Embeddings multilingual-e5-large pour un RAG en français

multilingual-e5-large pour un RAG en français : 1024 dimensions, 512 tokens, préfixes query:/passage: obligatoires, distance cosinus. Licence MIT.

Notizen

Les préfixes « query: » et « passage: » sont obligatoires : sans eux, la recherche est nettement moins bonne.
512 tokens maximum par texte : découper les documents en morceaux d'environ 350 mots.
Normaliser les vecteurs et utiliser la distance cosinus.
Modèle publié par Microsoft (intfloat) sous licence MIT.

Geschätzte Kosten

Eingabe-Tokens pro Aufruf : ≈ 249

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--multilingual-e5-large

Typ

Embeddings

Datei

multilingual-e5-large.embedding.json

Format

JSON (application/json)

Größe

686 Bytes

Kodierung

UTF-8

Geschätzte Tokens

≈ 190

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

multilingual-e5-large.embedding.json

{
  "format": "contextetech/embedding/v1",
  "id": "contextetech/multilingual-e5-large",
  "description": "multilingual-e5-large pour un RAG en français : 1024 dimensions, 512 tokens, préfixes query:/passage: obligatoires, distance cosinus. Licence MIT.",
  "tags": [
    "rag",
    "multilingue",
    "recherche-semantique"
  ],
  "license": "MIT",
  "language": "fr",
  "model": "intfloat/multilingual-e5-large",
  "dimensions": 1024,
  "maxTokens": 512,
  "distance": "cosine",
  "languages": [
    "fr",
    "en",
    "de",
    "es",
    "it",
    "nl",
    "pt"
  ],
  "prefixes": {
    "query": "query: ",
    "passage": "passage: "
  },
  "chunkSize": 350,
  "benchmarks": []
}

Vektorisieren (Python)

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("intfloat/multilingual-e5-large")
q = model.encode(["query: deine Eingabe hier"], normalize_embeddings=True)
docs = model.encode(["passage: …"], normalize_embeddings=True)
print(q.shape)  # (1, 1024)
print(q @ docs.T)  # similarité