Embeddings BGE-M3 pour un RAG sur de longs documents

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

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.

Coût estimé

Tokens d'entrée par appel : ≈ 239

Coût d'entrée seulement, sans la réponse du modèle. Prix publics des fournisseurs (Mistral AI, DeepSeek, OpenAI, Anthropic), tarif standard en dollars converti en euros au taux BCE du 29 septembre 2026. Estimation : 1 token ≈ 3,6 caractères.

Identifiant

contextetech--bge-m3

Type

Embeddings

Fichier

bge-m3.embedding.json

Format

JSON (application/json)

Taille

636 octets

Encodage

UTF-8

Tokens estimés

≈ 176

Langue

Français

Licence

MIT

Usage commercial

Autorisé

Données personnelles

Aucune

Version

1.0

Publié le

1 octobre 2026 à 18:21

Mis à jour le

1 octobre 2026 à 18:21

Stockage

en base

Utilisations

0

J'aime

0

bge-m3.embedding.json

{
  "format": "contextetech/embedding/v1",
  "id": "contextetech/bge-m3",
  "description": "BGE-M3 pour un RAG sur de longs documents : 1024 dimensions, jusqu'à 8192 tokens, plus de 100 langues, sans préfixe. Licence MIT.",
  "tags": [
    "rag",
    "multilingue",
    "longs-documents"
  ],
  "license": "MIT",
  "language": "fr",
  "model": "BAAI/bge-m3",
  "dimensions": 1024,
  "maxTokens": 8192,
  "distance": "cosine",
  "languages": [
    "fr",
    "en",
    "de",
    "es",
    "it",
    "nl",
    "pt",
    "zh",
    "ja"
  ],
  "prefixes": {
    "query": "",
    "passage": ""
  },
  "chunkSize": 1000,
  "benchmarks": []
}

Vectoriser (Python)

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("BAAI/bge-m3")
q = model.encode(["votre entrée ici"], normalize_embeddings=True)
docs = model.encode(["…"], normalize_embeddings=True)
print(q.shape)  # (1, 1024)
print(q @ docs.T)  # similarité