Mistral: Mistral Embed

O Mistral Embed é um modelo de embedding de texto de uso geral para similaridade semântica e recuperação. Ele pode suportar busca de documentos, agrupamento (clustering) e geração aumentada por recuperação em casos onde as aplicações precisam de um modelo vetorial separado em vez de uma conclusão de chat.

Comparar modelos

mistral-embed

DisponívelMistralIncorporaçãoSíncrono

Entrada / Saída: $0.10 / $0.00
Contexto: 8K
Modalidades: Incorporação

Sobre o Mistral Embed

Mistral Embed é o modelo de embedding de texto de uso geral da Mistral AI. Ele converte frases, parágrafos e documentos em vetores para busca semântica, agrupamento (clustering), classificação e para a etapa de recuperação da geração aumentada por recuperação (RAG). É o equivalente orientado a texto do Codestral Embed, que a Mistral criou para código-fonte. Escolha-o quando seu corpus for composto por prosa, como artigos de ajuda, contratos ou notas, e você desejar um modelo vetorial separado em vez de uma chamada de chat.

Pontos fortes

Cobertura de texto geral, permitindo que um único modelo indexe artigos de centrais de ajuda, relatórios e transcrições de chat simultaneamente.
Adequado para a etapa de recuperação da geração aumentada por recuperação, onde uma pergunta é combinada com as passagens com maior probabilidade de respondê-la.
Suporta agrupamento e classificação de documentos a partir dos mesmos vetores, sem a necessidade de um modelo separado por tarefa.
Parte da linha de embeddings da Mistral, permitindo que código e prosa sejam indexados com dois modelos do mesmo fabricante.

Quando usar outro modelo

Para recuperação de código-fonte, o Codestral Embed, específico para código da Mistral, é o modelo criado para essa tarefa.
Ele retorna apenas vetores; não consegue responder a perguntas nem resumir as passagens que recupera.
As entradas são limitadas a um comprimento de token modesto, portanto, documentos longos devem ser divididos em partes (chunks) antes da vetorização.

Primeiros passos

Criar chave de API
Crie uma chave no Console e use com qualquer modelo da plataforma.

Envie sua primeira requisição

Copie o exemplo para sua linguagem e execute-o no endpoint.

IncorporaçãoEndpoint do 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."
}'

Parâmetros

Incorporação

Parâmetro	Valores e limites	Padrão	Notas
`encoding_format`	float, base64	Não fornecido	Não fornecido
`input`	Não fornecido	Não fornecido	Não fornecido

Preço

O preço Verified vale para o Verified, que custa menos na maioria dos modelos. O preço Official é o preço publicado pelo fabricante do modelo e vale para a rota Official, mais confiável. O Auto cobra pela rota que conclui a solicitação.

Incorporação

Por 1M Token

Preço Official: Entrada $0.10 / Saída $0.00
Preço Verified: —
Desconto: —

	Preço OfficialPor 1M Token	Preço VerifiedPor 1M Token	Desconto
Incorporação	Entrada $0.10 / Saída $0.00	—	—

Uso e atividade

A taxa de sucesso é a proporção de requisições concluídas. A latência é quanto tempo uma resposta completa leva; P95 significa que 95% das requisições terminaram dentro desse tempo.

Uso e disponibilidade

Últimas 24 horas

Requisições
Taxa de sucesso
Latência P95
Total de tokens

Desempenho do modelo

Última atualização 15 de nov. de 2026, 02:00 UTC

As métricas aparecerão assim que os limites de privacidade e volume de dados forem atingidos.

Os dados baseiam-se em solicitações agregadas de usuários, excluindo verificações de status.

Abrir no Console

Abra Mistral Embed no Console com um prompt pronto para editar ou enviar.

Ajude-me a testar mistral-embed com embedding em /v1/embeddings. Exiba o resultado e custo.

Casos de uso

Busca semântica em centrais de ajuda
Vetorize cada artigo uma vez, vetorize cada pergunta do visitante no momento da consulta e exiba os artigos mais próximos, mesmo quando não houver sobreposição de palavras-chave.
Recuperação para resposta a perguntas
Busque as principais passagens de documentos internos e envie-as para um modelo de chat para que sua resposta seja fundamentada em seu próprio material.
Agrupamento de tópicos
Agrupe milhares de respostas de pesquisas ou tickets por significado para identificar quais temas são recorrentes, sem definir categorias com antecedência.
Classificação de documentos
Treine um classificador leve sobre os vetores para encaminhar documentos recebidos para a equipe ou etiqueta correta.

Exemplos de prompt

Como altero o contato de faturamento na minha conta?

Relatório trimestral: a rotatividade (churn) aumentou no segmento de mercado intermediário após a mudança de preços em março.

O entregador deixou o pacote no endereço errado e o suporte não respondeu.

Este modelo tem preço condicional. Totais mensais de tokens sozinhos não produzem uma estimativa confiável; use o preço detalhado para a especificação da requisição, cache e janela aplicável.

FAQ

Para que serve o Mistral Embed?

Transformar texto em vetores que você pode comparar. Usos típicos incluem busca semântica em documentos, agrupamento de textos semelhantes, classificação de documentos e recuperação de passagens para um modelo de chat responder. Ele não gera texto.

Devo usar o Mistral Embed ou o Codestral Embed?

Use o Mistral Embed para conteúdo em linguagem natural e o Codestral Embed para código-fonte e consultas relacionadas a código. Se o seu corpus misturar ambos, indexe cada parte com seu próprio modelo e mantenha os vetores em coleções separadas, já que vetores de modelos diferentes não são comparáveis.

Posso misturar vetores de diferentes modelos de embedding?

Não. Vetores só são comparáveis quando vêm do mesmo modelo. Se você mudar do Mistral Embed para outro modelo de embedding, re-vetorize todo o corpus e reconstrua o índice, incluindo quaisquer consultas armazenadas.

Como lidar com documentos longos?

Divida-os em passagens antes da vetorização, pois cada entrada tem um limite de tokens. Partes do tamanho de parágrafos ou seções com uma pequena sobreposição geralmente apresentam melhor recuperação do que documentos inteiros, e você pode armazenar o título do documento com cada parte.

Ele funciona através da solicitação de embeddings no estilo OpenAI?

Sim. Você envia uma lista de strings para o endpoint de embeddings e recebe um vetor por string, retornado na mesma ordem da entrada.

Quanto custa o Mistral Embed?

No TokenLab, Mistral Embed custa Entrada $0.10 / Saída $0.00 Por 1M Token. A tabela de preços acima mostra o detalhamento completo. As tarifas dependem da unidade de cobrança, da especificação e do uso. Compare condições iguais no preço detalhado do modelo; uma única tarifa não determina o custo total.

Qual endpoint o Mistral Embed deve usar?

Use https://api.tokenlab.sh/v1/embeddings para Mistral Embed. O exemplo de requisição abaixo mostra o formato de código correspondente.

Quais operações o Mistral Embed suporta?

Mistral Embed suporta Incorporação. Selecione uma operação acima para ver seu endpoint e exemplo de requisição.