Introduktion till inbäddningar
På denna sida
Uppdaterat 2 november 2026 — Modeller. Mistral Large 3 (
mistral-large-2512) och Mistral Medium 3.5 avvecklades den 31 oktober 2026 och tas bort helt den 30 april 2027. Deras utsedda efterträdare, Mistral Large 4 (mistral-large-4), har funnits tillgänglig i offentlig förhandsversion sedan den 6 oktober. Exemplen i denna kurs använder aliasetmistral-large-latest, som enligt den officiella specifikationen (verifierad 3 november 2026) fortfarande pekar på Mistral Large 3. På samma sätt pekarmistral-medium-latestpå Mistral Medium 3.5. Dessa alias förblir giltiga fram till den 30 april 2027. För nya projekt bör du testamistral-large-4, deras utsedda efterträdare.
Vad är en inbäddning?
En inbäddning (embedding) är en numerisk representation av text som en vektor i ett flerdimensionellt rum. Varje ord, mening eller dokument omvandlas till en lista med tal – en vektor – som fångar dess semantiska betydelse. Anledningen till denna omvandling är enkel: datorer förstår inte råtext; de arbetar med tal. Inbäddningar översätter mänskligt språk till ett format som algoritmer kan manipulera, jämföra och analysera.
Tänk dig ett kundsupportteam som arkiverar tio år av supportärenden. Så länge dessa ärenden finns som vanlig text är den enda mekaniska operation som är möjlig exakt nyckelordssökning: en sökning på “leverans” hittar aldrig “frakt”. När ärendena kodas som vektorer blir de dock jämförbara punkter i rummet. “Mitt paket har aldrig kommit fram” hamnar i samma kluster som “ordern inte mottagen”, trots att de inte delar några gemensamma ord.
Vektorer och semantiskt rum
Föreställ dig ett rum med många dimensioner (1 024 dimensioner för mistral-embed, till exempel). Varje text intar en exakt position i detta rum, och texter med liknande betydelse hamnar geometriskt nära varandra.
# En inbäddning är helt enkelt en lista med tal
embedding_example = [0.0234, -0.1567, 0.0891, 0.0456] # I verkligheten 1024 värden
# Två liknande meningar kommer att ha nära vektorer
sentence_1 = "The cat sleeps on the couch" # -> vektor A
sentence_2 = "The feline dozes on the sofa" # -> vektor B (nära A)
sentence_3 = "The stock market crashed yesterday" # -> vektor C (långt från A och B)
Detta är vad som gör inbäddningar så kraftfulla: geometrisk närhet speglar semantisk närhet. Modellen har aldrig lärt sig en regel som säger att “feline” är en synonym till “cat”. Istället har den lärt sig att placera dessa två ord i liknande sammanhang, vilket räcker för att föra vektorerna A och B närmare varandra medan C hålls åtskild.
Avstånd som ett mått på likhet
För att avgöra om två texter är lika mäter du avståndet mellan deras vektorer. Tre metoder dominerar området. Euklidiskt avstånd motsvarar den räta linjen mellan två punkter: ju kortare linjen är, desto mer lika är texterna. Cosinuslikhet mäter vinkeln mellan två vektorer; en vinkel på 0° (cosinus = 1) betyder att texterna är semantiskt identiska. Slutligen är skalärprodukt (dot product) snabb att beräkna, vilket förklarar varför den ofta används för rangordning.
Cosinuslikhet har blivit standard eftersom den ignorerar vektorns längd. Jämför en tre rader lång sammanfattning av ett kontrakt med det fullständiga fyrtiosidiga kontraktet. Det euklidiska avståndet straffar sammanfattningen trots att den behandlar exakt samma ämne, medan vinkeln mellan de två vektorerna förblir liten.
import numpy as np
def cosine_similarity(vec_a, vec_b):
"""Beräkna cosinuslikhet mellan två vektorer."""
dot_product = np.dot(vec_a, vec_b)
norm_a = np.linalg.norm(vec_a)
norm_b = np.linalg.norm(vec_b)
return dot_product / (norm_a * norm_b)
# Resultat mellan -1 och 1
# 1.0 = identiska, 0.0 = orelaterade, -1.0 = motsatser
Tillämpningar av inbäddningar
Inbäddningar ligger till grund för många moderna applikationer, och det är värt att se hur var och en ser ut i praktiken. Semantisk sökning hittar dokument baserat på betydelse snarare än exakta nyckelord: en intern procedurdatabas svarar på “vad ska jag göra om en kund vägrar ta emot leveransen” även om proceduren har titeln “hantering av returer på lagret”. RAG (Retrieval-Augmented Generation) tar denna logik ett steg längre genom att injicera hämtade dokument i en LLM:s prompt, vilket gör att den kan svara baserat på dina data snarare än sitt träningsminne.
Tre andra användningsområden utnyttjar samma geometri. Textklassificering kategoriserar automatiskt dokument genom att observera vilken känd grupp deras vektor ligger närmast – ett inkommande e-postmeddelande hamnar i “fakturering” eller “tekniskt” utan några manuellt skrivna regler. Detektering av dubbletter identifierar nästan identiskt innehåll i en databas, vilket förhindrar att du publicerar samma produktblad två gånger bara för att två team har skrivit det. Klustring grupperar dokument efter tema utan fördefinierade etiketter, en vanlig metod för att få struktur i ett korpus vars uppbyggnad ingen känner till. Slutligen föreslår rekommendationssystem liknande innehåll, precis som mekanismen för “relaterade artiklar” längst ner på en sida.
Varför Mistral för inbäddningar?
Mistral erbjuder två specialiserade inbäddningsmodeller. mistral-embed hanterar naturligt språk och producerar 1 024 dimensioner; codestral-embed är tränad på källkod och går upp till 3 072 dimensioner. Du väljer mellan dem baserat på karaktären hos ditt råmaterial: skriven dokumentation på ena sidan, .py- eller .ts-filer på den andra.
Dessa modeller är tillgängliga via ett enkelt API med ett utmärkt pris-prestanda-förhållande. I de följande lektionerna lär du dig hur du använder dem i praktiken.
Viktiga punkter
- En inbäddning omvandlar text till en flerdimensionell numerisk vektor
- Geometrisk närhet mellan vektorer speglar semantisk likhet
- Cosinuslikhet är den vanligaste metoden för att jämföra inbäddningar
- Mistral erbjuder två modeller: mistral-embed (text) och codestral-embed (kod)
- Inbäddningar är grunden för RAG, semantisk sökning och klustring