Mistral: Mistral Embed

Mistral Embed est un modèle d'embedding de texte à usage général pour la similarité sémantique et la recherche. Il peut prendre en charge la recherche de documents, le clustering et la génération augmentée par récupération lorsque les applications ont besoin d'un modèle vectoriel distinct plutôt que d'une complétion de chat.

Comparer les modèles

mistral-embed

DisponibleMistralVectorisationSynchrone

Entrée / Sortie: $0.10 / $0.00
Contexte: 8K
Modalités: Vectorisation

À propos de Mistral Embed

Mistral Embed est le modèle de plongement de texte polyvalent de Mistral AI. Il convertit les phrases, paragraphes et documents en vecteurs pour la recherche sémantique, le clustering, la classification et l'étape de récupération de la génération augmentée par récupération (RAG). C'est le pendant textuel de Codestral Embed, conçu par Mistral pour le code source. Choisissez-le lorsque votre corpus est constitué de prose, comme des articles d'aide, des contrats ou des notes, et que vous souhaitez utiliser un modèle vectoriel distinct plutôt qu'un appel de chat.

Points forts

Couverture textuelle générale, permettant à un seul modèle d'indexer ensemble des articles de centre d'aide, des rapports et des transcriptions de chat.
Adapté à l'étape de récupération de la génération augmentée par récupération, où une question est mise en correspondance avec les passages les plus susceptibles d'y répondre.
Prend en charge le clustering et la classification de documents à partir des mêmes vecteurs, sans nécessiter un modèle distinct par tâche.
Fait partie de la gamme de plongement de Mistral, permettant d'indexer le code et la prose avec deux modèles d'un même fabricant.

Quand préférer un autre modèle

Pour la récupération de code source, Codestral Embed, le modèle de Mistral dédié au code, est celui conçu pour cette tâche.
Il renvoie uniquement des vecteurs ; il ne peut pas répondre à des questions ni résumer les passages qu'il récupère.
Les entrées sont limitées à une longueur de jeton modeste ; les documents longs doivent donc être divisés en segments avant le plongement.

Pour commencer

Créer une clé API
Générez une clé dans Console et utilisez-la avec tous les modèles de la plateforme.

Envoyez votre première requête

Copiez l'exemple pour votre langage et lancez-le.

VectorisationEndpoint 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."
}'

Paramètres

Vectorisation

Paramètre	Valeurs et limites	Valeur par défaut	Remarques
`encoding_format`	float, base64	Non fourni	Non fourni
`input`	Non fourni	Non fourni	Non fourni

Tarification

Le prix Verified s’applique à Verified, moins cher sur la plupart des modèles. Le prix Official est le prix publié par le fabricant du modèle et s’applique à la route Official, plus fiable. Auto facture la route qui termine la requête.

Vectorisation

Par 1M Token

Prix Official: Entrée $0.10 / Sortie $0.00
Prix Verified: —
Remise: —

	Prix OfficialPar 1M Token	Prix VerifiedPar 1M Token	Remise
Vectorisation	Entrée $0.10 / Sortie $0.00	—	—

Utilisation et activité

Le taux de réussite est la part de requêtes abouties. La latence est la durée d'une réponse complète ; P95 signifie que 95 % des requêtes ont fini dans ce délai.

Utilisation et disponibilité

Dernières 24 heures

Requêtes
Taux de succès
Latence P95
Total des jetons

Performance du modèle

Dernière mise à jour 15 nov. 2026, 02:00 UTC

Les métriques s'affichent une fois les seuils de confidentialité et de volume de données atteints.

Les données sont basées sur les requêtes agrégées des utilisateurs, à l'exclusion des vérifications de statut.

Ouvrir dans Console

Ouvrez Mistral Embed dans Console avec un prompt prêt à modifier ou envoyer.

Aide-moi à tester mistral-embed avec embedding sur /v1/embeddings. Affiche le résultat et le coût.

Cas d'usage

Recherche sémantique pour centre d'aide
Plongez chaque article une fois, plongez chaque question de visiteur au moment de la requête, et affichez les articles les plus proches même en l'absence de chevauchement de mots-clés.
Récupération pour répondre à des questions
Récupérez les passages les plus pertinents à partir de documents internes et transmettez-les à un modèle de chat afin que sa réponse soit basée sur vos propres documents.
Clustering de sujets
Regroupez des milliers de réponses à des enquêtes ou de tickets par signification pour identifier les thèmes récurrents, sans définir de catégories à l'avance.
Classification de documents
Entraînez un classificateur léger sur les vecteurs pour diriger les documents entrants vers la bonne équipe ou la bonne étiquette.

Exemples de prompts

Comment puis-je modifier le contact de facturation sur mon compte ?

Rapport trimestriel : le taux de désabonnement a augmenté dans le segment du marché intermédiaire après le changement de tarification en mars.

Le livreur a laissé le colis à la mauvaise adresse et le support n'a pas répondu.

Ce modèle a une tarification conditionnelle. Les totaux mensuels de tokens ne suffisent pas pour une estimation fiable ; utilisez la tarification détaillée selon la spécification de la requête, le cache et la fenêtre applicable.

FAQ

À quoi sert Mistral Embed ?

À transformer du texte en vecteurs comparables. Les utilisations typiques sont la recherche sémantique dans des documents, le regroupement de textes similaires, la classification de documents et la récupération de passages pour qu'un modèle de chat puisse y répondre. Il ne génère pas de texte.

Dois-je utiliser Mistral Embed ou Codestral Embed ?

Utilisez Mistral Embed pour le contenu en langage naturel et Codestral Embed pour le code source et les requêtes liées au code. Si votre corpus mélange les deux, indexez chaque partie avec son propre modèle et conservez les vecteurs dans des collections distinctes, car les vecteurs issus de modèles différents ne sont pas comparables.

Puis-je mélanger des vecteurs provenant de différents modèles de plongement ?

Non. Les vecteurs ne sont comparables que lorsqu'ils proviennent du même modèle. Si vous passez de Mistral Embed à un autre modèle de plongement, vous devez plonger à nouveau l'intégralité du corpus et reconstruire l'index, y compris les requêtes stockées.

Comment gérer les documents longs ?

Divisez-les en passages avant le plongement, car chaque entrée a une limite de jetons. Les segments de la taille d'un paragraphe ou d'une section avec un léger chevauchement sont généralement plus efficaces pour la récupération que les documents entiers, et vous pouvez stocker le titre du document avec chaque segment.

Fonctionne-t-il via la requête d'embeddings de style OpenAI ?

Oui. Vous envoyez une liste de chaînes de caractères au point de terminaison des embeddings et recevez un vecteur par chaîne, renvoyé dans le même ordre que l'entrée.

Combien coûte Mistral Embed ?

Sur TokenLab, Mistral Embed coûte Entrée $0.10 / Sortie $0.00 Par 1M Token. La table tarifaire ci-dessus en montre le détail complet. Les tarifs dépendent de l’unité de facturation, de la spécification et de l’usage. Comparez des conditions identiques dans la tarification détaillée du modèle ; un tarif seul ne détermine pas le coût total.

Quel endpoint Mistral Embed doit-il utiliser ?

Utilisez https://api.tokenlab.sh/v1/embeddings pour Mistral Embed. L'exemple de requête ci-dessous montre la structure de code correspondante.

Quelles opérations Mistral Embed prend-il en charge ?

Mistral Embed prend en charge Vectorisation. Sélectionnez une opération pour voir l'endpoint et un exemple.