Modèles d'embeddings pour le RAG

Des modèles d'embeddings et leurs réglages conseillés pour le RAG et la recherche sémantique.

contextetech

Embeddings nomic-embed-text en local avec Ollama

nomic-embed-text pour un RAG 100 % local avec Ollama : 768 dimensions, textes…

768 dim. 001 j

contextetech

Embeddings multilingual-e5-large pour un RAG en français

multilingual-e5-large pour un RAG en français : 1024 dimensions, 512 tokens,…

1024 dim. 001 j

contextetech

Embeddings BGE-M3 pour un RAG sur de longs documents

BGE-M3 pour un RAG sur de longs documents : 1024 dimensions, jusqu'à 8192…

1024 dim. 001 j

Qu'est-ce qu'un modèle d'embeddings ?

Un modèle d'embeddings transforme un texte en une liste de nombres (un vecteur). Deux textes de sens proche donnent des vecteurs proches : c'est la base de la recherche sémantique et du RAG.

Guide : Embeddings →