Mistral Embed 2312 é o modelo de embeddings de texto da Mistral AI para representar numericamente o significado. Aceita uma cadeia de texto ou uma lista de cadeias e devolve um embedding para cada entrada. O resultado é um vetor utilizado pela aplicação para similaridade, recuperação, classificação ou agrupamento, em vez de uma explicação de conversação. A página fixa do modelo do fabricante identifica mistral-embed-2312.
Entrada, contexto e formato do vetor
A página exata do modelo documenta uma designação de contexto de 8k. Prepare cada elemento de texto dentro da capacidade de entrada aplicável e mantenha a identidade do elemento com o respetivo vetor. Um documento de origem longo pode ser dividido em passagens úteis, conservando o título do documento, a secção e a localização da fonte necessários para devolver o material correto mais tarde.
O guia Mistral Embed do fabricante especifica 1024 dimensões para cada embedding de texto, independentemente do comprimento visível da entrada. Uma pergunta curta e uma passagem mais longa têm, por isso, o mesmo formato vetorial, embora o conteúdo e as contagens de tokens sejam diferentes. Esta é uma dimensão da representação de saída, não um orçamento de tokens de resposta nem uma medida de quantas palavras da fonte são conservadas.
A resposta documentada inclui os embeddings e informação de utilização de tokens; o exemplo do endpoint associa cada vetor a um índice de entrada. Preserve essa associação ao processar vários textos. A aplicação precisa do texto original e dos seus identificadores, além do resultado numérico, para apresentar um resultado de pesquisa útil ou fornecer material de origem a uma etapa posterior.
Similaridade semântica
O guia explica que textos relacionados tendem a estar próximos no espaço de embeddings. Isto permite encontrar passagens que utilizam palavras diferentes para expressar o mesmo tema ou requisito. Uma consulta ilustrativa a uma base de conhecimento pode perguntar como recuperar o acesso, enquanto o procedimento relevante utiliza uma expressão diferente para a mesma operação. A aplicação pode comparar o vetor da consulta com os vetores das passagens armazenadas, em vez de depender apenas da correspondência exata de palavras.
Os exemplos do fabricante utilizam embeddings normalizados com norma unitária. Para esses vetores, a similaridade do cosseno, o produto escalar e a distância euclidiana produzem ordenações de similaridade consistentes, embora os seus valores numéricos não sejam idênticos. Escolha um método de comparação adequado e aplique-o de forma consistente às representações de consultas e documentos.
A similaridade não prova que duas afirmações sejam intercambiáveis. Conserve o texto de origem e examine a condição, a data ou o identificador que importa para a pergunta. Duas passagens podem dizer respeito ao mesmo assunto, mas descrever procedimentos ou exceções diferentes. O embedding fornece um sinal de recuperação; interpretar a passagem selecionada é uma parte separada da tarefa.
Recuperação e respostas baseadas em fontes
Um fluxo documental prático prepara vetores para passagens da base de conhecimento, armazena os seus identificadores e texto original e, depois, compara uma nova pergunta com essa coleção. Devolva as passagens relevantes com as suas localizações de origem. A aplicação pode apresentar essas passagens diretamente ou fornecê-las a um modelo de geração de texto que redige uma resposta fundamentada no material recuperado.
Para um resultado de pesquisa útil, conserve o título do documento, a secção, a passagem e o identificador utilizado para a encontrar. Um assistente de suporte pode então recuperar o procedimento relevante para a pergunta de um utilizador e passá-lo à etapa de redação da resposta. Mistral Embed realiza a etapa de representação numérica; não redige, por si só, a explicação final nem executa uma ação externa.
Outras utilizações documentadas
O fabricante também enumera deteção de paráfrases, classificação, agrupamento e processamento em lotes entre os fluxos de embeddings. Uma tarefa de comparação pode recuperar passagens com significado relacionado para revisão. Um fluxo de classificação pode comparar uma entrada com exemplos etiquetados ou utilizar os vetores como características para um classificador separado. Um fluxo de agrupamento pode reunir elementos semelhantes para uma descrição posterior por uma pessoa ou ao nível da aplicação.
Defina o propósito da representação antes de preparar os dados. Uma passagem utilizada para pesquisa semântica deve preservar a informação de que alguém precisará após a recuperação; um exemplo de classificação deve incluir a formulação que distingue a classe. Mantenha a preparação consistente, para que uma consulta e um elemento armazenado representem material comparável.
Limites de edição e de saída
Utilize a mesma edição do modelo e uma representação compatível para os documentos e as respetivas consultas. Um vetor com o mesmo número de coordenadas proveniente de outro modelo não pertence automaticamente ao mesmo espaço semântico. Substituir o modelo ou a representação exige que os elementos armazenados e as consultas permaneçam alinhados.
Esta entrada descreve entrada de texto e saída de vetores numéricos, com o contexto de 8k do fabricante e a representação documentada de 1024 dimensões de Mistral Embed. As dimensões configuráveis e os formatos quantizados de Codestral Embed pertencem a esse modelo de código com nome separado e não devem ser assumidos aqui. Imagens, áudio, prosa gerada e execução de ferramentas são capacidades separadas, fora deste resultado de embeddings de texto.
", "aboutText": "Mistral Embed 2312 é o modelo de embeddings de texto da Mistral AI para representar numericamente o significado. Aceita uma cadeia de texto ou uma lista de cadeias e devolve um embedding para cada entrada. O resultado é um vetor utilizado pela aplicação para similaridade, recuperação, classificação ou agrupamento, em vez de uma explicação de conversação. A página fixa do modelo do fabricante identifica mistral-embed-2312.\n\nEntrada, contexto e formato do vetor\n\nA página exata do modelo documenta uma designação de contexto de 8k. Prepare cada elemento de texto dentro da capacidade de entrada aplicável e mantenha a identidade do elemento com o respetivo vetor. Um documento de origem longo pode ser dividido em passagens úteis, conservando o título do documento, a secção e a localização da fonte necessários para devolver o material correto mais tarde.\n\nO guia Mistral Embed do fabricante especifica 1024 dimensões para cada embedding de texto, independentemente do comprimento visível da entrada. Uma pergunta curta e uma passagem mais longa têm, por isso, o mesmo formato vetorial, embora o conteúdo e as contagens de tokens sejam diferentes. Esta é uma dimensão da representação de saída, não um orçamento de tokens de resposta nem uma medida de quantas palavras da fonte são conservadas.\n\nA resposta documentada inclui os embeddings e informação de utilização de tokens; o exemplo do endpoint associa cada vetor a um índice de entrada. Preserve essa associação ao processar vários textos. A aplicação precisa do texto original e dos seus identificadores, além do resultado numérico, para apresentar um resultado de pesquisa útil ou fornecer material de origem a uma etapa posterior.\n\nSimilaridade semântica\n\nO guia explica que textos relacionados tendem a estar próximos no espaço de embeddings. Isto permite encontrar passagens que utilizam palavras diferentes para expressar o mesmo tema ou requisito. Uma consulta ilustrativa a uma base de conhecimento pode perguntar como recuperar o acesso, enquanto o procedimento relevante utiliza uma expressão diferente para a mesma operação. A aplicação pode comparar o vetor da consulta com os vetores das passagens armazenadas, em vez de depender apenas da correspondência exata de palavras.\n\nOs exemplos do fabricante utilizam embeddings normalizados com norma unitária. Para esses vetores, a similaridade do cosseno, o produto escalar e a distância euclidiana produzem ordenações de similaridade consistentes, embora os seus valores numéricos não sejam idênticos. Escolha um método de comparação adequado e aplique-o de forma consistente às representações de consultas e documentos.\n\nA similaridade não prova que duas afirmações sejam intercambiáveis. Conserve o texto de origem e examine a condição, a data ou o identificador que importa para a pergunta. Duas passagens podem dizer respeito ao mesmo assunto, mas descrever procedimentos ou exceções diferentes. O embedding fornece um sinal de recuperação; interpretar a passagem selecionada é uma parte separada da tarefa.\n\nRecuperação e respostas baseadas em fontes\n\nUm fluxo documental prático prepara vetores para passagens da base de conhecimento, armazena os seus identificadores e texto original e, depois, compara uma nova pergunta com essa coleção. Devolva as passagens relevantes com as suas localizações de origem. A aplicação pode apresentar essas passagens diretamente ou fornecê-las a um modelo de geração de texto que redige uma resposta fundamentada no material recuperado.\n\nPara um resultado de pesquisa útil, conserve o título do documento, a secção, a passagem e o identificador utilizado para a encontrar. Um assistente de suporte pode então recuperar o procedimento relevante para a pergunta de um utilizador e passá-lo à etapa de redação da resposta. Mistral Embed realiza a etapa de representação numérica; não redige, por si só, a explicação final nem executa uma ação externa.\n\nOutras utilizações documentadas\n\nO fabricante também enumera deteção de paráfrases, classificação, agrupamento e processamento em lotes entre os fluxos de embeddings. Uma tarefa de comparação pode recuperar passagens com significado relacionado para revisão. Um fluxo de classificação pode comparar uma entrada com exemplos etiquetados ou utilizar os vetores como características para um classificador separado. Um fluxo de agrupamento pode reunir elementos semelhantes para uma descrição posterior por uma pessoa ou ao nível da aplicação.\n\nDefina o propósito da representação antes de preparar os dados. Uma passagem utilizada para pesquisa semântica deve preservar a informação de que alguém precisará após a recuperação; um exemplo de classificação deve incluir a formulação que distingue a classe. Mantenha a preparação consistente, para que uma consulta e um elemento armazenado representem material comparável.\n\nLimites de edição e de saída\n\nUtilize a mesma edição do modelo e uma representação compatível para os documentos e as respetivas consultas. Um vetor com o mesmo número de coordenadas proveniente de outro modelo não pertence automaticamente ao mesmo espaço semântico. Substituir o modelo ou a representação exige que os elementos armazenados e as consultas permaneçam alinhados.\n\nEsta entrada descreve entrada de texto e saída de vetores numéricos, com o contexto de 8k do fabricante e a representação documentada de 1024 dimensões de Mistral Embed. As dimensões configuráveis e os formatos quantizados de Codestral Embed pertencem a esse modelo de código com nome separado e não devem ser assumidos aqui. Imagens, áudio, prosa gerada e execução de ferramentas são capacidades separadas, fora deste resultado de embeddings de texto.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "be78a66439f485aa69b059631c5abe3b0c6a82d8c3b545bb336769c4c5cd7933", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "mistralai/mistral-embed-2312Mistral Embed 2312 transforma texto em vetores de 1024 dimensões para pesquisa semântica, recuperação e análise de textos relacionados. A página do fabricante documenta um contexto de 8k; o resultado é uma representação numérica ligada a cada entrada, em vez de uma resposta gerada.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Mistral Embed 2312 é o modelo de embeddings de texto da Mistral AI para representar numericamente o significado. Aceita uma cadeia de texto ou uma lista de cadeias e devolve um embedding para cada entrada. O resultado é um vetor utilizado pela aplicação para similaridade, recuperação, classificação ou agrupamento, em vez de uma explicação de conversação. A página fixa do modelo do fabricante identifica mistral-embed-2312.
Entrada, contexto e formato do vetor
A página exata do modelo documenta uma designação de contexto de 8k. Prepare cada elemento de texto dentro da capacidade de entrada aplicável e mantenha a identidade do elemento com o respetivo vetor. Um documento de origem longo pode ser dividido em passagens úteis, conservando o título do documento, a secção e a localização da fonte necessários para devolver o material correto mais tarde.
O guia Mistral Embed do fabricante especifica 1024 dimensões para cada embedding de texto, independentemente do comprimento visível da entrada. Uma pergunta curta e uma passagem mais longa têm, por isso, o mesmo formato vetorial, embora o conteúdo e as contagens de tokens sejam diferentes. Esta é uma dimensão da representação de saída, não um orçamento de tokens de resposta nem uma medida de quantas palavras da fonte são conservadas.
A resposta documentada inclui os embeddings e informação de utilização de tokens; o exemplo do endpoint associa cada vetor a um índice de entrada. Preserve essa associação ao processar vários textos. A aplicação precisa do texto original e dos seus identificadores, além do resultado numérico, para apresentar um resultado de pesquisa útil ou fornecer material de origem a uma etapa posterior.
Similaridade semântica
O guia explica que textos relacionados tendem a estar próximos no espaço de embeddings. Isto permite encontrar passagens que utilizam palavras diferentes para expressar o mesmo tema ou requisito. Uma consulta ilustrativa a uma base de conhecimento pode perguntar como recuperar o acesso, enquanto o procedimento relevante utiliza uma expressão diferente para a mesma operação. A aplicação pode comparar o vetor da consulta com os vetores das passagens armazenadas, em vez de depender apenas da correspondência exata de palavras.
Os exemplos do fabricante utilizam embeddings normalizados com norma unitária. Para esses vetores, a similaridade do cosseno, o produto escalar e a distância euclidiana produzem ordenações de similaridade consistentes, embora os seus valores numéricos não sejam idênticos. Escolha um método de comparação adequado e aplique-o de forma consistente às representações de consultas e documentos.
A similaridade não prova que duas afirmações sejam intercambiáveis. Conserve o texto de origem e examine a condição, a data ou o identificador que importa para a pergunta. Duas passagens podem dizer respeito ao mesmo assunto, mas descrever procedimentos ou exceções diferentes. O embedding fornece um sinal de recuperação; interpretar a passagem selecionada é uma parte separada da tarefa.
Recuperação e respostas baseadas em fontes
Um fluxo documental prático prepara vetores para passagens da base de conhecimento, armazena os seus identificadores e texto original e, depois, compara uma nova pergunta com essa coleção. Devolva as passagens relevantes com as suas localizações de origem. A aplicação pode apresentar essas passagens diretamente ou fornecê-las a um modelo de geração de texto que redige uma resposta fundamentada no material recuperado.
Para um resultado de pesquisa útil, conserve o título do documento, a secção, a passagem e o identificador utilizado para a encontrar. Um assistente de suporte pode então recuperar o procedimento relevante para a pergunta de um utilizador e passá-lo à etapa de redação da resposta. Mistral Embed realiza a etapa de representação numérica; não redige, por si só, a explicação final nem executa uma ação externa.
Outras utilizações documentadas
O fabricante também enumera deteção de paráfrases, classificação, agrupamento e processamento em lotes entre os fluxos de embeddings. Uma tarefa de comparação pode recuperar passagens com significado relacionado para revisão. Um fluxo de classificação pode comparar uma entrada com exemplos etiquetados ou utilizar os vetores como características para um classificador separado. Um fluxo de agrupamento pode reunir elementos semelhantes para uma descrição posterior por uma pessoa ou ao nível da aplicação.
Defina o propósito da representação antes de preparar os dados. Uma passagem utilizada para pesquisa semântica deve preservar a informação de que alguém precisará após a recuperação; um exemplo de classificação deve incluir a formulação que distingue a classe. Mantenha a preparação consistente, para que uma consulta e um elemento armazenado representem material comparável.
Limites de edição e de saída
Utilize a mesma edição do modelo e uma representação compatível para os documentos e as respetivas consultas. Um vetor com o mesmo número de coordenadas proveniente de outro modelo não pertence automaticamente ao mesmo espaço semântico. Substituir o modelo ou a representação exige que os elementos armazenados e as consultas permaneçam alinhados.
Esta entrada descreve entrada de texto e saída de vetores numéricos, com o contexto de 8k do fabricante e a representação documentada de 1024 dimensões de Mistral Embed. As dimensões configuráveis e os formatos quantizados de Codestral Embed pertencem a esse modelo de código com nome separado e não devem ser assumidos aqui. Imagens, áudio, prosa gerada e execução de ferramentas são capacidades separadas, fora deste resultado de embeddings de texto.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites mistralai/mistral-embed-2312 | Predefinição— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 Condições: Lote homogéneo não vazio. Os IDs de tokens são números inteiros não negativos. Orçamento de entrada: Máximo: 8192 · Unidade de texto: bytes UTF8 · Unidade de tokens: elementos do array de tokens | Predefinição— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores e limites float | Predefiniçãofloat |
Campodimensions | Tipointeger | RequisitoNão suportado | Valores e limites Mínimo: 1 | Predefinição— |
Campouser | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options rejeitado | Predefinição— |
text_to_embedding
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input |
Parâmetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parâmetroencoding_format | Contratofloat |
Parâmetrodimensions_override | Contratofalse |
Parâmetromax_input_budget_units | Contrato8192 |
Parâmetromultimodal_objects | Contratofalse |
Parâmetromaterial_types | Contratotext, token_ids |
Ciclo de vida: synchronous_json
Guarde o índice e a dimensão de cada vetor.
O nome do modelo multimodal não permite objetos de imagem neste caminho exato.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Guarde cada vetor com o respetivo índice. O número de vetores tem de ser igual ao número de entradas; as dimensões têm de ser consistentes.
Não é introduzido nenhum endpoint de tarefas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra mistralai/mistral-embed-2312
Use os caminhos dos métodos indicados acima.