254 Veröffentlichung(en) · 320 Nutzungen
# Embeddings multilingual-e5-large für ein deutsches RAG code: v4hu8h | type: embedding | language: de | licence: MIT | version: v1 description: multilingual-e5-large für ein RAG auf Deutsch: 1024 Dimensionen, 512 Tokens, Präfixe query:/passage: erforderlich, Kosinus-Distanz. MIT-Lizenz. page: https://contextetech.com/de/embeddings/multilingual-e5-large-rag-deutsch-v4hu8h mcp: connect https://contextetech.com/mcp then call load_resource with code "v4hu8h" (or ask "load v4hu8h") json: https://contextetech.com/api/resources/contextetech--multilingual-e5-large-rag-deutsch python: pip install contexte && contexte get v4hu8h source: https://huggingface.co/intfloat/multilingual-e5-large citation (required by the licence): contextetech. (2026). Embeddings multilingual-e5-large für ein deutsches RAG (Version 1) [Embeddings]. Contexte Tech. https://contextetech.com/de/embeddings/multilingual-e5-large-rag-deutsch-v4hu8h. Datenquelle: https://huggingface.co/intfloat/multilingual-e5-large
multilingual-e5-large für ein RAG auf Deutsch: 1024 Dimensionen, 512 Tokens, Präfixe query:/passage: erforderlich, Kosinus-Distanz. MIT-Lizenz.
| Modell | intfloat/multilingual-e5-large |
|---|---|
| Dimensionen | 1024 |
| Max. Tokens | 512 |
| Distanz | cosine |
| Sprachen | de, en, fr, es, it, nl |
| Präfixe | query: / passage: |
| Chunk-Größe | 350 |
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.
- Kennung
- contextetech--multilingual-e5-large-rag-deutsch
- Datei
- multilingual-e5-large-rag-deutsch.embedding.json
- Format
- JSON (application/json)
- Größe
- 611 Bytes
- Kodierung
- UTF-8
- Geschätzte Tokens
- ≈ 169
- Kommerzielle Nutzung
- Erlaubt
- Personenbezogene Daten
- Keine
- Version
- 1.0
- Veröffentlicht am
- 3. Oktober 2026 um 05:20
- Aktualisiert am
- 16. Oktober 2026 um 23:19
- Speicherung
- in der Datenbank
Statistiken
Gefällt mir : 0 · Kommentare : 0
Klicken Sie auf einen Zähler, um ihn ein- oder auszublenden; fahren Sie über das Diagramm für Details. Ein Aufruf pro Besucher und Tag, ohne Bots; Zählung seit dem 30. September 2026.
Geschätzte Kosten
- Eingabe-Tokens pro Aufruf
- ≈ 249
| Modell | Pro Aufruf | Pro Monat |
|---|---|---|
| GPT-6 Luna · OpenAIbester Preis | 0,00002 € | 0,02 € |
| DeepSeek Flash · DeepSeek | 0,00007 € | 0,07 € |
| Mistral Large · Mistral AI | 0,00011 € | 0,11 € |
| DeepSeek V4 Pro · DeepSeek | 0,00029 € | 0,29 € |
| GPT-6 Sol · OpenAI | 0,00044 € | 0,44 € |
| Claude Sonnet 5.5 · Anthropic | 0,00044 € | 0,44 € |
| Claude Opus 5.5 · Anthropic | 0,00088 € | 0,88 € |
| Selbst gehostetes Open-Source-Modell (Ollama, vLLM) | 0 € API-Kosten (nur Serverkosten) | |
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 13. Oktober 2026. Schätzung: 1 Token ≈ 3,6 Zeichen.
Gemeinsam für alle 3 Regionen
Quellen unter kompatibler Lizenz.
Quellen: Modell intfloat/multilingual-e5-large, MIT-Lizenz (Hugging-Face-Modellkarte)
Kommerzielle Nutzung erlaubt · Autor nennen · Änderungen erlaubt.
Nur Text oder Daten: kein Zugriff auf Dateien, Netzwerk oder Befehle.
Gehostet in Frankreich (Scaleway, Paris). Keine Übermittlung außerhalb der EU.
Europäische Union · 5/5
Keine personenbezogenen Daten.
Keine Trainingsdaten: keine Zusammenfassung erforderlich.
Vereinigte Staaten · 5/5
Keine personenbezogenen Daten.
Keine Trainingsdaten: keine Dokumentation zu veröffentlichen.
China · 5/5
Keine personenbezogenen Daten.
Keine Trainingsdaten; in China verbreitete KI-generierte Inhalte sind zu kennzeichnen (2025).
Unverbindliche Übersicht, Stand 30/09/2026, keine rechtliche Zertifizierung. Methode und Quellen →
Qualität des Inhalts
Die Kriterien im Detail sind Mitgliedern vorbehalten.
Jedes Kriterium, die abgezogenen Punkte und ein Tipp zur Korrektur.
MCP contexte
https://contextetech.com/mcp
lade v4hu8h
Die Adresse in den Einstellungen deiner KI-Apps als Connector hinzufügen und dann die Anfrage oben senden.
API
import json, urllib.request url = "https://contextetech.com/api/resources/contextetech--multilingual-e5-large-rag-deutsch" fiche = json.load(urllib.request.urlopen(url)) print(fiche["title"] or fiche["name"])
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.",
"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
Community
Noch keine Kommentare. Teile deine Erfahrung, sie hilft den Nächsten.