Mistral: Mistral Embed

Mistral Embed es un modelo de embedding de texto de propósito general para similitud semántica y recuperación. Puede dar soporte a la búsqueda de documentos, la agrupación (clustering) y la generación aumentada por recuperación en casos donde las aplicaciones necesiten un modelo vectorial independiente en lugar de una finalización de chat.

Comparar modelos

mistral-embed

DisponibleMistralIncrustaciónSíncrono

Entrada / Salida: $0.10 / $0.00
Contexto: 8K
Modalidades: Incrustación

Sobre Mistral Embed

Mistral Embed es el modelo de incrustación (embedding) de texto de propósito general de Mistral AI. Convierte frases, párrafos y documentos en vectores para búsqueda semántica, agrupación (clustering), clasificación y el paso de recuperación en la generación aumentada por recuperación (RAG). Es el equivalente orientado a texto de Codestral Embed, que Mistral creó para código fuente. Elíjalo cuando su corpus sea prosa, como artículos de ayuda, contratos o notas, y desee un modelo vectorial independiente en lugar de una llamada de chat.

Puntos fuertes

Cobertura de texto general, por lo que un solo modelo puede indexar artículos de centros de ayuda, informes y transcripciones de chat de forma conjunta.
Se ajusta al paso de recuperación de la generación aumentada por recuperación, donde una pregunta se empareja con los pasajes con mayor probabilidad de responderla.
Admite agrupación y clasificación de documentos a partir de los mismos vectores, sin necesidad de un modelo independiente por tarea.
Parte de la línea de incrustación de Mistral, por lo que el código y la prosa pueden indexarse con dos modelos de un mismo fabricante.

Cuándo buscar otra opción

Para la recuperación de código fuente, Codestral Embed, el modelo específico de código de Mistral, es el diseñado para esa tarea.
Solo devuelve vectores; no puede responder preguntas ni resumir los pasajes que recupera.
Las entradas están limitadas a una longitud de tokens modesta, por lo que los documentos largos deben dividirse en fragmentos antes de la incrustación.

Primeros pasos

Crear clave API
Genera una clave en Console y úsala con cualquier modelo de la plataforma.

Envía tu primera solicitud

Copia el ejemplo para tu lenguaje y ejecútalo contra el endpoint.

IncrustaciónEndpoint de TokenLab

POST/v1/embeddings

curl -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."
}'

Parámetros

Incrustación

Parámetro	Valores y límites	Predeterminado	Notas
`encoding_format`	float, base64	No especificado	No especificado
`input`	No especificado	No especificado	No especificado

Precios

El precio Verified se aplica a Verified, que cuesta menos en la mayoría de los modelos. El precio Official es el precio publicado por el fabricante del modelo y se aplica a la ruta Official, más fiable. Auto factura la ruta que completa la solicitud.

Incrustación

Por 1M Token

Precio Official: Entrada $0.10 / Salida $0.00
Precio Verified: —
Descuento: —

	Precio OfficialPor 1M Token	Precio VerifiedPor 1M Token	Descuento
Incrustación	Entrada $0.10 / Salida $0.00	—	—

Uso y actividad

La tasa de éxito es la proporción de solicitudes completadas. La latencia es cuánto tarda una respuesta completa; P95 significa que el 95 % de las solicitudes terminaron dentro de ese tiempo.

Uso y disponibilidad

Últimas 24 horas

Solicitudes
Tasa de éxito
Latencia P95
Total de tokens

Desempeño del modelo

Última actualización 15 nov 2026, 2:00 UTC

Las métricas aparecerán una vez que se alcancen los umbrales de privacidad y volumen de datos.

Los datos se basan en solicitudes de usuario agregadas, excluyendo las comprobaciones de estado.

Abrir en Console

Abre Mistral Embed en Console con un prompt listo para editar o enviar.

Ayúdame a probar mistral-embed con embedding en /v1/embeddings. Muestra el resultado y el coste.

Casos de uso

Búsqueda semántica en centros de ayuda
Incruste cada artículo una vez, incruste cada pregunta del visitante en el momento de la consulta y muestre los artículos más cercanos incluso cuando no haya coincidencia de palabras clave.
Recuperación para respuesta a preguntas
Obtenga los pasajes principales de documentos internos y páselos a un modelo de chat para que su respuesta se base en su propio material.
Agrupación de temas
Agrupe miles de respuestas a encuestas o tickets por significado para ver qué temas se repiten, sin definir categorías de antemano.
Clasificación de documentos
Entrene un clasificador ligero sobre los vectores para enviar los documentos entrantes al equipo o etiqueta correcta.

Ejemplos de prompts

¿Cómo cambio el contacto de facturación de mi cuenta?

Informe trimestral: la rotación aumentó en el segmento del mercado medio tras el cambio de precios en marzo.

El repartidor dejó el paquete en la dirección incorrecta y el soporte técnico no ha respondido.

Este modelo tiene precio condicional. Los totales mensuales de tokens por sí solos no producen una estimación fiable; use el precio detallado según la especificación de la solicitud, la caché y la ventana aplicable.

FAQ

¿Para qué sirve Mistral Embed?

Para convertir texto en vectores que puede comparar. Los usos típicos son la búsqueda semántica en documentos, la agrupación de textos similares, la clasificación de documentos y la recuperación de pasajes para que un modelo de chat responda a partir de ellos. No genera texto.

¿Debo usar Mistral Embed o Codestral Embed?

Utilice Mistral Embed para contenido en lenguaje natural y Codestral Embed para código fuente y consultas relacionadas con código. Si su corpus mezcla ambos, indexe cada parte con su propio modelo y mantenga los vectores en colecciones separadas, ya que los vectores de diferentes modelos no son comparables.

¿Puedo mezclar vectores de diferentes modelos de incrustación?

No. Los vectores solo son comparables cuando provienen del mismo modelo. Si cambia de Mistral Embed a otro incrustador, vuelva a incrustar todo el corpus y reconstruya el índice, incluidas las consultas almacenadas.

¿Cómo manejo documentos largos?

Divídalos en pasajes antes de la incrustación, ya que cada entrada tiene un límite de tokens. Los fragmentos del tamaño de un párrafo o sección con un poco de superposición suelen recuperarse mejor que los documentos completos, y puede almacenar el título del documento con cada fragmento.

¿Funciona a través de la solicitud de incrustaciones al estilo OpenAI?

Sí. Envía una lista de cadenas al endpoint de incrustaciones y recibe un vector por cadena, devuelto en el mismo orden que la entrada.

¿Cuánto cuesta Mistral Embed?

En TokenLab, Mistral Embed cuesta Entrada $0.10 / Salida $0.00 Por 1M Token. La tabla de precios arriba muestra el desglose completo. Las tarifas dependen de la unidad de facturación, la especificación y el uso. Compare condiciones iguales en el precio detallado del modelo; una sola tarifa no determina el coste total.

¿Qué endpoint debe usar Mistral Embed?

Utiliza https://api.tokenlab.sh/v1/embeddings para Mistral Embed. El ejemplo de solicitud a continuación muestra la estructura de código correspondiente.

¿Qué operaciones soporta Mistral Embed?

Mistral Embed admite Incrustación. Selecciona una operación arriba para ver su endpoint y ejemplo de solicitud.