Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Malli mistral-embed

Oppitunti 2 / 18 Päivitetty 2. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Yleiskatsaus malliin mistral-embed
  2. Asennus ja käyttöönotto
  3. Upotusten luominen
  4. API-vastauksen rakenne
  5. Täydellinen esimerkki: Koodaus ja tallennus
  6. Rajat ja parhaat käytännöt
  7. Keskeiset asiat

Yleiskatsaus malliin mistral-embed

mistral-embed on Mistral AI:n tekstiupotusmalli. Se muuntaa minkä tahansa tekstin 1024-ulotteiseksi vektoriksi syötteen pituudesta riippumatta – oli kyseessä sitten lyhyt lause tai kokonainen kappale, tuloksena olevan vektorin koko on aina sama. Tämä kiinteä ulottuvuus ei ole pieni yksityiskohta: sen ansiosta voit indeksoida sekä tuotteen nimen että sen täydellisen kuvauksen samaan vektoritilaan ja verrata niitä suoraan ilman erityistä käsittelyä eri muotojen yhteensovittamiseksi.

Tämä malli on optimoitu luonnollisen kielen semanttiseen hakuun, luokitteluun ja klusterointitehtäviin (artikkelit, asiakirjat, keskustelut ja paljon muuta). Käytä sitä tietokannan, usein kysyttyjen kysymysten (FAQ), kokouspuhtaaksikirjoitusten tai vuosikymmenen asiakastukipyyntöjen indeksointiin.

Asennus ja käyttöönotto

Ennen API-kutsujen tekemistä asenna Mistralin Python-SDK ja määritä API-avaimesi:

# Installation
# pip install mistralai

import os
from mistralai.client import Mistral

# Initialize the client
api_key = os.environ.get("MISTRAL_API_KEY")
client = Mistral(api_key=api_key)

Hanki API-avaimesi Mistralin konsolista. Tallenna se ympäristömuuttujaan pitääksesi sen poissa koodistasi. Lukeminen komennolla os.environ.get ei ole pelkkää teoreettista hygieniaa: se estää avaintasi päätymästä Git-historian tilannekuvaan sinä päivänä, kun projektisi julkaistaan.

Upotusten luominen

API-kutsu on suoraviivainen: syötä tekstilista ja hae vastaavat vektorit. Huomaa, että jopa yhden tekstin kohdalla syötteen on oltava lista – API toimii aina erissä, mikä kannattaa heti, kun aineistosi kasvaa.

from mistralai.client import Mistral

client = Mistral(api_key=api_key)

# Generate embeddings for one or more texts
response = client.embeddings.create(
    model="mistral-embed",
    inputs=[
        "Embeddings capture semantic meaning.",
        "Mistral AI offers high-performance models.",
        "RAG improves response quality."
    ],
)

# Access the vectors
for i, data in enumerate(response.data):
    print(f"Text {i+1}: vector of {len(data.embedding)} dimensions")
    print(f"  First elements: {data.embedding[:5]}")

Tyypillinen tuloste:

Text 1: vector of 1024 dimensions
  First elements: [0.0234, -0.1567, 0.0891, 0.0123, -0.0456]
Text 2: vector of 1024 dimensions
  First elements: [0.0189, -0.1234, 0.0678, 0.0345, -0.0567]
Text 3: vector of 1024 dimensions
  First elements: [0.0312, -0.1456, 0.0789, 0.0234, -0.0345]

API-vastauksen rakenne

Vastaus sisältää muutakin kuin pelkkiä vektoreita. Se kertoo myös, mitä mallia todella käytettiin ja kuinka monta tokenia kulutettiin – kaksi tietoa, jotka haluat kirjata ylös, kun koodaus ajetaan tuotannossa ja jonkun on selitettävä lasku. Kiinnitä erityistä huomiota kenttään index: se ilmoittaa tekstin sijainnin lähettämässäsi listassa, jolloin voit yhdistää jokaisen vektorin takaisin lähdeasiakirjaansa.

response = client.embeddings.create(
    model="mistral-embed",
    inputs=["Example text to encode."],
)

# Response object
print(response.model)          # "mistral-embed"
print(response.usage)          # tokens consumed

# Embedding data
embedding_data = response.data[0]
print(embedding_data.index)     # 0 (position in the inputs list)
print(len(embedding_data.embedding))  # 1024
print(type(embedding_data.embedding))  # list[float]

Täydellinen esimerkki: Koodaus ja tallennus

Tässä on tyypillinen putki asiakirja-aineiston koodaamiseen ja vektorien valmisteluun myöhempää hakua varten. Siirtyminen NumPyyn on kriittinen vaihe: vaikka vektorisi ovat Python-listoja, jokainen samankaltaisuuslaskenta tapahtuu alkio kerrallaan; kun olet rakentanut matriisin, yksi operaatio vertaa kyselyä koko aineistoon.

import numpy as np
from mistralai.client import Mistral

client = Mistral(api_key=api_key)

# Document corpus
documents = [
    "Mistral AI is a French artificial intelligence company.",
    "RAG combines information retrieval and text generation.",
    "Embeddings enable semantic search.",
    "Python is the most widely used language in data science.",
    "FAISS is a vector search library by Meta.",
]

# Encode all documents
response = client.embeddings.create(
    model="mistral-embed",
    inputs=documents,
)

# Convert to a NumPy matrix for calculations
embeddings_matrix = np.array([d.embedding for d in response.data])

print(f"Embeddings matrix: {embeddings_matrix.shape}")
# Embeddings matrix: (5, 1024)

# Save for later use
np.save("document_embeddings.npy", embeddings_matrix)

Tallentaminen muodossa .npy säästää maksuilta, joita syntyisi, jos aineisto koodattaisiin uudelleen joka kerta sovelluksen käynnistyessä. Useiden tuhansien asiakirjojen aineistossa tämä on ero välittömän käynnistyksen ja useiden minuuttien laskutettavien API-kutsujen välillä.

Rajat ja parhaat käytännöt

Neljä tekijää määrittävät tulostesi laadun. Ensinnäkin enimmäispituus: malli typistää liian pitkät tekstit, ja typistäminen on hiljaista – neljäkymmentä sivua pitävä raportti, joka koodataan yhtenä lohkona, edustaa tehokkaasti vain sen alkua. Suosi 512–2048 tokenin kokoisia palasia, joita käsitellään lohkomista käsittelevässä oppitunnissa.

Toiseksi, toisin kuin jotkin muut APIt, mistral-embed ei tee eroa query- ja document-tyyppien välillä: syöttötyyppiä ei ole, vaan syötät vain tekstin. Käytännössä käyttäjän kysymykset ja indeksoidut asiakirjat kulkevat saman kutsun läpi samoilla parametreilla, mikä yksinkertaistaa hakukoodiasi.

Kolmas kohta on kustannus: upotuksista veloitetaan tokenia kohden. Tuhannen asiakirjan koodaaminen yksi kerrallaan maksaa tokeneissa yhtä paljon kuin niiden koodaaminen erässä, mutta se moninkertaistaa verkkopyynnöt ja käsittelyajan; optimoit suorituksen tekemällä kutsuja erissä, mikä on seuraavan batching-oppitunnin aihe. Lopuksi determinismi toimii eduksesi: sama teksti tuottaa mallilta aina saman vektorin. Voit siksi välimuistaa upotukset tekstin hash-arvon perusteella ja koodata uudelleen vain ne osat, jotka ovat todella muuttuneet asiakirjan kahden version välillä.

Keskeiset asiat

  • mistral-embed tuottaa 1024-ulotteisia vektoreita mille tahansa tekstille
  • API hyväksyy syötelistan ja palauttaa vastaavat vektorit
  • Vektorit ovat liukulukulistoja, jotka on helppo muuntaa NumPy-taulukoiksi
  • Tallenna upotuksesi NumPy-matriisina samankaltaisuuslaskentoja varten
  • Muista pilkkoa pitkät tekstit ennen koodausta