Mistral AI

Mistral AI 的嵌入模型是文本嵌入模型，旨在将文本输入转换为密集的数值向量，有效捕获文本的潜在含义。这些模型针对语义搜索、自然语言理解和上下文感知应用等任务进行了高度优化，使其适用于广泛的 AI 驱动解决方案。

Milvus 通过 MistralAIEmbeddingFunction 类与 Mistral AI 的嵌入模型集成。此类提供了使用 Mistral AI 嵌入模型对文档和查询进行编码的方法，并返回与 Milvus 索引兼容的密集向量嵌入。要使用此功能，请从 Mistral AI 获取 API 密钥。

要使用此功能，请安装必要的依赖项：

pip install --upgrade pymilvus
pip install "pymilvus[model]"

然后，实例化 MistralAIEmbeddingFunction：

from pymilvus.model.dense import MistralAIEmbeddingFunction

ef = MistralAIEmbeddingFunction(
    model_name="mistral-embed", # 默认为 `mistral-embed`
    api_key="MISTRAL_API_KEY" # 提供您的 Mistral AI API 密钥
)

参数：

• model_name (string)

  用于编码的 Mistral AI 嵌入模型名称。默认值为 mistral-embed。有关更多信息，请参考 Embeddings。

• api_key (string)

  访问 Mistral AI API 的 API 密钥。

要为文档创建嵌入向量，请使用 encode_documents() 方法：

docs = [
    "Artificial intelligence was founded as an academic discipline in 1956.",
    "Alan Turing was the first person to conduct substantial research in AI.",
    "Born in Maida Vale, London, Turing was raised in southern England.",
]

docs_embeddings = ef.encode_documents(docs)

# 打印嵌入向量
print("Embeddings:", docs_embeddings)
# 打印嵌入向量的维度和形状
print("Dim:", ef.dim, docs_embeddings[0].shape)

预期输出类似于以下内容：

Embeddings: [array([-0.06051636, 0.03207397, 0.04684448, ..., -0.01618958,
       0.02442932, -0.01302338]), array([-0.04675293, 0.06512451, 0.04290771, ..., -0.01454926,
       0.0014801 , 0.00686646]), array([-0.05978394, 0.08728027, 0.02217102, ..., -0.00681305,
       0.03634644, -0.01802063])]
Dim: 1024 (1024,)

要为查询创建嵌入向量，请使用 encode_queries() 方法：

queries = ["When was artificial intelligence founded",
           "Where was Alan Turing born?"]

query_embeddings = ef.encode_queries(queries)

print("Embeddings:", query_embeddings)
print("Dim", ef.dim, query_embeddings[0].shape)

预期输出类似于以下内容：

Embeddings: [array([-0.04916382, 0.04568481, 0.03594971, ..., -0.02653503,
       0.02804565, 0.00600815]), array([-0.05938721, 0.07098389, 0.01773071, ..., -0.01708984,
       0.03582764, 0.00366592])]
Dim 1024 (1024,)