Mistral: Mistral Embed

Mistral Embed adalah model embedding teks tujuan umum untuk kesamaan semantik dan pencarian. Model ini dapat mendukung pencarian dokumen, pengelompokan, dan retrieval-augmented generation di mana aplikasi memerlukan model vektor terpisah, bukan penyelesaian chat.

Bandingkan model

mistral-embed

TersediaMistralEmbeddingSinkronkan

Masukan / Keluaran: $0.10 / $0.00
Konteks: 8K
Modalitas: Embedding

Tentang Mistral Embed

Mistral Embed adalah model embedding teks serbaguna dari Mistral AI. Model ini mengubah kalimat, paragraf, dan dokumen menjadi vektor untuk pencarian semantik, pengelompokan (clustering), klasifikasi, dan langkah pengambilan (retrieval) dalam retrieval-augmented generation. Ini adalah saudara yang berorientasi pada teks dari Codestral Embed, yang dibuat oleh Mistral untuk kode sumber. Pilih model ini jika korpus Anda berupa prosa seperti artikel bantuan, kontrak, atau catatan, dan Anda menginginkan model vektor terpisah alih-alih panggilan chat.

Kelebihan

Cakupan teks umum, sehingga satu model dapat mengindeks artikel pusat bantuan, laporan, dan transkrip chat secara bersamaan.
Cocok untuk langkah pengambilan dalam retrieval-augmented generation, di mana sebuah pertanyaan dicocokkan dengan bagian teks yang paling mungkin menjawabnya.
Mendukung pengelompokan dan klasifikasi dokumen dari vektor yang sama, tanpa memerlukan model terpisah untuk setiap tugas.
Bagian dari lini embedding Mistral, sehingga kode dan prosa dapat diindeks dengan dua model dari satu pembuat.

Kapan harus beralih

Untuk pengambilan kode sumber, Codestral Embed yang khusus kode dari Mistral adalah model yang dibuat untuk tugas tersebut.
Model ini hanya mengembalikan vektor; model ini tidak dapat menjawab pertanyaan atau meringkas bagian teks yang diambilnya.
Input dibatasi pada panjang token yang moderat, sehingga dokumen panjang harus dipecah menjadi potongan-potongan sebelum di-embed.

Memulai

Buat API key
Buat kunci di Console, gunakan untuk semua model di platform.

Kirim permintaan pertama Anda

Salin contoh untuk bahasa Anda dan jalankan terhadap endpoint tersebut.

EmbeddingEndpoint 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."
}'

Parameter

Embedding

Parameter	Nilai dan batas	Nilai bawaan	Catatan
`encoding_format`	float, base64	Tidak disediakan	Tidak disediakan
`input`	Tidak disediakan	Tidak disediakan	Tidak disediakan

Penetapan Harga

Harga Verified berlaku untuk Verified yang lebih murah di sebagian besar model. Harga Official adalah harga resmi dari pembuat model dan berlaku untuk rute Official yang lebih andal. Auto menagihkan biaya berdasarkan rute yang menyelesaikan permintaan.

Embedding

per 1M token

Harga Official: Masukan $0.10 / Keluaran $0.00
Harga Verified: —
Diskon: —

	Harga Officialper 1M token	Harga Verifiedper 1M token	Diskon
Embedding	Masukan $0.10 / Keluaran $0.00	—	—

Penggunaan & aktivitas

Tingkat keberhasilan adalah proporsi permintaan yang selesai. Latensi adalah berapa lama respons penuh berlangsung; P95 berarti 95% permintaan selesai dalam waktu tersebut.

Penggunaan & ketersediaan

24 jam terakhir

Permintaan
Tingkat keberhasilan
Latensi P95
Total token

Performa model

Terakhir diperbarui 15 Nov 2026, 02.00 UTC

Metrik akan muncul setelah ambang batas privasi dan volume data terpenuhi.

Data didasarkan pada permintaan pengguna gabungan, tidak termasuk pemeriksaan status.

Buka di Console

Buka Mistral Embed di Console dengan prompt siap diedit atau dikirim.

Bantu saya mencoba mistral-embed dengan embedding di /v1/embeddings. Tampilkan hasil dan biayanya.

Skenario penggunaan

Pencarian semantik pusat bantuan
Embed setiap artikel satu kali, embed setiap pertanyaan pengunjung saat kueri dilakukan, dan tampilkan artikel terdekat meskipun tidak ada kata kunci yang tumpang tindih.
Pengambilan untuk menjawab pertanyaan
Ambil bagian teks teratas dari dokumen internal dan teruskan ke model chat agar jawabannya didasarkan pada materi Anda sendiri.
Pengelompokan topik
Kelompokkan ribuan balasan survei atau tiket berdasarkan makna untuk melihat tema mana yang berulang, tanpa perlu menentukan kategori sebelumnya.
Klasifikasi dokumen
Latih pengklasifikasi ringan pada vektor untuk mengirim dokumen masuk ke tim atau label yang tepat.

Contoh prompt

Bagaimana cara mengubah kontak penagihan di akun saya?

Laporan triwulanan: churn meningkat di segmen pasar menengah setelah perubahan harga pada bulan Maret.

Kurir pengiriman meninggalkan paket di alamat yang salah dan dukungan belum membalas.

Model ini memiliki harga kondisional. Total token bulanan saja tidak dapat menghasilkan estimasi yang andal; gunakan harga detail untuk spesifikasi permintaan, cache, dan jendela waktu yang berlaku.

FAQ

Untuk apa Mistral Embed digunakan?

Mengubah teks menjadi vektor yang dapat Anda bandingkan. Penggunaan umum adalah pencarian semantik pada dokumen, mengelompokkan teks serupa, mengklasifikasikan dokumen, dan mengambil bagian teks untuk dijawab oleh model chat. Model ini tidak menghasilkan teks.

Haruskah saya menggunakan Mistral Embed atau Codestral Embed?

Gunakan Mistral Embed untuk konten bahasa alami dan Codestral Embed untuk kode sumber serta kueri terkait kode. Jika korpus Anda mencampur keduanya, indeks setiap bagian dengan modelnya masing-masing dan simpan vektor dalam koleksi terpisah, karena vektor dari model yang berbeda tidak dapat dibandingkan.

Bisakah saya mencampur vektor dari model embedding yang berbeda?

Tidak. Vektor hanya dapat dibandingkan jika berasal dari model yang sama. Jika Anda beralih dari Mistral Embed ke embedder lain, lakukan embed ulang seluruh korpus dan bangun kembali indeksnya, termasuk kueri yang tersimpan.

Bagaimana cara menangani dokumen yang panjang?

Pecah dokumen menjadi bagian-bagian sebelum di-embed, karena setiap input memiliki batas token. Potongan seukuran paragraf atau bagian dengan sedikit tumpang tindih biasanya memberikan hasil pengambilan yang lebih baik daripada dokumen utuh, dan Anda dapat menyimpan judul dokumen dengan setiap potongan.

Apakah model ini berfungsi melalui permintaan embedding gaya OpenAI?

Ya. Anda mengirim daftar string ke endpoint embeddings dan menerima satu vektor per string, yang dikembalikan dalam urutan yang sama dengan input.

Berapa biaya Mistral Embed?

Di TokenLab, Mistral Embed dikenakan Masukan $0.10 / Keluaran $0.00 per 1M token. Tabel harga di atas menampilkan rincian lengkap. Tarif bergantung pada unit penagihan, spesifikasi, dan penggunaan. Bandingkan kondisi yang sama dalam harga detail model; satu tarif tidak menentukan total biaya.

Endpoint mana yang harus digunakan Mistral Embed?

Pakai https://api.tokenlab.sh/v1/embeddings sebagai default untuk Mistral Embed. Jika format native penyedia didukung, API workbench juga menampilkan endpoint tersebut.

Operasi apa saja yang didukung Mistral Embed?

Mistral Embed mendukung Embedding. Pilih operasi di API workbench di atas untuk melihat endpoint dan contoh kode terkait.