Mistral: Mistral Embed
mistral-embed- 輸入 / 輸出
- $0.10 / $0.00
- 上下文
- 8K
- 模態
- 嵌入
關於 Mistral Embed
Mistral Embed 是 Mistral AI 的通用文字嵌入模型。它將句子、段落和文件轉換為向量，用於語意搜尋、分群、分類以及檢索增強生成（RAG）中的檢索步驟。它是 Codestral Embed 的文字導向姊妹模型，後者是 Mistral 專為原始碼構建的。當您的語料庫為散文（如說明文章、合約或筆記），且您需要一個獨立的向量模型而非聊天呼叫時，請選擇此模型。
適用場景
- 具備通用文字覆蓋能力，因此單一模型即可同時索引說明中心文章、報告和聊天記錄。
- 適用於檢索增強生成（RAG）的檢索步驟，將問題與最可能回答該問題的段落進行匹配。
- 支援從相同的向量進行分群和文件分類，無需為每個任務使用獨立模型。
- 屬於 Mistral 嵌入系列的一部分，因此可以使用來自同一製造商的兩個模型來索引程式碼和散文。
其他選擇建議
- 若需進行原始碼檢索，Mistral 專為該任務構建了程式碼專用的 Codestral Embed 模型。
- 它僅返回向量；無法回答問題或總結其檢索到的段落。
- 輸入長度有適度的 Token 限制，因此長文件在嵌入前必須先分割成區塊。
入門指南
建立 API 金鑰
請至 Console 建立金鑰，即可在平台上使用各類模型。
發送您的第一個請求
複製您所選語言的範例，並針對端點執行它。
嵌入TokenLab 端點POST/v1/embeddingscurl -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." }'
參數設定
嵌入
| 參數 | 可選值與限制 | 預設值 | 說明 |
|---|---|---|---|
encoding_format | float, base64 | 未提供 | 未提供 |
input | 未提供 | 未提供 | 未提供 |
定價
Verified 價格用於 Verified，多數模型更便宜；Official 價格是模型廠商公布的價格，用於更穩定的 Official。Auto 按最終完成請求的線路計價。
嵌入
每 1M Token- Official 價格
- 輸入 $0.10 / 輸出 $0.00
- Verified 價格
- —
- 折扣
- —
| Official 價格每 1M Token | Verified 價格每 1M Token | 折扣 | |
|---|---|---|---|
| 嵌入 | 輸入 $0.10 / 輸出 $0.00 | — | — |
使用量與活動
成功率是請求完成的比例；延遲是一次完整回應所需的時間，P95 表示 95% 的請求在該時間內完成。
用量與可用性
過去 24 小時- 請求數
- 成功率
- P95 延遲
- 總 Token 用量
資料基於彙總的使用者請求，不包含狀態檢查。
直接在 Console 裡試
在 Console 中開啟 Mistral Embed，並準備好編輯或發送提示詞。
協助我使用 mistral-embed 透過 /v1/embeddings 執行 embedding，並顯示結果與成本。
應用情境
說明中心語意搜尋
將每篇文章嵌入一次，在查詢時嵌入每個訪客的問題，即使沒有關鍵字重疊，也能顯示最相關的文章。
問答檢索
從內部文件中提取頂層段落並傳遞給聊天模型，使其回答能基於您自己的資料。
主題分群
按意義將數千條調查回覆或工單分組，以查看哪些主題重複出現，無需預先定義類別。
文件分類
在向量上訓練一個輕量級分類器，將傳入的文件發送給正確的團隊或標籤。
提示詞範例
我該如何更改帳戶的帳單聯絡人？
季度報告：在三月份調整定價後，中階市場的流失率有所上升。
快遞員將包裹放在了錯誤的地址，且客服尚未回覆。
此模型按條件計價，僅憑每月 token 總量無法可靠估算；請按請求規格、快取和適用時段查看詳細定價。
FAQ
Mistral Embed 的用途是什麼？
將文字轉換為可供比較的向量。典型用途包括文件語意搜尋、相似文字分組、文件分類，以及為聊天模型檢索回答用的段落。它不會生成文字。
我應該使用 Mistral Embed 還是 Codestral Embed？
自然語言內容請使用 Mistral Embed，原始碼及程式碼相關查詢請使用 Codestral Embed。如果您的語料庫兩者皆有，請分別使用各自的模型進行索引，並將向量存放在不同的集合中，因為來自不同模型的向量無法比較。
我可以混合使用來自不同嵌入模型的向量嗎？
不行。向量只有在來自同一個模型時才能進行比較。如果您從 Mistral Embed 切換到另一個嵌入器，請重新嵌入整個語料庫並重建索引，包括所有已儲存的查詢。
我該如何處理長文件？
在嵌入前將其分割成段落，因為每個輸入都有 Token 限制。段落或章節大小的區塊（帶有少量重疊）通常比整份文件檢索效果更好，且您可以將文件標題與每個區塊一起儲存。
它是否支援 OpenAI 風格的嵌入請求？
是的。您可以將字串列表發送到嵌入端點，並按輸入順序接收每個字串對應的一個向量。
Mistral Embed 的費用是多少？
在 TokenLab 上，Mistral Embed 價格為 輸入 $0.10 / 輸出 $0.00 每 1M Token。完整明細見上方價格表。 價格因計費單位、規格和用量而異。請在模型的詳細定價中比較相同條件下的費率；單一費率不代表總價。
Mistral Embed 應該使用哪一個端點？
請使用 https://api.tokenlab.sh/v1/embeddings 進行 Mistral Embed 的呼叫。下方的請求範例展示了對應的程式碼格式。
Mistral Embed 支援哪些操作？
Mistral Embed 支援 嵌入。請在上方選擇一項操作以查看其端點與請求範例。
比較 Mistral Embed
來源
更新於 2026年10月2日
