Mistral: Mistral Embed 2312

Mistral Embed 2312 zamienia tekst w wektory o 1 024 wymiarach do wyszukiwania semantycznego, pozyskiwania materiału i analizy powiązanych tekstów. Strona producenta dokumentuje kontekst 8k; wynikiem jest reprezentacja liczbowa związana z każdym wejściem, a nie wygenerowana odpowiedź.

Ailoot Ultra · Reprezentacje wektorowe POST /v1/embeddings mistralai/mistral-embed-2312

O modelu

Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.

Mistral Embed 2312 to model osadzeń tekstowych Mistral AI do liczbowego reprezentowania znaczenia. Przyjmuje ciąg tekstowy lub listę ciągów i zwraca osadzenie dla każdego wejścia. Wynikiem jest wektor używany przez aplikację do oceny podobieństwa, wyszukiwania, klasyfikacji lub grupowania, a nie konwersacyjne wyjaśnienie. Stała strona modelu producenta wskazuje mistral-embed-2312.

Wejście, kontekst i kształt wektora

Strona dokładnego modelu dokumentuje oznaczenie kontekstu 8k. Przygotuj każdy element tekstowy w obowiązującej pojemności wejścia i zachowaj jego tożsamość z wektorem. Długi dokument źródłowy można podzielić na użyteczne fragmenty, zachowując tytuł dokumentu, sekcję i lokalizację źródła potrzebne do późniejszego zwrócenia właściwego materiału.

Przewodnik Mistral Embed producenta określa 1 024 wymiary dla każdego osadzenia tekstu, niezależnie od widocznej długości wejścia. Krótkie pytanie i dłuższy fragment mają więc ten sam kształt wektora, choć różnią się treścią i liczbą tokenów. Jest to wymiar reprezentacji wyjścia, a nie budżet tokenów odpowiedzi lub miara liczby zachowanych słów źródłowych.

Udokumentowana odpowiedź zawiera osadzenia i informacje o użyciu tokenów; przykład endpointu wiąże każdy wektor z indeksem wejścia. Zachowaj to powiązanie przy przetwarzaniu kilku tekstów. Aplikacja potrzebuje oryginalnego tekstu i jego identyfikatorów oprócz wyniku liczbowego, aby pokazać użyteczne trafienie wyszukiwania lub dostarczyć materiał źródłowy późniejszemu krokowi.

Podobieństwo semantyczne

Przewodnik wyjaśnia, że powiązane teksty zwykle leżą blisko siebie w przestrzeni osadzeń. Wspiera to znajdowanie fragmentów używających różnych słów do wyrażenia tego samego tematu lub wymagania. Przykładowe zapytanie bazy wiedzy może pytać o odzyskanie dostępu, a istotna procedura używać innego określenia tej samej operacji. Aplikacja może porównać wektor zapytania z zapisanymi wektorami fragmentów zamiast polegać wyłącznie na dokładnym dopasowaniu słów.

Przykłady producenta używają osadzeń znormalizowanych do długości jednostkowej. Dla takich wektorów podobieństwo cosinusowe, iloczyn skalarny i odległość euklidesowa dają spójne rankingi podobieństwa, choć ich wartości liczbowe nie są identyczne. Wybierz jedną odpowiednią metodę porównania i stosuj ją konsekwentnie do reprezentacji zapytań i dokumentów.

Podobieństwo nie dowodzi wymienności dwóch twierdzeń. Zachowaj tekst źródłowy i sprawdzaj warunek, datę lub identyfikator istotny dla pytania. Dwa fragmenty mogą dotyczyć tego samego tematu, opisując różne procedury lub wyjątki. Osadzenie daje sygnał wyszukiwania; interpretacja wybranego fragmentu jest osobną częścią zadania.

Wyszukiwanie i odpowiedzi oparte na źródłach

Praktyczny proces dokumentowy przygotowuje wektory fragmentów bazy wiedzy, zapisuje ich identyfikatory i oryginalny tekst, a następnie porównuje nowe pytanie ze zbiorem. Zwracaj istotne fragmenty z lokalizacjami źródeł. Aplikacja może pokazywać je bezpośrednio lub dostarczać modelowi generowania tekstu, który napisze odpowiedź opartą na wyszukanym materiale.

Dla użytecznego wyniku zachowaj tytuł dokumentu, sekcję, fragment i identyfikator użyty do jego znalezienia. Asystent wsparcia może wtedy wyszukać procedurę odpowiednią do pytania użytkownika i przekazać ją do etapu pisania odpowiedzi. Mistral Embed wykonuje reprezentację liczbową; sam nie pisze końcowego wyjaśnienia ani nie wykonuje działania zewnętrznego.

Inne udokumentowane zastosowania

Producent wymienia również wykrywanie parafraz, klasyfikację, grupowanie i przetwarzanie partiami wśród procesów osadzeń. Zadanie porównawcze może wyszukiwać fragmenty o powiązanym znaczeniu do przeglądu. Proces klasyfikacji może porównywać wejście z oznaczonymi przykładami lub używać wektorów jako cech osobnego klasyfikatora. Proces grupowania może łączyć podobne elementy do późniejszego opisu przez człowieka lub aplikację.

Zdefiniuj cel reprezentacji przed przygotowaniem danych. Fragment używany w wyszukiwaniu semantycznym powinien zachować informacje potrzebne po wyszukaniu; przykład klasyfikacyjny powinien zawierać sformułowania odróżniające klasę. Utrzymuj spójne przygotowanie, aby zapytanie i zapisany element reprezentowały porównywalny materiał.

Granice wydania i wyjścia

Używaj tego samego wydania modelu i zgodnej reprezentacji dla dokumentów i zapytań. Wektor o tej samej liczbie współrzędnych z innego modelu nie znajduje się automatycznie w tej samej przestrzeni semantycznej. Zastąpienie modelu lub reprezentacji wymaga zachowania zgodności między zapisanymi elementami a zapytaniami.

Ten wpis opisuje wejście tekstowe i wyjście wektorów liczbowych, z kontekstem producenta 8k oraz udokumentowaną reprezentacją Mistral Embed o 1 024 wymiarach. Konfigurowalne wymiary i skwantyzowane formaty Codestral Embed należą do tego osobno nazwanego modelu kodowego i nie powinny być tu zakładane. Obrazy, dźwięk, generowany tekst i wykonywanie narzędzi są osobnymi możliwościami poza tym wynikiem osadzania tekstu.

Ailoot Ultra · Reprezentacje wektorowe POST /v1/embeddings mistralai/mistral-embed-2312

mistralai/mistral-embed-2312

Mistral /mistralai/mistral-embed-2312

Start

Akceptowane dane wejściowe: Tekst · token_ids
Wyniki: embedding

Dostępne w Ailoot · dane wejściowe i metody

Ailoot Ultra · Reprezentacje wektorowe POST /v1/embeddings

Wejście: text, token_ids
Wyjście: embedding
Kontekst: 8192 tokens
Format wyjściowy: json

Pole	Typ	Wymaganie	Wartości i limity	Domyślnie
Pole`model`	Typ`string`	WymaganieWymagane	Wartości i limity mistralai/mistral-embed-2312	Domyślnie—
Pole`input`	Typ`string\|string[]\|integer[]\|integer[][]`	WymaganieWymagane	Wartości i limity Minimalna liczba elementów: 1 Warunki: Niepusta, jednorodna partia danych. Identyfikatory tokenów są nieujemnymi liczbami całkowitymi. Budżet wejścia: Maksimum: 8192 · Jednostka tekstu: bajty UTF8 · Jednostka tokenów: elementy tablicy tokenów	Domyślnie—
Pole`encoding_format`	Typ`string`	WymaganieOpcjonalne	Wartości i limity float	Domyślniefloat
Pole`dimensions`	Typ`integer`	WymaganieNieobsługiwane	Wartości i limity Minimum: 1	Domyślnie—
Pole`user`	Typ`json_value`	WymaganieOpcjonalne	Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.	Domyślnie—
Pole`session_id`	Typ`json_value`	WymaganieOpcjonalne	Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.	Domyślnie—
Pole`trace`	Typ`json_value`	WymaganieOpcjonalne	Wartości i limity Warunki: Źródło dopuszcza to pole metadanych JSON; dokładna semantyka po stronie dostawcy zależy od modelu.	Domyślnie—
Pole`provider`	Typ`object`	WymaganieOpcjonalne	Wartości i limity Warunki: Odrzucono provider.options	Domyślnie—

Kombinacje materiałów wejściowych

text_to_embedding

Parametry i cykl życia metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input
Parametr`input_shapes`	Kontraktstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parametr`encoding_format`	Kontraktfloat
Parametr`dimensions_override`	Kontraktfalse
Parametr`max_input_budget_units`	Kontrakt8192
Parametr`multimodal_objects`	Kontraktfalse
Parametr`material_types`	Kontrakttext, token_ids

Cykl życia: synchronous_json

Zachowaj indeks i liczbę wymiarów każdego wektora.

Nawet jeśli nazwa modelu wskazuje na multimodalność, ta konkretna ścieżka nie obsługuje obiektów obrazów.

Cennik

Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.

Tryb szybki: Stawka standardowa Gdy wybrany jest tryb szybki
Tryb flex: Stawka standardowa Gdy wybrany jest tryb flex
Maksymalna intensywność rozumowania: Stawka standardowa Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)

Stawki Ailoot

Ceny według konfiguracji

Konfiguracja	Tabela stawek	Opłata
KonfiguracjaPodstawowe stawki za tokeny	Tabela stawekStawka podstawowa	Opłata Wejście · Tokeny wejściowe $0.0002 / 1K tokenów Wyjście · Tokeny wyjściowe $0 / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów

Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →

Przykładowe żądania

Ailoot Ultra · Reprezentacje wektorowe

curlPython SDK

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)

Odbieranie i zapisywanie wyników

Ailoot Ultra · Reprezentacje wektorowe

json

Zachowaj wszystkie ukończone wyniki

Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.

Zachowaj każdy wektor wraz z jego indeksem. Liczba wektorów musi być równa liczbie elementów wejściowych; wszystkie wektory muszą mieć tę samą liczbę wymiarów.

Jeśli trzeba sprawdzić pierwotną odpowiedź

Nie wprowadzono endpointu zadań generowania osadzeń.

Pola odpowiedzi

Pole	Typ
Pole`object`	Typstring
Pole`model`	Typstring
Pole`data[].index`	Typinteger
Pole`data[].embedding`	Typfinite float[]
Pole`usage`	Typobject

Błędy i dalsze kroki

Odpowiedź	Warunek	Następny krok
Odpowiedź400 · `invalid_request_error`	WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru	Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia.

Aliasy

Aliasy modelu

Ailoot Ultra mistralai/mistral-embed-2312

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

mistralai/mistral-embed-2312

FAQ · Mistral: Mistral Embed 2312

Jakie dane wejściowe i wyniki są dostępne?: POST /v1/embeddings · mistralai/mistral-embed-2312: text, token_ids → embedding
Jakich pól używa żądanie?: POST /v1/embeddings · mistralai/mistral-embed-2312: model, input, encoding_format, provider
Jakie limity obowiązują?: POST /v1/embeddings · mistralai/mistral-embed-2312: ctx: 8192; input.budget.maximum: 8192 (bajty UTF8); input.min_items: 1

Mistral: Mistral Embed 2312