Mistral: Mistral Embed 2312

Mistral Embed 2312 es un modelo de embeddings de Mistral, listado en api14 bajo el id de modelo mistralai/mistral-embed-2312. Se encuentra en la categoría de embeddings, lo que significa que su función es convertir texto en vectores en lugar de generar respuestas de chat. Mistral AI lo desarrolló como un modelo especializado para datos de texto, y la fecha de lanzamiento del proveedor registrada para él es 2025-10-31.

El modelo toma texto como su única entrada y devuelve embeddings como su única salida. Produce vectores de 1024 dimensiones, que es la representación que almacenas y comparas cuando necesitas similitud entre fragmentos de texto. La ventana de contexto es de 8192 tokens, y la salida máxima se lista como 6553. Aquí no hay comportamiento de finalización de chat, ni llamada a herramientas, ni manejo de imágenes o audio, por lo que debes tratarlo puramente como un componente de texto a vector dentro de una canalización mayor.

Esas capacidades apuntan a un conjunto bastante específico de usos. La búsqueda semántica es el más obvio: incrusta tus documentos una vez, incrusta la consulta en el momento de la solicitud y clasifica por similitud vectorial en lugar de coincidencia de palabras clave. La generación aumentada por recuperación es el otro encaje principal, donde los embeddings alimentan a un recuperador que suministra pasajes relevantes a un modelo de generación separado. Debido a que el modelo fue optimizado para búsqueda semántica y RAG, también se adapta a tareas de agrupamiento, deduplicación y clasificación donde necesitas una representación numérica fija del texto en lugar de una respuesta escrita.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo mistralai/mistral-embed-2312, por lo que las bibliotecas cliente de OpenAI existentes funcionan con solo cambiar la URL base y la clave. El endpoint de embeddings es el que debes usar, y envías tu texto en el campo input. Ten en cuenta que la lista de parámetros soportados para este modelo está vacía, así que no confíes en que se acepten opciones de ajuste adicionales como dimensions o encoding format; envía el id de modelo y la entrada, y lee el vector de vuelta desde la respuesta.

Un límite práctico a tener en cuenta es el contexto de 8192 tokens. Los documentos muy largos deben dividirse en fragmentos antes de la incrustación, y la estrategia de fragmentación afectará la calidad de la recuperación más de lo que lo hará la elección del modelo. Además, dado que este modelo solo produce embeddings, no puede responder preguntas ni escribir texto por sí solo. Si tu tarea es generación, resumen o conversación en lugar de recuperación, un modelo de chat o de instrucciones es la mejor opción, y Mistral Embed 2312 pertenece a una etapa anterior de la canalización, donde el texto se convierte en algo que se puede buscar.