Connexion Publier
contextetech/

Embeddings BGE-M3 pour un RAG sur de longs documents

v1
Contexte Tech

254 publication(s) · 353 utilisations

Source : huggingface.co/BAAI/bge-m3 ↗ Configuration Français Licence : MIT mis à jour il y a 3 jours
# Embeddings BGE-M3 pour un RAG sur de longs documents
code: 15gplqg | type: embedding | language: fr | licence: MIT | version: v1
description: BGE-M3 pour un RAG sur de longs documents : 1024 dimensions, jusqu'à 8192 tokens, plus de 100 langues, sans préfixe. Licence MIT.
page: https://contextetech.com/embeddings/bge-m3-15gplqg
mcp: connect https://contextetech.com/mcp then call load_resource with code "15gplqg" (or ask "load 15gplqg")
json: https://contextetech.com/api/resources/contextetech--bge-m3
python: pip install contexte && contexte get 15gplqg
source: https://huggingface.co/BAAI/bge-m3
citation (required by the licence): contextetech. (2026). Embeddings BGE-M3 pour un RAG sur de longs documents (Version 1) [Embeddings]. Contexte Tech. https://contextetech.com/embeddings/bge-m3-15gplqg. Source des données : https://huggingface.co/BAAI/bge-m3

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

ModèleBAAI/bge-m3
Dimensions1024
Tokens max8,2 k
Distancecosine
Languesfr, en, de, es, it, nl, pt, zh, ja
Taille des morceaux1000

Notes

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.

Communauté

Pas encore de commentaire. Partagez votre retour, il aidera les suivants.