Embeddings multilingual-e5-large pour un RAG en français

multilingual-e5-large pour un RAG en français : 1024 dimensions, 512 tokens, préfixes query:/passage: obligatoires, distance cosinus. Licence MIT.

Notes

Les préfixes « query: » et « passage: » sont obligatoires : sans eux, la recherche est nettement moins bonne.
512 tokens maximum par texte : découper les documents en morceaux d'environ 350 mots.
Normaliser les vecteurs et utiliser la distance cosinus.
Modèle publié par Microsoft (intfloat) sous licence MIT.

Coût estimé

Tokens d'entrée par appel : ≈ 249

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--multilingual-e5-large

Type

Embeddings

Fichier

multilingual-e5-large.embedding.json

Format

JSON (application/json)

Taille

686 octets

Encodage

UTF-8

Tokens estimés

≈ 190

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

multilingual-e5-large.embedding.json

{
  "format": "contextetech/embedding/v1",
  "id": "contextetech/multilingual-e5-large",
  "description": "multilingual-e5-large pour un RAG en français : 1024 dimensions, 512 tokens, préfixes query:/passage: obligatoires, distance cosinus. Licence MIT.",
  "tags": [
    "rag",
    "multilingue",
    "recherche-semantique"
  ],
  "license": "MIT",
  "language": "fr",
  "model": "intfloat/multilingual-e5-large",
  "dimensions": 1024,
  "maxTokens": 512,
  "distance": "cosine",
  "languages": [
    "fr",
    "en",
    "de",
    "es",
    "it",
    "nl",
    "pt"
  ],
  "prefixes": {
    "query": "query: ",
    "passage": "passage: "
  },
  "chunkSize": 350,
  "benchmarks": []
}

Vectoriser (Python)

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("intfloat/multilingual-e5-large")
q = model.encode(["query: votre entrée ici"], normalize_embeddings=True)
docs = model.encode(["passage: …"], normalize_embeddings=True)
print(q.shape)  # (1, 1024)
print(q @ docs.T)  # similarité