Mistral Embed 2312
Réseau Neuronal
Mistral Embed 2312 : embeddings de Mistral AI, vecteurs de dimension 1024 pour la recherche sémantique et les systèmes RAG.
Caractéristiques
- Entrée
- texte
- Sortie
- vecteurs (embeddings)
- Taille du contexte
- 8 192 tokens
- Dimensions du vecteur
- 1 024
Coût du prompt
(par 1M tokens)
Comment ça marche Mistral Embed 2312?
Mistral Embed 2312 est un modèle d'embeddings spécialisé de Mistral AI, sorti fin 2023. Il convertit le texte en vecteurs de dimension 1024, adaptés à l'indexation dans Qdrant, pgvector et d'autres bases de données vectorielles. Sur BotHub, le modèle est accessible via une API compatible OpenAI, permettant de changer de modèle sans réécrire l'intégration. L'accès est disponible depuis la Russie sans VPN ni carte étrangère, avec paiement en roubles à l'usage. Les applications sont nombreuses : recherche sémantique dans la documentation et les bases de connaissances, couche de récupération pour assistant RAG, clustering de tickets de support, déduplication de fiches produits, et classement de fragments avant transmission à un modèle génératif.Questions fréquentes sur Mistral Embed 2312
Vous pouvez utiliser les résultats générés à des fins commerciales. Tous les droits sur le contenu créé vous appartiennent. Seule restriction : vérifiez que la requête ne contient pas de contenus protégés par le droit d'auteur appartenant à des tiers. Le respect des droits sur les données d'entrée relève de votre responsabilité.
mistral-embed-2312 transforme le texte en vecteurs, servant de base à la recherche sémantique, au RAG, au clustering, à la déduplication, à la classification et aux recommandations. Le contexte de 8192 jetons permet d'encoder des fragments de documents entiers, pas seulement de courtes phrases. Les vecteurs obtenus peuvent être facilement stockés dans Qdrant, pgvector ou un autre stockage vectoriel.
En sortie, on obtient un vecteur numérique de dimension fixe (1024 valeurs pour Mistral Embed), et non du texte. La qualité de la recherche dépend de la proximité des fragments sémantiquement liés dans l'espace vectoriel. La réponse est un tableau de nombres via l'API compatible OpenAI, prêt à être inséré dans une base vectorielle.
Aucun raisonnement étape par étape n'est observé ; ce n'est pas la fonction d'un embedder : il ne dialogue pas, il encode le sens du texte en vecteur. La logique sur les fragments trouvés est gérée par votre application ou un modèle génératif distinct, connectable dans la même fenêtre BotHub.
L'appel de fonctions et la sortie JSON structurée ne sont pas observés : le modèle renvoie des vecteurs, pas des arguments d'outils. Si votre scénario nécessite des 'tool calls', ajoutez un modèle génératif ; l'API compatible OpenAI de BotHub permet de changer de modèle sans réécrire l'intégration.
La réception d'images, d'audio ou de vidéo n'est pas prise en charge : le modèle accepte du texte pour le transformer en vecteur. Pour des scénarios multimodaux, choisissez un modèle adapté dans le catalogue ; les requêtes passeront par la même clé et le même endpoint, sans intégration séparée.
Nous n'avons pas de données sur les langues prises en charge, nous ne pouvons donc pas garantir la précision en russe. Il est préférable de tester sur votre propre corpus en comparant la proximité des fragments sémantiquement liés. L'accès depuis la Russie fonctionne sans VPN ni carte étrangère, avec paiement en roubles par carte russe à l'usage.