254 publication(s) · 353 utilisations
# Embeddings multilingual-e5-large pour un RAG en français code: 1n1y7kf | type: embedding | language: fr | licence: MIT | version: v1 description: multilingual-e5-large pour un RAG en français : 1024 dimensions, 512 tokens, préfixes query:/passage: obligatoires, distance cosinus. Licence MIT. page: https://contextetech.com/embeddings/multilingual-e5-large-1n1y7kf mcp: connect https://contextetech.com/mcp then call load_resource with code "1n1y7kf" (or ask "load 1n1y7kf") json: https://contextetech.com/api/resources/contextetech--multilingual-e5-large python: pip install contexte && contexte get 1n1y7kf source: https://huggingface.co/intfloat/multilingual-e5-large citation (required by the licence): contextetech. (2026). Embeddings multilingual-e5-large pour un RAG en français (Version 1) [Embeddings]. Contexte Tech. https://contextetech.com/embeddings/multilingual-e5-large-1n1y7kf. Source des données : https://huggingface.co/intfloat/multilingual-e5-large
multilingual-e5-large pour un RAG en français : 1024 dimensions, 512 tokens, préfixes query:/passage: obligatoires, distance cosinus. Licence MIT.
| Modèle | intfloat/multilingual-e5-large |
|---|---|
| Dimensions | 1024 |
| Tokens max | 512 |
| Distance | cosine |
| Langues | fr, en, de, es, it, nl, pt |
| Préfixes | query: / passage: |
| Taille des morceaux | 350 |
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.
- Identifiant
- contextetech--multilingual-e5-large
- Fichier
- multilingual-e5-large.embedding.json
- Format
- JSON (application/json)
- Taille
- 612 octets
- Encodage
- UTF-8
- Tokens estimés
- ≈ 169
- 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
- ≈ 249
| Modèle | Par appel | Par mois |
|---|---|---|
| GPT-6 Luna · OpenAImeilleur prix | 0,00002 € | 0,02 € |
| DeepSeek Flash · DeepSeek | 0,00007 € | 0,07 € |
| Mistral Large · Mistral AI | 0,00011 € | 0,11 € |
| DeepSeek V4 Pro · DeepSeek | 0,00029 € | 0,29 € |
| GPT-6 Sol · OpenAI | 0,00044 € | 0,44 € |
| Claude Sonnet 5.5 · Anthropic | 0,00044 € | 0,44 € |
| Claude Opus 5.5 · Anthropic | 0,00088 € | 0,88 € |
| 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 intfloat/multilingual-e5-large, 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 1n1y7kf
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--multilingual-e5-large" fiche = json.load(urllib.request.urlopen(url)) print(fiche["title"] or fiche["name"])
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.",
"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
Communauté
Pas encore de commentaire. Partagez votre retour, il aidera les suivants.