BGE-M3 embeddings for RAG over long documents

BGE-M3 for RAG over long documents: 1024 dimensions, up to 8,192 tokens, 100+ languages, no prefix needed. MIT license.

Notes

No prefix needed for queries or passages.
Handles long inputs (8,192 tokens): chunks of about 1,000 words work well.
The model can also produce sparse vectors (keyword search) with the FlagEmbedding library.
Published by BAAI under the MIT license.

Coût estimé

Tokens d'entrée par appel : ≈ 225

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-long-documents

Type

Embeddings

Fichier

bge-m3-long-documents.embedding.json

Format

JSON (application/json)

Taille

629 octets

Encodage

UTF-8

Tokens estimés

≈ 175

Langue

Anglais

Licence

MIT

Usage commercial

Autorisé

Données personnelles

Aucune

Version

1.0

Publié le

2 octobre 2026 à 21:54

Mis à jour le

2 octobre 2026 à 21:54

Stockage

en base

Utilisations

0

J'aime

0

bge-m3-long-documents.embedding.json

{
  "format": "contextetech/embedding/v1",
  "id": "contextetech/bge-m3-long-documents",
  "description": "BGE-M3 for RAG over long documents: 1024 dimensions, up to 8,192 tokens, 100+ languages, no prefix needed. MIT license.",
  "tags": [
    "rag",
    "multilingual",
    "long-documents"
  ],
  "license": "MIT",
  "language": "en",
  "model": "BAAI/bge-m3",
  "dimensions": 1024,
  "maxTokens": 8192,
  "distance": "cosine",
  "languages": [
    "en",
    "es",
    "fr",
    "de",
    "it",
    "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