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
Стоимость промпта
(за 1M токенов)
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();
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.