254 publication(s) · 353 utilisations
# 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.
| Modèle | BAAI/bge-m3 |
|---|---|
| Dimensions | 1024 |
| Tokens max | 8,2 k |
| Distance | cosine |
| Langues | fr, en, de, es, it, nl, pt, zh, ja |
| Taille des morceaux | 1000 |
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.
- Identifiant
- contextetech--bge-m3
- Fichier
- bge-m3.embedding.json
- Format
- JSON (application/json)
- Taille
- 567 octets
- Encodage
- UTF-8
- Tokens estimés
- ≈ 157
- Usage commercial
- Autorisé
- Données personnelles
- Aucune
- Version
- 1.0
- Publié le
- 1 octobre 2026 à 18:21
- Mis à jour le
- 16 octobre 2026 à 23:20
- Stockage
- en base
Statistiques
J'aime : 0 · Commentaires : 0
Cliquez sur un compteur pour l’afficher ou le masquer, survolez le graphique pour le détail. Une vue par visiteur et par jour, robots exclus ; décompte commencé le 30 septembre 2026.
Coût estimé
- Tokens d'entrée par appel
- ≈ 239
| Modèle | Par appel | Par mois |
|---|---|---|
| GPT-6 Luna · OpenAImeilleur prix | 0,00002 € | 0,02 € |
| DeepSeek Flash · DeepSeek | 0,00006 € | 0,06 € |
| Mistral Large · Mistral AI | 0,00011 € | 0,11 € |
| DeepSeek V4 Pro · DeepSeek | 0,00028 € | 0,28 € |
| GPT-6 Sol · OpenAI | 0,00042 € | 0,42 € |
| Claude Sonnet 5.5 · Anthropic | 0,00042 € | 0,42 € |
| Claude Opus 5.5 · Anthropic | 0,00084 € | 0,84 € |
| Modèle open source hébergé chez soi (Ollama, vLLM) | 0 € d'API (coût du serveur seulement) | |
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 13 octobre 2026. Estimation : 1 token ≈ 3,6 caractères.
Commun aux 3 régions
Sources sous licence compatible.
Sources : Modèle BAAI/bge-m3, licence MIT (fiche Hugging Face)
Usage commercial autorisé · citer l'auteur · modifications permises.
Texte ou données seuls : aucun accès aux fichiers, au réseau ni aux commandes.
Hébergé en France (Scaleway, Paris). Aucun transfert hors UE.
Union européenne · 5/5
Aucune donnée personnelle.
Pas de données d'entraînement : pas de résumé à fournir.
États-Unis · 5/5
Aucune donnée personnelle.
Pas de données d'entraînement : pas de documentation à publier.
Chine · 5/5
Aucune donnée personnelle.
Pas de données d'entraînement ; les contenus générés par IA diffusés en Chine doivent être marqués (2025).
Synthèse indicative au 30/09/2026, sans valeur de certification juridique. Méthode et sources →
Qualité du contenu
Le détail des critères est réservé aux membres.
Chaque critère, les points retirés et un conseil pour corriger.
MCP contexte
https://contextetech.com/mcp
charge 15gplqg
Ajoutez l'adresse comme connecteur dans les pages des applications d'IA, puis envoyez la demande ci-dessus.
API
import json, urllib.request url = "https://contextetech.com/api/resources/contextetech--bge-m3" fiche = json.load(urllib.request.urlopen(url)) print(fiche["title"] or fiche["name"])
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.",
"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
Communauté
Pas encore de commentaire. Partagez votre retour, il aidera les suivants.