Embeddings BGE-M3 pour un RAG sur de longs documents

BGE-M3 pour un RAG sur de longs documents : 1024 dimensions, jusqu'à 8192 tokens, plus de 100 langues, sans préfixe. Licence MIT.

Notizen

Pas de préfixe à ajouter devant les questions ni les passages.
Accepte des textes longs (8192 tokens) : on peut découper en gros morceaux (environ 1000 mots).
Le modèle sait aussi produire des vecteurs creux (recherche par mots-clés) avec la bibliothèque FlagEmbedding.
Modèle publié par BAAI sous licence MIT.

Geschätzte Kosten

Eingabe-Tokens pro Aufruf : ≈ 239

Nur Eingabekosten, ohne die Antwort des Modells. Öffentliche Standardpreise der Anbieter (Mistral AI, DeepSeek, OpenAI, Anthropic) von USD in Euro umgerechnet zum EZB-Kurs vom 29. September 2026. Schätzung: 1 Token ≈ 3,6 Zeichen.

Kennung

contextetech--bge-m3

Typ

Embeddings

Datei

bge-m3.embedding.json

Format

JSON (application/json)

Größe

636 Bytes

Kodierung

UTF-8

Geschätzte Tokens

≈ 176

Sprache

Französisch

Lizenz

MIT

Kommerzielle Nutzung

Erlaubt

Personenbezogene Daten

Keine

Version

1.0

Veröffentlicht am

1. Oktober 2026 um 18:21

Aktualisiert am

1. Oktober 2026 um 18:21

Speicherung

in der Datenbank

Nutzungen

0

Gefällt mir

0

bge-m3.embedding.json

{
  "format": "contextetech/embedding/v1",
  "id": "contextetech/bge-m3",
  "description": "BGE-M3 pour un RAG sur de longs documents : 1024 dimensions, jusqu'à 8192 tokens, plus de 100 langues, sans préfixe. Licence MIT.",
  "tags": [
    "rag",
    "multilingue",
    "longs-documents"
  ],
  "license": "MIT",
  "language": "fr",
  "model": "BAAI/bge-m3",
  "dimensions": 1024,
  "maxTokens": 8192,
  "distance": "cosine",
  "languages": [
    "fr",
    "en",
    "de",
    "es",
    "it",
    "nl",
    "pt",
    "zh",
    "ja"
  ],
  "prefixes": {
    "query": "",
    "passage": ""
  },
  "chunkSize": 1000,
  "benchmarks": []
}

Vektorisieren (Python)

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("BAAI/bge-m3")
q = model.encode(["deine Eingabe hier"], normalize_embeddings=True)
docs = model.encode(["…"], normalize_embeddings=True)
print(q.shape)  # (1, 1024)
print(q @ docs.T)  # similarité