Mistral: Mistral Embed

Mistral Embed là mô hình nhúng văn bản đa năng dùng cho tìm kiếm tương đồng ngữ nghĩa và truy xuất. Nó có thể hỗ trợ tìm kiếm tài liệu, phân cụm và tạo văn bản có bổ sung truy xuất trong trường hợp các ứng dụng cần một mô hình vector riêng biệt thay vì hoàn thiện hội thoại (chat completion).

So sánh mô hình

mistral-embed

Sẵn sàngMistralNhúngĐồng bộ

Đầu vào / Đầu ra: $0.10 / $0.00
Ngữ cảnh: 8K
Phương thức: Nhúng

Về Mistral Embed

Mistral Embed là mô hình nhúng văn bản đa năng của Mistral AI. Nó chuyển đổi các câu, đoạn văn và tài liệu thành các vectơ để phục vụ tìm kiếm ngữ nghĩa, phân cụm, phân loại và bước truy xuất trong quy trình tạo nội dung có tăng cường truy xuất (RAG). Đây là phiên bản chuyên về văn bản của Codestral Embed, một mô hình mà Mistral đã xây dựng dành riêng cho mã nguồn. Hãy chọn mô hình này khi tập dữ liệu của bạn là văn bản thông thường như bài viết trợ giúp, hợp đồng hoặc ghi chú, và bạn muốn sử dụng một mô hình vectơ riêng biệt thay vì gọi lệnh chat.

Ưu điểm

Phạm vi bao phủ văn bản chung, cho phép một mô hình có thể lập chỉ mục các bài viết trung tâm trợ giúp, báo cáo và bản ghi trò chuyện cùng nhau.
Phù hợp với bước truy xuất trong quy trình tạo nội dung có tăng cường truy xuất (RAG), nơi một câu hỏi được đối chiếu với các đoạn văn có khả năng trả lời câu hỏi đó cao nhất.
Hỗ trợ phân cụm và phân loại tài liệu từ cùng một vectơ mà không cần mô hình riêng cho từng tác vụ.
Là một phần trong dòng sản phẩm nhúng của Mistral, giúp mã nguồn và văn bản thông thường có thể được lập chỉ mục bằng hai mô hình từ cùng một nhà sản xuất.

Khi nào nên chọn model khác

Đối với việc truy xuất mã nguồn, Codestral Embed chuyên về mã của Mistral là mô hình được xây dựng cho tác vụ đó.
Nó chỉ trả về các vectơ; nó không thể trả lời câu hỏi hoặc tóm tắt các đoạn văn mà nó truy xuất.
Đầu vào bị giới hạn ở độ dài token khiêm tốn, vì vậy các tài liệu dài phải được chia thành các đoạn nhỏ trước khi nhúng.

Bắt đầu

Tạo API key
Tạo API key trong Console để dùng cho mọi mô hình trên nền tảng.

Gửi yêu cầu đầu tiên của bạn

Sao chép ví dụ cho ngôn ngữ của bạn và chạy nó với endpoint.

NhúngĐiểm cuối 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."
}'

Tham số

Nhúng

Tham số	Giá trị và giới hạn	Mặc định	Ghi chú
`encoding_format`	float, base64	Chưa cung cấp	Chưa cung cấp
`input`	Chưa cung cấp	Chưa cung cấp	Chưa cung cấp

Giá

Giá Verified áp dụng cho Verified, thường rẻ hơn trên hầu hết các model. Giá Official là giá niêm yết từ nhà phát triển, áp dụng cho route Official ổn định hơn. Auto sẽ tính phí dựa trên route hoàn thành yêu cầu.

Nhúng

mỗi 1M token

Giá Official: Đầu vào $0.10 / Đầu ra $0.00
Giá Verified: —
Giảm giá: —

	Giá Officialmỗi 1M token	Giá Verifiedmỗi 1M token	Giảm giá
Nhúng	Đầu vào $0.10 / Đầu ra $0.00	—	—

Sử dụng & hoạt động

Tỷ lệ thành công là tỷ lệ yêu cầu hoàn tất. Độ trễ là thời gian của một phản hồi đầy đủ; P95 nghĩa là 95% yêu cầu hoàn thành trong khoảng thời gian đó.

Mức sử dụng & tình trạng

24 giờ qua

Yêu cầu
Tỷ lệ thành công
Độ trễ P95
Tổng token

Hiệu năng mô hình

Cập nhật lần cuối 02:00 15 thg 11, 2026 UTC

Các chỉ số sẽ xuất hiện sau khi đạt ngưỡng về quyền riêng tư và khối lượng dữ liệu.

Dữ liệu dựa trên các yêu cầu tổng hợp của người dùng, không bao gồm các kiểm tra trạng thái.

Mở trong Console

Mở Mistral Embed trong Console để chỉnh sửa và gửi prompt ngay.

Giúp tôi thử mistral-embed với embedding tại /v1/embeddings. Hiển thị kết quả và chi phí.

Tình huống sử dụng

Tìm kiếm ngữ nghĩa cho trung tâm trợ giúp
Nhúng từng bài viết một lần, nhúng mỗi câu hỏi của khách truy cập tại thời điểm truy vấn và hiển thị các bài viết gần nhất ngay cả khi không có từ khóa trùng lặp.
Truy xuất để trả lời câu hỏi
Tìm nạp các đoạn văn hàng đầu từ tài liệu nội bộ và chuyển chúng đến một mô hình chat để câu trả lời của nó được dựa trên tài liệu của chính bạn.
Phân cụm chủ đề
Nhóm hàng ngàn phản hồi khảo sát hoặc phiếu hỗ trợ theo ý nghĩa để xem các chủ đề nào lặp lại mà không cần xác định trước các danh mục.
Phân loại tài liệu
Huấn luyện một bộ phân loại nhẹ trên các vectơ để gửi các tài liệu đến đúng nhóm hoặc nhãn phù hợp.

Ví dụ prompt

Làm thế nào để tôi thay đổi thông tin liên hệ thanh toán trên tài khoản của mình?

Báo cáo quý: tỷ lệ khách hàng rời bỏ tăng ở phân khúc thị trường tầm trung sau khi thay đổi giá vào tháng Ba.

Người giao hàng đã để bưu kiện sai địa chỉ và bộ phận hỗ trợ vẫn chưa phản hồi.

Mô hình này có giá theo điều kiện. Chỉ tổng token hàng tháng không thể tạo ước tính đáng tin cậy; hãy dùng bảng giá chi tiết theo thông số yêu cầu, bộ nhớ đệm và khung giờ áp dụng.

FAQ

Mistral Embed dùng để làm gì?

Chuyển đổi văn bản thành các vectơ mà bạn có thể so sánh. Các mục đích sử dụng điển hình là tìm kiếm ngữ nghĩa trên tài liệu, nhóm các văn bản tương tự, phân loại tài liệu và truy xuất các đoạn văn để mô hình chat trả lời dựa trên đó. Nó không tạo ra văn bản.

Tôi nên sử dụng Mistral Embed hay Codestral Embed?

Sử dụng Mistral Embed cho nội dung ngôn ngữ tự nhiên và Codestral Embed cho mã nguồn và các truy vấn liên quan đến mã. Nếu tập dữ liệu của bạn kết hợp cả hai, hãy lập chỉ mục từng phần bằng mô hình riêng của nó và giữ các vectơ trong các bộ sưu tập riêng biệt, vì các vectơ từ các mô hình khác nhau không thể so sánh được với nhau.

Tôi có thể trộn lẫn các vectơ từ các mô hình nhúng khác nhau không?

Không. Các vectơ chỉ có thể so sánh được khi chúng đến từ cùng một mô hình. Nếu bạn chuyển từ Mistral Embed sang một bộ nhúng khác, hãy nhúng lại toàn bộ tập dữ liệu và xây dựng lại chỉ mục, bao gồm cả các truy vấn đã lưu trữ.

Làm thế nào để tôi xử lý các tài liệu dài?

Hãy chia chúng thành các đoạn văn trước khi nhúng, vì mỗi đầu vào đều có giới hạn token. Các đoạn văn hoặc các phần có kích thước vừa phải với một chút chồng lấp thường cho kết quả truy xuất tốt hơn so với toàn bộ tài liệu, và bạn có thể lưu trữ tiêu đề tài liệu cùng với mỗi đoạn.

Nó có hoạt động thông qua yêu cầu nhúng kiểu OpenAI không?

Có. Bạn gửi một danh sách các chuỗi đến điểm cuối nhúng và nhận lại một vectơ cho mỗi chuỗi, được trả về theo cùng thứ tự với đầu vào.

Mistral Embed có giá bao nhiêu?

Trên TokenLab, Mistral Embed có giá Đầu vào $0.10 / Đầu ra $0.00 mỗi 1M token. Bảng giá phía trên cho thấy chi tiết đầy đủ. Giá phụ thuộc vào đơn vị tính phí, thông số và mức sử dụng. Hãy so sánh các điều kiện tương đương trong bảng giá chi tiết của mô hình; một mức giá đơn lẻ không quyết định tổng chi phí.

Mistral Embed nên dùng endpoint nào?

Dùng https://api.tokenlab.sh/v1/embeddings làm mặc định cho Mistral Embed. Nếu mô hình hỗ trợ định dạng native của nhà cung cấp, API workbench cũng hiển thị endpoint đó.

Mistral Embed hỗ trợ những thao tác nào?

Mistral Embed hỗ trợ Nhúng. Chọn một thao tác trong API workbench phía trên để xem endpoint và mã ví dụ tương ứng.