Source: https://ailoot.ai/models/pl/mistralai-mistral-embed-2312/ Canonical: https://ailoot.ai/models/pl/mistralai-mistral-embed-2312/ Language: pl # Mistral: Mistral Embed 2312 [Markdown](https://ailoot.ai/models/pl/mistralai-mistral-embed-2312/index.md) · [JSON](https://ailoot.ai/models/pl/mistralai-mistral-embed-2312/facts.json) ## [Mistral: Mistral Embed 2312](https://ailoot.ai/models/pl/mistralai-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`](https://ailoot.ai/models/pl/mistralai-mistral-embed-2312/#method-0) 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`](https://ailoot.ai/models/pl/#m=mistralai%2Fmistral-embed-2312&route=Ultra&caller=mistralai%2Fmistral-embed-2312&fmt=embeddings) Mistral /`mistralai/mistral-embed-2312` ### Start 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. 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 **$0** / 1K tokenów Wejście · Odczyt cache **—** / 1K tokenów Wejście · Zapis do cache **—** / 1K tokenów Wejście · Zapis do cache, 1 godz. **—** / 1K tokenów | Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. [Jak działają rezerwacja i rozliczenie →](https://ailoot.ai/docs/pl/billing/reserve/) ### Przykładowe żądania #### Ailoot Ultra · Reprezentacje wektorowe curlPython SDK ```bash set -eu : "${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 ``` ```python 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`](https://ailoot.ai/models/pl/#m=mistralai%2Fmistral-embed-2312&route=Ultra&caller=mistralai%2Fmistral-embed-2312&fmt=embeddings) #### Aliasy ścieżek metod Użyj ścieżek metod podanych powyżej. #### Powiązane ID modeli [`mistralai/mistral-embed-2312`](https://ailoot.ai/models/pl/#m=mistralai%2Fmistral-embed-2312&route=Ultra&caller=mistralai%2Fmistral-embed-2312&fmt=embeddings) 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` Połącz Ailoot z Claude Code, OpenCode, Hermes albo własną aplikacją. ## Firma i jej portfel projektów Firma i jej portfel projektów: miliony klientów; miesięczna sprzedaż liczona w miliardach. ## Kupuj tokeny z rabatem. Rabat subskrypcji do regularnej pracy. Kody promocyjne — do 50% na tokeny. Subskrypcja Wybierz plan z rabatem do regularnych żądań. Kod promocyjny do 50% Wpisz kod przy zakupie. Cena zostanie przeliczona według aktualnej promocji. Koszty w historii Model, tokeny i kwota są zapisywane dla każdego żądania. [Wybierz subskrypcję](https://ailoot.ai/docs/pl/billing/subscriptions/) · [Sprawdź ceny modeli](https://ailoot.ai/models/pl/) ## Połącz API z produktem, który sprzedajesz. SaaS, aplikacje i boty na warunkach oferty i umowy licencyjnej Ailoot. Do odsprzedaży poproś o licencję resellerską. Aplikacja komercyjna Wbuduj generowanie tekstu, obrazów, wideo i dźwięku w płatne funkcje usługi. Licencja resellerska Prześlij opis projektu i schemat dostępu. Poproś o pisemne warunki używania i odsprzedaży. Dokumenty na stronie Oferta, umowa licencyjna i polityka przetwarzania danych są dostępne przed połączeniem. [Poproś o licencję resellerską](mailto:support@ailoot.ai) · [Oferta i umowa licencyjna](https://ailoot.ai/legal/offer?lang=pl) ## Ailoot · Firma i jej portfel projektów Ailoot opiera się na zgromadzonym doświadczeniu operacyjnym, szerokiej bazie klientów, stabilnej usłudze i stałej kontroli KPI. Firma i jej portfel projektów: miliony klientów; miesięczna sprzedaż liczona w miliardach. Ailoot wykorzystuje to doświadczenie operacyjne, zapewniając dostęp przez API do funkcji AI w produktach klientów, agentach, aplikacjach i automatyzacjach.