Mistral: Mistral Embed

Mistral Embed, anlamsal benzerlik ve erişim için genel amaçlı bir metin yerleştirme modelidir. Uygulamaların sohbet tamamlama yerine ayrı bir vektör modeline ihtiyaç duyduğu belge arama, kümeleme ve erişim destekli üretim süreçlerini destekleyebilir.

Modelleri karşılaştır

mistral-embed

MevcutMistralVektörleştirmeSenkron

Girdi / Çıktı: $0.10 / $0.00
Bağlam: 8K
Modlar: Vektörleştirme

Mistral Embed hakkında

Mistral Embed, Mistral AI'nin genel amaçlı metin gömme (embedding) modelidir. Cümleleri, paragrafları ve belgeleri; anlamsal arama, kümeleme, sınıflandırma ve 'retrieval-augmented generation' (RAG) sürecindeki getirme adımı için vektörlere dönüştürür. Bu model, Mistral'in kaynak kodlar için geliştirdiği Codestral Embed'in metin odaklı kardeşidir. Külliyatınız yardım makaleleri, sözleşmeler veya notlar gibi düz metinlerden oluşuyorsa ve bir sohbet çağrısı yerine ayrı bir vektör modeli kullanmak istiyorsanız bu modeli tercih edin.

Güçlü yönleri

Genel metin kapsamı sayesinde tek bir model; yardım merkezi makalelerini, raporları ve sohbet dökümlerini birlikte indeksleyebilir.
Bir sorunun, onu yanıtlaması en muhtemel pasajlarla eşleştirildiği 'retrieval-augmented generation' (RAG) sürecindeki getirme adımına uygundur.
Görev başına ayrı bir modele ihtiyaç duymadan, aynı vektörler üzerinden kümeleme ve belge sınıflandırmayı destekler.
Mistral'in gömme serisinin bir parçasıdır; böylece kod ve düz metin, aynı üreticinin iki farklı modeliyle indekslenebilir.

Alternatif aramanız gereken durumlar

Kaynak kod getirme işlemleri için Mistral'in bu görev özelinde oluşturduğu Codestral Embed modeli kullanılır.
Yalnızca vektör döndürür; soruları yanıtlayamaz veya getirdiği pasajları özetleyemez.
Girdiler mütevazı bir token uzunluğu ile sınırlandırılmıştır, bu nedenle uzun belgelerin gömme işleminden önce parçalara ayrılması gerekir.

Başlarken

API anahtarı oluştur
Console'da bir anahtar oluşturun, platformdaki tüm modellerle kullanın.

İlk isteğinizi gönderin

Diliniz için olan örneği kopyalayın ve uç noktada çalıştırın.

VektörleştirmeTokenLab uç noktası

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."
}'

Parametreler

Vektörleştirme

Parametre	Değerler ve sınırlar	Varsayılan	Notlar
`encoding_format`	float, base64	Belirtilmemiş	Belirtilmemiş
`input`	Belirtilmemiş	Belirtilmemiş	Belirtilmemiş

Fiyatlandırma

Verified fiyatı Verified için geçerlidir ve çoğu modelde daha düşüktür. Official fiyatı, model üreticisinin yayınladığı fiyattır ve daha güvenilir Official rotası için geçerlidir. Auto, isteği tamamlayan rotanın fiyatını uygular.

Vektörleştirme

1M token başına

Official fiyatı: Girdi $0.10 / Çıktı $0.00
Verified fiyatı: —
İndirim: —

	Official fiyatı1M token başına	Verified fiyatı1M token başına	İndirim
Vektörleştirme	Girdi $0.10 / Çıktı $0.00	—	—

Kullanım ve etkinlik

Başarı oranı, tamamlanan isteklerin payıdır. Gecikme, tam bir yanıtın ne kadar sürdüğüdür; P95, isteklerin %95’inin bu süre içinde tamamlandığı anlamına gelir.

Kullanım ve kullanılabilirlik

Son 24 saat

İstekler
Başarı oranı
P95 gecikmesi
Toplam token

Model performansı

Son güncelleme: 15 Kas 2026 02:00 UTC

Metrikler, gizlilik ve veri hacmi eşikleri karşılandığında görünür.

Veriler, durum kontrolleri hariç tutularak toplu kullanıcı isteklerine dayanmaktadır.

Console'da aç

Mistral Embed modelini Console'da açın, istemi düzenlemek veya göndermek için hazır hale getirin.

mistral-embed ile /v1/embeddings üzerinden embedding işlemini dene. Sonucu ve maliyeti göster.

Kullanım senaryoları

Yardım merkezi anlamsal araması
Her makaleyi bir kez gömün, ziyaretçi sorularını sorgu anında gömün ve hiçbir anahtar kelime örtüşmese bile en yakın makaleleri gösterin.
Soru yanıtlama için getirme (retrieval)
Dahili belgelerden en alakalı pasajları getirin ve bunları bir sohbet modeline ileterek yanıtın kendi materyallerinize dayandırılmasını sağlayın.
Konu kümeleme
Binlerce anket yanıtını veya destek biletini, önceden kategoriler tanımlamanıza gerek kalmadan anlamlarına göre gruplandırarak hangi temaların tekrar ettiğini görün.
Belge sınıflandırma
Gelen belgeleri doğru ekibe veya etikete yönlendirmek için vektörler üzerinde hafif bir sınıflandırıcı eğitin.

Prompt örnekleri

Hesabımdaki fatura iletişim bilgilerini nasıl değiştirebilirim?

Üç aylık rapor: Mart ayındaki fiyatlandırma değişikliğinden sonra orta ölçekli segmentte müşteri kaybı arttı.

Teslimat sürücüsü paketi yanlış adrese bıraktı ve destek ekibi henüz yanıt vermedi.

Bu model koşullu fiyatlandırmaya sahiptir. Yalnızca aylık token toplamları güvenilir bir tahmin üretmez; istek özellikleri, önbellek ve geçerli zaman penceresi için ayrıntılı fiyatlandırmayı kullanın.

FAQ

Mistral Embed ne işe yarar?

Metni, karşılaştırabileceğiniz vektörlere dönüştürür. Tipik kullanım alanları; belgeler üzerinde anlamsal arama, benzer metinleri gruplandırma, belgeleri sınıflandırma ve bir sohbet modelinin yanıtlaması için pasajlar getirmedir. Metin üretmez.

Mistral Embed mi yoksa Codestral Embed mi kullanmalıyım?

Doğal dil içerikleri için Mistral Embed'i, kaynak kod ve kodla ilgili sorgular için Codestral Embed'i kullanın. Külliyatınız her ikisini de içeriyorsa, her bölümü kendi modeliyle indeksleyin ve vektörleri ayrı koleksiyonlarda tutun; çünkü farklı modellerden gelen vektörler birbiriyle karşılaştırılamaz.

Farklı gömme modellerinden gelen vektörleri karıştırabilir miyim?

Hayır. Vektörler yalnızca aynı modelden geldiklerinde karşılaştırılabilir. Mistral Embed'den başka bir gömücüye geçerseniz, tüm külliyatı yeniden gömün ve saklanan sorgular dahil olmak üzere indeksi yeniden oluşturun.

Uzun belgeleri nasıl yönetirim?

Gömme işleminden önce bunları pasajlara bölün, çünkü her girdinin bir token sınırı vardır. Paragraf veya bölüm boyutundaki parçalar, küçük bir örtüşme ile genellikle tüm belgelerden daha iyi sonuç verir; ayrıca her parçayla birlikte belge başlığını da saklayabilirsiniz.

OpenAI tarzı embeddings isteği ile çalışıyor mu?

Evet. Embeddings uç noktasına bir dizi metin gönderir ve girdiyle aynı sırada, her metin için bir vektör alırsınız.

Mistral Embed ne kadara mal olur?

TokenLab üzerinde Mistral Embed Girdi $0.10 / Çıktı $0.00 1M token başına'dır. Tam dökümü yukarıdaki fiyat tablosunda bulabilirsiniz. Ücretler faturalandırma birimine, özelliklere ve kullanıma göre değişir. Modelin ayrıntılı fiyatlandırmasında eşleşen koşulları karşılaştırın; tek bir ücret toplam maliyeti belirlemez.

Mistral Embed hangi endpoint'i kullanmalı?

Mistral Embed için varsayılan olarak https://api.tokenlab.sh/v1/embeddings kullanın. Sağlayıcıya özgü yerel format destekleniyorsa API workbench bu endpoint'i de gösterir.

Mistral Embed hangi operasyonları destekler?

Mistral Embed Vektörleştirme destekler. Yukarıdaki API workbench'te bir operasyon seçerek ilgili endpoint ve kod örneğini görebilirsiniz.