Mistral: Mistral Embed 2312
Mistral Embed 2312 превращает текст в 1024-мерные векторы для семантического поиска, извлечения информации и анализа связанных текстов. Страница производителя документирует контекст 8k; результат — числовое представление, связанное с каждым входом, а не сгенерированный ответ.
О модели
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Mistral Embed 2312 — модель текстовых эмбеддингов Mistral AI для числового представления смысла. Она принимает текстовую строку или список строк и возвращает эмбеддинг каждого входа. Результат — вектор, используемый приложением для оценки сходства, поиска, классификации или кластеризации, а не разговорное объяснение. Страница производителя для фиксированного издания указывает mistral-embed-2312.
Вход, контекст и форма вектора
Страница конкретной модели документирует обозначение контекста 8k. Готовьте каждый текстовый элемент в пределах применимой входной ёмкости и сохраняйте его идентичность вместе с вектором. Длинный исходный документ можно разделить на полезные фрагменты, сохранив название документа, раздел и местоположение источника, необходимые для последующего возврата правильного материала.
Руководство Mistral Embed производителя задаёт 1024 измерения для каждого текстового эмбеддинга независимо от видимой длины входа. Поэтому короткий вопрос и более длинный фрагмент имеют одинаковую форму вектора, хотя содержимое и количество токенов различаются. Это размерность выходного представления, а не токенный бюджет ответа или мера количества сохраняемых исходных слов.
Документированный ответ включает эмбеддинги и информацию об использовании токенов; пример эндпоинта связывает каждый вектор с индексом входа. Сохраняйте эту связь при обработке нескольких текстов. Приложению нужны исходный текст и его идентификаторы вместе с числовым результатом, чтобы показать полезный результат поиска или предоставить исходный материал последующему этапу.
Семантическое сходство
Руководство объясняет, что связанные тексты обычно близки в пространстве эмбеддингов. Это поддерживает поиск фрагментов, использующих разные слова для выражения одной темы или требования. Иллюстративный запрос к базе знаний может спрашивать о восстановлении доступа, а соответствующая процедура — использовать другую формулировку той же операции. Приложение может сравнивать вектор запроса с хранимыми векторами фрагментов вместо опоры только на точное совпадение слов.
Примеры производителя используют эмбеддинги с единичной нормой. Для таких векторов косинусное сходство, скалярное произведение и евклидово расстояние дают согласованное ранжирование по сходству, хотя их числовые значения не тождественны. Выберите один подходящий способ сравнения и последовательно применяйте его к представлениям запросов и документов.
Сходство не доказывает взаимозаменяемость двух утверждений. Сохраняйте исходный текст и проверяйте условие, дату или идентификатор, важный для вопроса. Два фрагмента могут относиться к одной теме, но описывать разные процедуры или исключения. Эмбеддинг предоставляет поисковый сигнал; интерпретация выбранного фрагмента — отдельная часть задачи.
Поиск и ответы на основе источников
Практический процесс работы с документами готовит векторы фрагментов базы знаний, хранит идентификаторы и исходный текст, затем сравнивает новый вопрос с коллекцией. Возвращайте релевантные фрагменты с местоположениями источников. Приложение может показывать их напрямую или передавать модели генерации текста, которая пишет ответ, основанный на найденном материале.
Для полезного результата поиска сохраняйте название документа, раздел, фрагмент и идентификатор, используемый для нахождения. Ассистент поддержки затем может найти процедуру, соответствующую вопросу пользователя, и передать её этапу подготовки ответа. Mistral Embed выполняет этап числового представления; сама модель не готовит окончательное объяснение и не выполняет внешнее действие.
Другие документированные применения
Производитель также перечисляет обнаружение перефразировок, классификацию, кластеризацию и пакетную обработку среди процессов с эмбеддингами. Задача сравнения может находить фрагменты со связанным смыслом для проверки. Процесс классификации может сравнивать вход с размеченными примерами или использовать векторы как признаки отдельного классификатора. Процесс кластеризации может группировать похожие элементы для последующего описания человеком или приложением.
Определите цель представления до подготовки данных. Фрагмент для семантического поиска должен сохранять информацию, нужную после извлечения; пример классификации — включать формулировку, различающую класс. Поддерживайте согласованную подготовку, чтобы запрос и хранимый элемент представляли сопоставимый материал.
Границы издания и вывода
Используйте одно издание модели и совместимое представление для документов и их запросов. Вектор с тем же количеством координат от другой модели не обязательно находится в том же семантическом пространстве. Замена модели или представления требует сохранения согласованности хранимых элементов и запросов.
Эта запись описывает текстовый вход и числовой векторный выход с контекстом производителя 8k и документированным 1024-мерным представлением Mistral Embed. Настраиваемые размерности и квантованные форматы Codestral Embed относятся к той отдельно именованной модели кода и здесь не подразумеваются. Изображения, аудио, сгенерированный текст и выполнение инструментов — отдельные возможности за пределами этого результата текстовых эмбеддингов.
Ailoot Ultra · Эмбеддинги POST /v1/embeddings mistralai/mistral-embed-2312
mistralai/mistral-embed-2312Начало
Mistral Embed 2312 превращает текст в 1024-мерные векторы для семантического поиска, извлечения информации и анализа связанных текстов. Страница производителя документирует контекст 8k; результат — числовое представление, связанное с каждым входом, а не сгенерированный ответ.
- Допустимые входные данные
- Текст · token_ids
- Результаты
- embedding
Доступно в Ailoot · входные данные и методы
Ailoot Ultra · Эмбеддинги POST /v1/embeddings
- Входные данные
text,token_ids- Результат
embedding- Контекст
- 8 192 tokens
- Выходной формат
- json
| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения mistralai/mistral-embed-2312 | По умолчанию— |
Полеinput | Типstring|string[]|integer[]|integer[][] | ТребованиеОбязательно | Значения и ограничения Минимум элементов: 1 Условия: Непустой однородный пакет. ID токенов — неотрицательные целые числа. Входной бюджет: Максимум: 8 192 · Текстовая единица: байты UTF8 · Единица токенов: элементы массива токенов | По умолчанию— |
Полеencoding_format | Типstring | ТребованиеНеобязательно | Значения и ограничения float | По умолчаниюfloat |
Полеdimensions | Типinteger | ТребованиеНе поддерживается | Значения и ограничения Минимум: 1 | По умолчанию— |
Полеuser | Типjson_value | ТребованиеНеобязательно | Значения и ограничения Условия: Source допускает это поле метаданных JSON; точная семантика у исходного поставщика зависит от модели. | По умолчанию— |
Полеsession_id | Типjson_value | ТребованиеНеобязательно | Значения и ограничения Условия: Source допускает это поле метаданных JSON; точная семантика у исходного поставщика зависит от модели. | По умолчанию— |
Полеtrace | Типjson_value | ТребованиеНеобязательно | Значения и ограничения Условия: Source допускает это поле метаданных JSON; точная семантика у исходного поставщика зависит от модели. | По умолчанию— |
Полеprovider | Типobject | ТребованиеНеобязательно | Значения и ограничения Условия: provider.options отклоняется | По умолчанию— |
Сочетания входных материалов
text_to_embedding
Параметры и жизненный цикл метода
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, input |
Параметрinput_shapes | Контрактstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Параметрencoding_format | Контрактfloat |
Параметрdimensions_override | Контрактfalse |
Параметрmax_input_budget_units | Контракт8192 |
Параметрmultimodal_objects | Контрактfalse |
Параметрmaterial_types | Контрактtext, token_ids |
Жизненный цикл: synchronous_json
Сохраняйте индекс и размерность каждого вектора.
Название мультимодальной модели не означает допуск объектов изображений на этом конкретном маршруте.
Тарифы
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
- Быстрый режим
- Стандартный тариф При выборе быстрого режима
- Режим flex
- Стандартный тариф При выборе режима flex
- Максимальная интенсивность рассуждений
- Стандартный тариф При максимальной интенсивности рассуждений с корректировкой по умолчанию (default)
Ставки Ailoot
Цены по конфигурациям
| Конфигурация | Шкала ставок | Плата |
|---|---|---|
| КонфигурацияБазовые ставки за токены | Шкала ставокБазовая ставка | Плата Вход · Входные токены $0.0002 / 1K токенов Выход · Выходные токены $0 / 1K токенов Вход · Чтение кэша — / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
Примеры запросов
Ailoot Ultra · Эмбеддинги
set -eu
: "${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)
Получить и сохранить результаты
Ailoot Ultra · Эмбеддинги
json
Сохраняйте все готовые результаты
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте каждый вектор с его индексом. Число векторов должно совпадать с числом входных элементов; размерности должны быть согласованы.
Если нужно проверить исходный ответ
Отдельный эндпоинт заданий эмбеддингов не вводится.
Поля ответа
| Поле | Тип |
|---|---|
Полеobject | Типstring |
Полеmodel | Типstring |
Полеdata[].index | Типinteger |
Полеdata[].embedding | Типfinite float[] |
Полеusage | Типobject |
Ошибки и дальнейшие шаги
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Псевдонимы
Псевдонимы моделей
Ailoot Ultra mistralai/mistral-embed-2312
Псевдонимы путей метода
Используйте пути методов, указанные выше.
Связанные ID для вызова
FAQ · Mistral: Mistral Embed 2312
- Какие входные данные и результаты доступны?
POST /v1/embeddings·mistralai/mistral-embed-2312:text,token_ids→embedding- Какие поля использует запрос?
POST /v1/embeddings·mistralai/mistral-embed-2312:model,input,encoding_format,provider- Какие ограничения действуют?
POST /v1/embeddings·mistralai/mistral-embed-2312:ctx:8192;input.budget.maximum:8192(байты UTF8);input.min_items:1