebruik dezelfde modeleditie en een compatibele representatie voor documenten en hun zoekvragen. Een vector met hetzelfde aantal coördinaten uit een ander model ligt niet automatisch in dezelfde semantische ruimte. Bij vervanging van model of representatie moeten de opgeslagen items en zoekvragen op elkaar afgestemd blijven.
Dit item beschrijft tekstinvoer en numerieke vectoruitvoer, met de 8k-context van de maker en de gedocumenteerde 1.024-dimensionale representatie van Mistral Embed. De configureerbare dimensies en gekwantiseerde formaten van Codestral Embed horen bij dat afzonderlijk benoemde codemodel en mogen hier niet worden verondersteld. Afbeeldingen, audio, gegenereerde tekst en tooluitvoering zijn afzonderlijke mogelijkheden buiten dit tekstembeddingresultaat.
POST /v1/embeddingstext, token_idsembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-embed-2312 | Standaard— |
Veldinput | Typestring|string[]|integer[]|integer[][] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 Voorwaarden: Niet-lege homogene batch. Token-ID’s zijn niet-negatieve gehele getallen. Invoerbudget: Maximum: 8.192 · Teksteenheid: UTF8-bytes · Tokeneenheid: elementen van de token-array | Standaard— |
Veldencoding_format | Typestring | VereisteOptioneel | Waarden en limieten float | Standaardfloat |
Velddimensions | Typeinteger | VereisteNiet ondersteund | Waarden en limieten Minimum: 1 | Standaard— |
Velduser | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de exacte betekenis bij de upstreamprovider verschilt per model. | Standaard— |
Veldsession_id | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de exacte betekenis bij de upstreamprovider verschilt per model. | Standaard— |
Veldtrace | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de exacte betekenis bij de upstreamprovider verschilt per model. | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options geweigerd | Standaard— |
text_to_embedding
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, input |
Parameterinput_shapes | Contractstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Contractfloat |
Parameterdimensions_override | Contractfalse |
Parametermax_input_budget_units | Contract8192 |
Parametermultimodal_objects | Contractfalse |
Parametermaterial_types | Contracttext, token_ids |
Levenscyclus: synchronous_json
Bewaar elke vectorindex en dimensie.
Een multimodale modelnaam houdt niet in dat afbeeldingsobjecten op dit specifieke pad zijn toegestaan.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0002 / 1K tokens Uitvoer · Uitvoertokens $0 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-embed-2312", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='mistralai/mistral-embed-2312',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke vector met zijn index. Het aantal vectoren moet gelijk zijn aan het aantal invoeritems; de dimensies moeten consistent zijn.
Er wordt geen endpoint voor embeddingtaken geïntroduceerd.
| Veld | Type |
|---|---|
Veldobject | Typestring |
Veldmodel | Typestring |
Velddata[].index | Typeinteger |
Velddata[].embedding | Typefinite float[] |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra mistralai/mistral-embed-2312
Gebruik de hierboven getoonde methodepaden.