Mistral: Mistral Embed 2312
Mistral Embed 2312 omvandlar text till 1024-dimensionella vektorer för semantisk sökning, informationssökning och analys av relaterade texter. Tillverkarens sida dokumenterar en kontext på 8k; resultatet är en numerisk representation kopplad till varje indatatext snarare än ett genererat svar.
Om modellen
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Embed 2312 är Mistral AI:s textinbäddningsmodell för att representera betydelse numeriskt. Den accepterar en textsträng eller en lista med strängar och returnerar en inbäddning för varje indatatext. Resultatet är en vektor som applikationen använder för likhet, informationssökning, klassificering eller klustring i stället för en samtalsförklaring. Tillverkarens fasta modellsida identifierar mistral-embed-2312.
Indata, kontext och vektorform
Den exakta modellsidan dokumenterar en kontextetikett på 8k. Förbered varje textobjekt inom den tillämpliga indatakapaciteten och behåll objektets identitet tillsammans med vektorn. Ett långt källdokument kan delas i användbara passager med dokumenttitel, avsnitt och källplats bevarade för att rätt material ska kunna returneras senare.
Tillverkarens Mistral Embed-guide anger 1024 dimensioner för varje textinbäddning oavsett indatatextens synliga längd. En kort fråga och en längre passage har därför samma vektorform även om innehållet och tokenantalet skiljer sig åt. Detta är en dimension för resultatrepresentationen, inte en budget för svarstoken eller ett mått på hur många källord som behålls.
Det dokumenterade svaret innehåller inbäddningarna och information om tokenanvändning; slutpunktsexemplet kopplar varje vektor till ett indataindex. Bevara kopplingen när flera texter behandlas. Applikationen behöver originaltexten och dess identifierare likaväl som det numeriska resultatet för att visa en användbar sökträff eller ge källmaterial till ett senare steg.
Semantisk likhet
Guiden förklarar att relaterade texter tenderar att ligga nära i inbäddningsrummet. Detta stöder sökning efter passager som använder olika ord för samma ämne eller krav. En illustrativ kunskapsbasfråga kan fråga hur åtkomst återställs, medan den relevanta proceduren använder ett annat uttryck för samma operation. Applikationen kan jämföra frågans vektor med lagrade passagevektorer i stället för att bara förlita sig på exakta ordmatchningar.
Tillverkarens exempel använder enhetsnormaliserade inbäddningar. För sådana vektorer ger cosinuslikhet, skalärprodukt och euklidiskt avstånd konsekventa likhetsrangordningar, även om deras numeriska värden inte är identiska. Välj en lämplig jämförelsemetod och använd den konsekvent för fråge- och dokumentrepresentationerna.
Likhet bevisar inte att två påståenden är utbytbara. Behåll källtexten och granska villkoret, datumet eller identifieraren som är viktig för frågan. Två passager kan gälla samma ämne men beskriva olika procedurer eller undantag. Inbäddningen ger en söksignal; att tolka den valda passagen är en separat del av uppgiften.
Informationssökning och källbaserade svar
Ett praktiskt dokumentarbetsflöde förbereder vektorer för kunskapsbaspassager, lagrar deras identifierare och originaltext och jämför sedan en ny fråga med samlingen. Returnera relevanta passager med deras källplatser. Applikationen kan visa passagerna direkt eller ge dem till en textgenereringsmodell som skriver ett svar förankrat i det hämtade materialet.
För ett användbart sökresultat behåller du dokumenttitel, avsnitt, passage och identifieraren som användes för att hitta den. En supportassistent kan sedan hämta proceduren som är relevant för användarens fråga och ge den till svarsskrivningssteget. Mistral Embed utför det numeriska representationssteget; modellen skriver inte själv den slutliga förklaringen eller utför en extern åtgärd.
Andra dokumenterade användningar
Tillverkaren listar också parafrasdetektion, klassificering, klustring och batchbehandling bland inbäddningsarbetsflödena. En jämförelseuppgift kan hämta passager med relaterad betydelse för granskning. Ett klassificeringsflöde kan jämföra indata med märkta exempel eller använda vektorerna som egenskaper för en separat klassificerare. Ett klustringsflöde kan gruppera liknande objekt för en senare beskrivning av en människa eller på applikationsnivå.
Definiera representationens syfte innan data förbereds. En passage för semantisk sökning bör behålla informationen någon behöver efter sökning; ett klassificeringsexempel bör innehålla ordalydelsen som särskiljer klassen. Håll förberedelsen konsekvent så att en fråga och ett lagrat objekt representerar jämförbart material.
Utgåve- och resultatgränser
Använd samma modellutgåva och kompatibel representation för dokumenten och deras frågor. En vektor med samma antal koordinater från en annan modell ligger inte automatiskt i samma semantiska rum. Att ersätta modellen eller representationen kräver att de lagrade objekten och frågorna förblir samordnade.
Denna post beskriver textindata och numeriska vektorresultat, med tillverkarens kontext på 8k och Mistral Embeds dokumenterade representation på 1024 dimensioner. Codestral Embeds konfigurerbara dimensioner och kvantiserade format hör till den separat namngivna kodmodellen och ska inte antas här. Bilder, ljud, genererad prosa och verktygskörning är separata förmågor utanför detta textinbäddningsresultat.
Ailoot Ultra · Embeddings POST /v1/embeddings mistralai/mistral-embed-2312
mistralai/mistral-embed-2312Start
Mistral Embed 2312 omvandlar text till 1024-dimensionella vektorer för semantisk sökning, informationssökning och analys av relaterade texter. Tillverkarens sida dokumenterar en kontext på 8k; resultatet är en numerisk representation kopplad till varje indatatext snarare än ett genererat svar.
- Godkända indata
- Text · token_ids
- Resultat
- embedding
Tillgängligt i Ailoot · indata & metoder
Ailoot Ultra · Embeddings POST /v1/embeddings
- Indatatyper
text,token_ids- Utdatatyper
embedding- Kontext
- 8 192 tokens
- Utdataformat
- json
| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-embed-2312 | Standard— |
Fältinput | Typstring|string[]|integer[]|integer[][] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 Villkor: En homogen batch som inte är tom. Token-ID:n är heltal som är större än eller lika med noll. Indatabudget: Maximum: 8 192 · Textenhet: UTF8-byte · Tokenenhet: element i en tokenarray | Standard— |
Fältencoding_format | Typstring | KravValfritt | Värden & gränser float | Standardfloat |
Fältdimensions | Typinteger | KravStöds inte | Värden & gränser Minimum: 1 | Standard— |
Fältuser | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fältsession_id | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fälttrace | Typjson_value | KravValfritt | Värden & gränser Villkor: Källan tillåter detta JSON-metadatafält; den exakta innebörden hos leverantören beror på modellen. | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisades | Standard— |
Kombinationer av indatamaterial
text_to_embedding
Metodparametrar och livscykel
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, input |
Parameterinput_shapes | Avtalstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalfloat |
Parameterdimensions_override | Avtalfalse |
Parametermax_input_budget_units | Avtal8192 |
Parametermultimodal_objects | Avtalfalse |
Parametermaterial_types | Avtaltext, token_ids |
Livscykel: synchronous_json
Behåll varje vektorindex och dimension.
Att modellen har ett multimodalt namn innebär inte att bildobjekt tillåts på just denna anropsväg.
Priser
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
- Snabbt läge
- Standardpris När snabbt läge är valt
- Flex-läge
- Standardpris När läget flex är valt
- Högsta resonemangsnivå
- Standardpris När den högsta resonemangsnivån använder standardjusteringen (default)
Ailoot-priser
Priser efter konfiguration
| Konfiguration | Prislista | Avgift |
|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
Exempelbegäranden
Ailoot Ultra · Embeddings
set -eu
: "${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)
Ta emot och spara resultat
Ailoot Ultra · Embeddings
json
Behåll alla färdiga resultat
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje vektor tillsammans med dess index. Antalet vektorer måste vara lika med antalet indataobjekt; dimensionerna måste vara konsekventa.
Om det ursprungliga svaret behöver kontrolleras
Ingen endpoint för inbäddningsjobb införs.
Svarsfält
| Fält | Typ |
|---|---|
Fältobject | Typstring |
Fältmodel | Typstring |
Fältdata[].index | Typinteger |
Fältdata[].embedding | Typfinite float[] |
Fältusage | Typobject |
Fel och nästa steg
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Alias
Modellalias
Ailoot Ultra mistralai/mistral-embed-2312
Alias för metodsökvägar
Använd metodsökvägarna som visas ovan.
Relaterade anropar-ID:n
FAQ · Mistral: Mistral Embed 2312
- Vilka indata och resultat finns?
POST /v1/embeddings·mistralai/mistral-embed-2312:text,token_ids→embedding- Vilka fält använder begäran?
POST /v1/embeddings·mistralai/mistral-embed-2312:model,input,encoding_format,provider- Vilka gränser gäller?
POST /v1/embeddings·mistralai/mistral-embed-2312:ctx:8192;input.budget.maximum:8192(UTF8-byte);input.min_items:1