Embeddings multilingual-e5-large für ein deutsches RAG

multilingual-e5-large für ein RAG auf Deutsch: 1024 Dimensionen, 512 Tokens, Präfixe query:/passage: erforderlich, Kosinus-Distanz. MIT-Lizenz.

Notizen

Die Präfixe „query: “ und „passage: “ sind Pflicht: ohne sie wird die Suche deutlich schlechter.
Höchstens 512 Tokens pro Text: Dokumente in Abschnitte von etwa 350 Wörtern teilen.
Vektoren normalisieren und Kosinus-Distanz verwenden.
Von Microsoft (intfloat) unter MIT-Lizenz veröffentlicht.

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-rag-deutsch

Typ

Embeddings

Datei

multilingual-e5-large-rag-deutsch.embedding.json

Format

JSON (application/json)

Größe

683 Bytes

Kodierung

UTF-8

Geschätzte Tokens

≈ 189

Sprache

Deutsch

Lizenz

MIT

Kommerzielle Nutzung

Erlaubt

Personenbezogene Daten

Keine

Version

1.0

Veröffentlicht am

3. Oktober 2026 um 05:20

Aktualisiert am

3. Oktober 2026 um 05:20

Speicherung

in der Datenbank

Nutzungen

0

Gefällt mir

0

multilingual-e5-large-rag-deutsch.embedding.json

{
  "format": "contextetech/embedding/v1",
  "id": "contextetech/multilingual-e5-large-rag-deutsch",
  "description": "multilingual-e5-large für ein RAG auf Deutsch: 1024 Dimensionen, 512 Tokens, Präfixe query:/passage: erforderlich, Kosinus-Distanz. MIT-Lizenz.",
  "tags": [
    "rag",
    "mehrsprachig",
    "semantische-suche"
  ],
  "license": "MIT",
  "language": "de",
  "model": "intfloat/multilingual-e5-large",
  "dimensions": 1024,
  "maxTokens": 512,
  "distance": "cosine",
  "languages": [
    "de",
    "en",
    "fr",
    "es",
    "it",
    "nl"
  ],
  "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