Mistral: Mistral Embed 2312

Mistral Embed 2312 adalah model embedding dari Mistral, terdaftar di api14 dengan model id mistralai/mistral-embed-2312. Model ini berada dalam kategori embeddings, yang berarti tugasnya adalah mengubah teks menjadi vektor, bukan menghasilkan balasan chat. Mistral AI mengembangkannya sebagai model khusus untuk data teks, dan tanggal rilis penyedia yang tercatat untuknya adalah 2025-10-31.

Model ini menerima teks sebagai satu-satunya input dan mengembalikan embeddings sebagai satu-satunya output. Model ini menghasilkan vektor berdimensi 1024, yaitu representasi yang Anda simpan dan bandingkan ketika Anda membutuhkan kemiripan antara potongan teks. Context window-nya adalah 8192 token, dan output maksimum tercatat sebagai 6553. Tidak ada perilaku chat completion di sini, tidak ada tool calling dan tidak ada penanganan gambar atau audio, jadi Anda sebaiknya memperlakukannya murni sebagai komponen teks ke vektor dalam pipeline yang lebih besar.

Kemampuan tersebut mengarah pada serangkaian penggunaan yang cukup spesifik. Semantic search adalah yang paling jelas: embed dokumen Anda sekali, embed query pada waktu permintaan, dan urutkan berdasarkan kemiripan vektor alih-alih tumpang tindih kata kunci. Retrieval augmented generation adalah kecocokan utama lainnya, di mana embeddings memberi masukan ke retriever yang menyediakan bagian relevan ke model generasi terpisah. Karena model ini dioptimalkan untuk semantic search dan RAG, model ini juga cocok untuk tugas clustering, deduplikasi dan klasifikasi di mana Anda membutuhkan representasi numerik tetap dari teks alih-alih jawaban tertulis.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id mistralai/mistral-embed-2312, sehingga pustaka klien OpenAI yang ada berfungsi hanya dengan mengubah base URL dan key. Endpoint embeddings adalah yang harus digunakan, dan Anda mengirim teks Anda di field input. Perhatikan bahwa daftar parameter yang didukung untuk model ini kosong, jadi jangan mengandalkan opsi penyetelan tambahan seperti dimensions atau encoding format akan diterima; kirim model id dan input, lalu baca vektor kembali dari respons.

Satu batas praktis yang perlu diingat adalah context 8192 token. Dokumen yang sangat panjang perlu dipecah menjadi chunk sebelum embedding, dan strategi chunking akan memengaruhi kualitas retrieval lebih dari pilihan model itu sendiri. Selain itu, karena model ini hanya menghasilkan embeddings, model ini tidak dapat menjawab pertanyaan atau menulis teks sendiri. Jika tugas Anda adalah generasi, peringkasan atau percakapan alih-alih retrieval, model chat atau instruction adalah pilihan yang lebih baik, dan Mistral Embed 2312 berada lebih awal dalam pipeline di mana teks diubah menjadi sesuatu yang dapat dicari.