Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Il-Mudell mistral-embed

Lezzjoni 2 / 18 Aġġornat 2 ta’ Novembru 2026 Zviluppatur
F'din il-paġna
  1. Ħarsa ġenerali lejn mistral-embed
  2. Setup u Installazzjoni
  3. Ġenerazzjoni ta’ Embeddings
  4. Struttura tar-Rispons tal-API
  5. Eżempju Sħiħ: Encode u Ħażna
  6. Limiti u L-Aħjar Prattiki
  7. Punti Ewlenin

Ħarsa ġenerali lejn mistral-embed

mistral-embed huwa l-mudell ta’ embedding tat-test ta’ Mistral AI. Dan jibdel kwalunkwe test f’vettur b’1024 dimensjoni, irrispettivament mit-tul tal-input—kemm jekk hija frażi qasira jew paragrafu sħiħ, il-vettur tal-output dejjem ikollu l-istess daqs. Din id-dimensjonalità fissa mhix dettall minuri: tippermettilek tindiċizza kemm it-titolu ta’ prodott kif ukoll id-deskrizzjoni sħiħa tiegħu fl-istess spazju vettorjali, imbagħad tqabbilhom direttament mingħajr ebda proċessar speċjali biex tirrikonċilja formati differenti.

Dan il-mudell huwa ottimizzat għal kompiti ta’ tiftix semantiku, klassifikazzjoni u clustering fuq test bil-lingwa naturali (artikli, dokumenti, konversazzjonijiet u aktar). Użah biex tindiċizza bażi tal-għarfien, FAQ, trascrizjonijiet ta’ laqgħat, jew għaxar snin ta’ biljetti tas-support.

Setup u Installazzjoni

Qabel ma ssejjaħ l-API, installa l-SDK ta’ Python ta’ Mistral u kkonfigura ċ-ċavetta tal-API tiegħek:

# 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)

Ikseb iċ-ċavetta tal-API tiegħek mill-konsoll ta’ Mistral. Aħżinha f’varjabbli tal-ambjent biex iżżommha ‘l bogħod mill-kodiċi tiegħek. Il-qari permezz ta’ os.environ.get mhix sempliċiment iġjene teoretika: dan jipprevjeni liċ-ċavetta tiegħek tispiċċa f’snapshot tal-istorja ta’ Git fil-jum li l-proġett tiegħek isir pubbliku.

Ġenerazzjoni ta’ Embeddings

Is-sejħa tal-API hija sempliċi: għaddi lista ta’ testi u rkupra l-vetturi korrispondenti. Innota li anke għal test wieħed, l-input irid ikun lista—l-API taħdem dejjem bil-batches, li jħallas l-ispejjeż hekk kif il-corpus tiegħek jikber.

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]}")

Output tipiku:

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]

Struttura tar-Rispons tal-API

Ir-rispons fih aktar minn sempliċiment vetturi. Jgħidlek ukoll liema mudell intuża attwalment u kemm-il token ġew ikkunsmati—żewġ biċċiet ta’ informazzjoni li trid tirreġistra darba li l-encoding ikun qed jaħdem fil-produzzjoni u xi ħadd ikollu bżonn jispjega l-kont. Agħti attenzjoni partikolari lill-qasam index: dan jindika l-pożizzjoni tat-test fil-lista li bgħatt, u jħallik timmappja kull vettur lura għad-dokument sors tiegħu.

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]

Eżempju Sħiħ: Encode u Ħażna

Hawnhekk hemm pipeline tipika biex tikkodifika corpus ta’ dokumenti u tħejji l-vetturi għat-tiftix futur. Il-bidla għal NumPy hija l-pass kritiku: filwaqt li l-vetturi tiegħek huma listi ta’ Python, kull kalkolu ta’ similitudni jsir element b’element; ladarba tibni matriċi, operazzjoni waħda tqabbel il-mistoqsija mal-corpus kollu.

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)

Il-ħażna bħala .npy tevita li tħallas biex terġa’ tagħmel encoding kull darba li l-applikazzjoni tiegħek terġa’ tibda. Fuq corpus ta’ diversi eluf ta’ dokumenti, din hija d-differenza bejn bidla istantanja u diversi minuti ta’ sejħiet tal-API bil-ħlas.

Limiti u L-Aħjar Prattiki

Erba’ fatturi jiddeterminaw il-kwalità tar-riżultati tiegħek. L-ewwel, it-tul massimu: il-mudell jaqta’ testi li huma twal wisq, u t-truncation hija silenzjuża—rapport ta’ erbgħin paġna kkodifikat f’blokk wieħed se jirrappreżenta effettivament biss il-bidu tiegħu. Ippreferixxi biċċiet (chunks) ta’ 512 sa 2048 token, koperti fil-lezzjoni dwar il-chunking.

It-tieni, kuntrarjament għal xi APIs oħra, mistral-embed ma jagħmilx distinzjoni bejn query u document: m’hemm l-ebda tip ta’ input, sempliċiment tgħaddi t-test. Fil-prattika, il-mistoqsijiet tal-utent u d-dokumenti indiċizzati jgħaddu mill-istess sejħa bl-istess parametri, u jissimplifikaw il-kodiċi tat-tiftix tiegħek.

It-tielet punt huwa l-kost: l-embeddings jiġu ffratturati għal kull token. L-encoding ta’ elf dokument wieħed wieħed jiswi l-istess f’termini ta’ tokens bħall-encoding tagħhom f’batch, iżda jimmultiplika l-vjaġġi round-trip tan-netwerk u l-ħin tal-ipproċessar; toptimizza billi tagħmel batching tas-sejħiet, li huwa s-suġġett tal-lezzjoni li jmiss dwar il-batching. Fl-aħħar nett, id-determiniżmu jaħdem favurek: għall-istess test, il-mudell dejjem jirritorna l-istess vettur. Għalhekk tista’ taħżen l-embeddings fil-cache bil-hash tat-test u terġa’ tagħmel encoding biss għal dak li nbidel attwalment bejn żewġ verżjonijiet ta’ dokument.

Punti Ewlenin

  • mistral-embed jipproduċi vetturi b’1024 dimensjoni għal kwalunkwe test
  • L-API taċċetta lista ta’ inputs u tirritorna l-vetturi korrispondenti
  • Il-vetturi huma listi ta’ floats, faċilment konvertibbli għal arrays ta’ NumPy
  • Aħżen l-embeddings tiegħek bħala matriċi ta’ NumPy għall-kalkoli tas-similitudni
  • Ftakar li taqsam testi twal qabel ma tagħmilhom encode