Mistral: Mistral Embed 2312

Mistral Embed 2312 är en inbäddningsmodell från Mistral, listad på api14 under modell-id:t mistralai/mistral-embed-2312. Den tillhör kategorin embeddings, vilket innebär att dess uppgift är att omvandla text till vektorer snarare än att generera chatsvar. Mistral AI utvecklade den som en specialiserad modell för textdata, och leverantörens utgivningsdatum som registrerats för den är 2025-10-31.

Modellen tar text som sin enda indata och returnerar inbäddningar som sin enda utdata. Den producerar 1024-dimensionella vektorer, vilket är representationen du lagrar och jämför när du behöver likhet mellan textstycken. Kontextfönstret är 8192 tokens, och maximal utdata anges som 6553. Det finns ingen chat completion-funktion här, inget verktygsanrop och ingen bild- eller ljudhantering, så du bör behandla den enbart som en text-till-vektor-komponent i en större pipeline.

Dessa funktioner pekar mot en ganska specifik uppsättning användningsområden. Semantisk sökning är det uppenbara: bädda in dina dokument en gång, bädda in frågan vid förfrågningstillfället och rangordna efter vektorlikhet istället för nyckelordsöverlappning. Retrieval augmented generation är den andra huvudsakliga tillämpningen, där inbäddningarna matar en retriever som levererar relevanta avsnitt till en separat genereringsmodell. Eftersom modellen optimerades för semantisk sökning och RAG passar den också för klustring, deduplicering och klassificeringsuppgifter där du behöver en fast numerisk representation av text snarare än ett skrivet svar.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t mistralai/mistral-embed-2312, så befintliga OpenAI-klientbibliotek fungerar med endast bas-URL och nyckel ändrade. Endpointen embeddings är den du ska använda, och du skickar din text i fältet input. Observera att listan över parametrar som stöds för denna modell är tom, så förlita dig inte på att extra justeringsalternativ som dimensions eller encoding format accepteras; skicka modell-id:t och indata, och läs tillbaka vektorn från svaret.

En praktisk gräns att ha i åtanke är kontexten på 8192 tokens. Mycket långa dokument behöver delas upp i bitar före inbäddning, och uppdelningsstrategin kommer att påverka sökkvaliteten mer än valet av modell gör. Dessutom, eftersom denna modell endast producerar inbäddningar, kan den inte besvara frågor eller skriva text på egen hand. Om din uppgift är generering, sammanfattning eller konversation snarare än hämtning, är en chat- eller instruktionsmodell en bättre passning, och Mistral Embed 2312 hör hemma tidigare i pipelinen där text omvandlas till något sökbart.