Mistral: Mistral Embed
mistral-embed- Eingabe / Ausgabe
- $0.10 / $0.00
- Kontext
- 8K
- Modalitäten
- Einbettung
Über Mistral Embed
Mistral Embed ist das Allzweck-Text-Embedding-Modell von Mistral AI. Es wandelt Sätze, Absätze und Dokumente in Vektoren für die semantische Suche, Clusterbildung, Klassifizierung und den Abrufschritt bei der „Retrieval-Augmented Generation“ (RAG) um. Es ist das textorientierte Pendant zu Codestral Embed, das Mistral speziell für Quellcode entwickelt hat. Wählen Sie dieses Modell, wenn Ihr Korpus aus Prosa wie Hilfeartikeln, Verträgen oder Notizen besteht und Sie ein separates Vektormodell anstelle eines Chat-Aufrufs benötigen.
Stärken
- Allgemeine Textabdeckung, sodass ein Modell Hilfeartikel, Berichte und Chat-Protokolle gemeinsam indexieren kann.
- Geeignet für den Abrufschritt bei der „Retrieval-Augmented Generation“, bei dem eine Frage mit den Textstellen abgeglichen wird, die sie am wahrscheinlichsten beantworten.
- Unterstützt Clusterbildung und Dokumentenklassifizierung mit denselben Vektoren, ohne dass für jede Aufgabe ein separates Modell erforderlich ist.
- Teil der Embedding-Produktlinie von Mistral, sodass Code und Prosa mit zwei Modellen desselben Herstellers indexiert werden können.
Alternativen
- Für den Abruf von Quellcode ist Mistrals codespezifisches Codestral Embed das Modell, das für diese Aufgabe entwickelt wurde.
- Es gibt nur Vektoren zurück; es kann keine Fragen beantworten oder die abgerufenen Textstellen zusammenfassen.
- Die Eingaben sind auf eine moderate Token-Länge begrenzt, daher müssen lange Dokumente vor dem Embedding in Abschnitte unterteilt werden.
Erste Schritte
API-Schlüssel erstellen
Erstelle einen Schlüssel in Console und nutze ihn mit jedem Modell auf der Plattform.
Senden Sie Ihre erste Anfrage
Kopieren Sie das Beispiel für Ihre Sprache und führen Sie es gegen den Endpunkt aus.
EinbettungTokenLab-EndpunktPOST/v1/embeddingscurl -X POST "https://api.tokenlab.sh/v1/embeddings" \ -H "Authorization: Bearer sk-xxx" \ -H "Content-Type: application/json" \ -d '{ "encoding_format": "float", "model": "mistral-embed", "input": "The quick brown fox jumps over the lazy dog." }'
Parameter
Einbettung
| Parameter | Werte und Grenzen | Standardwert | Hinweise |
|---|---|---|---|
encoding_format | float, base64 | Nicht angegeben | Nicht angegeben |
input | Nicht angegeben | Nicht angegeben | Nicht angegeben |
Preise
Der Verified-Preis gilt für Verified und ist bei den meisten Modellen günstiger. Der Official-Preis ist der veröffentlichte Preis des Modellherstellers und gilt für die zuverlässigere Official-Route. Auto rechnet die Route ab, die die Anfrage abschließt.
Einbettung
Pro 1M Token- Official-Preis
- Eingabe $0.10 / Ausgabe $0.00
- Verified-Preis
- —
- Rabatt
- —
| Official-PreisPro 1M Token | Verified-PreisPro 1M Token | Rabatt | |
|---|---|---|---|
| Einbettung | Eingabe $0.10 / Ausgabe $0.00 | — | — |
Nutzung & Aktivität
Die Erfolgsquote ist der Anteil abgeschlossener Anfragen. Die Latenz ist die Dauer einer vollständigen Antwort; P95 bedeutet, dass 95 % der Anfragen innerhalb dieser Zeit abgeschlossen wurden.
Nutzung & Verfügbarkeit
Letzte 24 Stunden- Anfragen
- Erfolgsrate
- P95-Latenz
- Token gesamt
Die Daten basieren auf aggregierten Benutzeranfragen, Statusprüfungen sind ausgeschlossen.
In Console öffnen
Öffne Mistral Embed in Console mit einer bearbeitbaren oder versandbereiten Eingabeaufforderung.
Teste mistral-embed mit embedding an /v1/embeddings. Zeige Ergebnis und Kosten.
Anwendungsfälle
Semantische Suche im Hilfe-Center
Embedden Sie jeden Artikel einmal, embedden Sie jede Besucherfrage zum Zeitpunkt der Abfrage und zeigen Sie die ähnlichsten Artikel an, selbst wenn keine Schlüsselwörter übereinstimmen.
Abruf für die Beantwortung von Fragen
Rufen Sie die relevantesten Textstellen aus internen Dokumenten ab und übergeben Sie diese an ein Chat-Modell, damit dessen Antwort auf Ihrem eigenen Material basiert.
Themen-Clusterbildung
Gruppieren Sie Tausende von Umfrageantworten oder Tickets nach Bedeutung, um wiederkehrende Themen zu erkennen, ohne Kategorien im Voraus definieren zu müssen.
Dokumentenklassifizierung
Trainieren Sie einen einfachen Klassifikator auf den Vektoren, um eingehende Dokumente an das richtige Team oder die richtige Kennzeichnung weiterzuleiten.
Prompt-Beispiele
Wie ändere ich den Rechnungskontakt in meinem Konto?
Quartalsbericht: Die Abwanderungsrate im Mid-Market-Segment ist nach der Preisänderung im März gestiegen.
Der Zusteller hat das Paket an der falschen Adresse hinterlassen und der Support hat nicht geantwortet.
Dieses Modell hat konditionale Preise. Monatliche Token-Summen allein liefern keine verlässliche Schätzung; nutzen Sie die detaillierten Preise für Anfragespezifikation, Cache und Zeitfenster.
FAQ
Wofür ist Mistral Embed gedacht?
Um Text in Vektoren umzuwandeln, die Sie vergleichen können. Typische Anwendungsbereiche sind die semantische Suche in Dokumenten, das Gruppieren ähnlicher Texte, das Klassifizieren von Dokumenten und das Abrufen von Textstellen, die ein Chat-Modell zur Beantwortung nutzen kann. Es generiert keinen Text.
Sollte ich Mistral Embed oder Codestral Embed verwenden?
Verwenden Sie Mistral Embed für natürlichsprachliche Inhalte und Codestral Embed für Quellcode und codebezogene Anfragen. Wenn Ihr Korpus beides enthält, indexieren Sie jeden Teil mit seinem eigenen Modell und bewahren Sie die Vektoren in separaten Sammlungen auf, da Vektoren aus verschiedenen Modellen nicht vergleichbar sind.
Kann ich Vektoren aus verschiedenen Embedding-Modellen mischen?
Nein. Vektoren sind nur vergleichbar, wenn sie vom selben Modell stammen. Wenn Sie von Mistral Embed zu einem anderen Embedder wechseln, müssen Sie den gesamten Korpus neu embedden und den Index neu aufbauen, einschließlich aller gespeicherten Abfragen.
Wie gehe ich mit langen Dokumenten um?
Unterteilen Sie diese vor dem Embedding in Textstellen, da jede Eingabe ein Token-Limit hat. Absätze oder abschnittsweise Stücke mit einer leichten Überlappung lassen sich in der Regel besser abrufen als ganze Dokumente, und Sie können den Dokumententitel bei jedem Abschnitt speichern.
Funktioniert es über die Embedding-Anfrage im OpenAI-Stil?
Ja. Sie senden eine Liste von Zeichenfolgen an den Embeddings-Endpunkt und erhalten einen Vektor pro Zeichenfolge, der in derselben Reihenfolge wie die Eingabe zurückgegeben wird.
Was kostet Mistral Embed?
Auf TokenLab kostet Mistral Embed Eingabe $0.10 / Ausgabe $0.00 Pro 1M Token. Die vollständige Aufschlüsselung steht in der Preistabelle oben. Die Preise hängen von Abrechnungseinheit, Spezifikation und Nutzung ab. Vergleichen Sie gleiche Bedingungen in der detaillierten Preisliste des Modells; eine einzelne Rate bestimmt nicht die Gesamtkosten.
Welchen Endpunkt soll Mistral Embed verwenden?
Verwenden Sie https://api.tokenlab.sh/v1/embeddings für Mistral Embed. Das folgende Anforderungsbeispiel zeigt die passende Code-Struktur.
Welche Operationen unterstützt Mistral Embed?
Mistral Embed unterstützt Einbettung. Wählen Sie oben einen Vorgang aus, um dessen Endpunkt und Anforderungsbeispiel anzuzeigen.
Mistral Embed vergleichen
Quellen
Geprüft am 02.10.2026
