Mistral Embed 2312
Rede Neural
Mistral Embed 2312: embeddings da Mistral AI com vetores de 1024 dimensões para busca semântica e sistemas RAG.
Especificações
- Entrada
- texto
- Saída
- vetores (embeddings)
- Tamanho do contexto
- 8 192 tokens
- Dimensões do vetor
- 1 024
Custo do prompt
(por 1M tokens)
Como funciona Mistral Embed 2312?
Mistral Embed 2312 é um modelo de embedding especializado da Mistral AI, lançado no final de 2023. Ele converte texto em vetores de 1024 dimensões, adequados para indexação em Qdrant, pgvector e outros bancos de dados vetoriais. No BotHub, o modelo é conectado via uma API compatível com OpenAI, permitindo alternar entre modelos sem reescrever a integração. O acesso está disponível sem restrições geográficas, com pagamento por uso de tokens. As aplicações são vastas: busca semântica em documentação e bases de conhecimento, camada de recuperação para assistentes RAG, agrupamento de tickets de suporte, desduplicação de catálogos de produtos e classificação de fragmentos antes do envio para um modelo generativo.Perguntas frequentes sobre Mistral Embed 2312
Você pode usar os resultados da geração para fins comerciais. Todos os direitos sobre o conteúdo criado pertencem a você. A única restrição: certifique-se de que a solicitação não inclua materiais de terceiros protegidos por direitos autorais. A responsabilidade pelo cumprimento dos direitos sobre os dados de entrada é do usuário.
O mistral-embed-2312 transforma texto em vetores, sendo a base para busca semântica, RAG, agrupamento, desduplicação, classificação e recomendações. O contexto de 8192 tokens permite codificar fragmentos inteiros de documentos, não apenas frases curtas. Os vetores resultantes podem ser armazenados no Qdrant, pgvector ou outro banco de dados vetorial.
A saída é um vetor numérico de dimensão fixa; no Mistral Embed, são 1024 valores, não texto. A qualidade da busca é determinada pela proximidade de fragmentos semanticamente relacionados no espaço vetorial. A resposta é um array de números via API compatível com OpenAI, pronto para ser inserido em um banco de dados vetorial.
Não observamos raciocínio passo a passo, pois essa não é a função de um embedder: ele não conduz diálogos, apenas codifica o significado do texto em um vetor. A lógica sobre os fragmentos encontrados é construída pela sua aplicação ou por um modelo generativo separado, que pode ser conectado na mesma janela do BotHub.
Não observamos chamadas de função ou saída JSON estruturada: o modelo retorna vetores, não argumentos de ferramentas. Se o seu cenário exigir chamadas de ferramentas, utilize um modelo generativo em conjunto; a API compatível com OpenAI do BotHub permite alternar modelos sem reescrever a integração.
Não observamos suporte para imagens, áudio ou vídeo: a entrada é texto, que é convertido em um vetor. Para cenários multimodais, escolha um modelo adequado no catálogo; as solicitações usarão a mesma chave e o mesmo endpoint, sem necessidade de integração separada.
Não temos dados sobre os idiomas suportados, portanto não podemos garantir precisão específica em português; é mais seguro testar com seu próprio corpus, comparando a proximidade de fragmentos semanticamente relacionados. O acesso ao modelo está disponível sem restrições, com pagamento por uso.