Mistral Embed (mistral-embed-2312)

нейросеть

Mistral Embed — специализированная модель эмбеддингов от Mistral AI (выпущена в конце 2023 года), генерирует 1024‑мерные векторные представления текста. Оптимизирована для задач семантического поиска и RAG: подходит для поиска по смыслу, ранжирования релевантности, сопоставления и кластеризации документов. Модель доступна через BotHub в личном кабинете.

Характеристики

Входные данные
текст
Результат
векторы (эмбеддинги)
Размер контекста
8 192 токена
Размерность вектора
1 024
10,86 ₽

Стоимость промпта

(за 1M токенов)

*Указаны цены при использовании API через ECO-провайдеров.
Пример кода и API для Mistral Embed (mistral-embed-2312)Мы предлагаем полный доступ к API OpenAI через наш сервис. Все наши конечные точки полностью соответствуют конечным точкам OpenAI, их можно использовать как с плагинами, так и при разработке собственного программного обеспечения через SDK.Создать API ключ
import OpenAI from 'openai';
const openai = new OpenAI({
  apiKey: '<your bothub access token>',
  baseURL: 'https://openai.bothub.chat/v1'
});

async function main() {
  const response = await openai.embeddings.create({
    model: 'mistral-embed-2312',
    input: 'The food was delicious and the waiter...',
    encoding_format: 'float'
  });

  const embedding = response.data[0].embedding;

  console.log(embedding);
}
main();
illustaration

Как работает Mistral Embed (mistral-embed-2312)?

Попробуйте Mistral Embed на BotHub — эмбеддинги для семантического поиска и RAG.

Частые вопросы о Mistral Embed (mistral-embed-2312)

Вы можете использовать результаты генерации в коммерческих целях. Все права на созданный контент принадлежат вам. Единственное ограничение: убедитесь, что в запросе не использовались защищённые авторским правом материалы третьих сторон. Ответственность за соблюдение прав на входные данные лежит на пользователе.

Mistral Embed 2312 преобразует текст в числовые эмбеддинги для семантического поиска, RAG, кластеризации, рекомендаций и дедупликации. Подходит для индексации документов, поиска похожих фрагментов и построения векторных представлений в системах с векторными БД.

Модель возвращает векторные представления — массивы чисел (вещественные значения), отражающие семантику входного текста. Формат вывода — числовые векторы, пригодные для загрузки в векторные БД (Qdrant, pgvector) и использования в поиске и RAG.

В наших данных о модели не отмечено наличие рассуждений перед выводом. Эмбеддинги не предназначены для пошаговых рассуждений — они дают компактные векторные представления смысла, а логические цепочки и объяснения обычно решаются генеративными LLM.

В наших данных не отмечено поддержку вызова функций или структурированного JSON-вывода. Модель возвращает числовые векторы, а не ответ с полями; интеграция должна обрабатывать массивы эмбеддингов и при необходимости формировать нужный JSON на стороне приложения.

Приём мультимедиа во входных данных в наших данных не отмечен. Модель ориентирована на текстовые эмбеддинги; для изображений, аудио или видео обычно используют мультимодальные эмбеддинги или предварительно извлекают текстовые описания и метаданные.

В документации модели поддержка языков конкретно не указана. Эффективность с русским зависит от тренировочных данных и вашей задачи; рекомендуем протестировать эмбеддинги на примерах из вашего корпуса и оценить качество семантического поиска и кластеризации.

Служба поддержкиРаботаем с 10:00 до 18:00 по МСК