Embeddings multilingual-e5-large für ein deutsches RAG

multilingual-e5-large für ein RAG auf Deutsch: 1024 Dimensionen, 512 Tokens, Präfixe query:/passage: erforderlich, Kosinus-Distanz. MIT-Lizenz.

Notes

Die Präfixe „query: “ und „passage: “ sind Pflicht: ohne sie wird die Suche deutlich schlechter.
Höchstens 512 Tokens pro Text: Dokumente in Abschnitte von etwa 350 Wörtern teilen.
Vektoren normalisieren und Kosinus-Distanz verwenden.
Von Microsoft (intfloat) unter MIT-Lizenz veröffentlicht.

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-rag-deutsch

Type

Embeddings

Fichier

multilingual-e5-large-rag-deutsch.embedding.json

Format

JSON (application/json)

Taille

683 octets

Encodage

UTF-8

Tokens estimés

≈ 189

Langue

Allemand

Licence

MIT

Usage commercial

Autorisé

Données personnelles

Aucune

Version

1.0

Publié le

3 octobre 2026 à 05:20

Mis à jour le

3 octobre 2026 à 05:20

Stockage

en base

Utilisations

0

J'aime

0

multilingual-e5-large-rag-deutsch.embedding.json

{
  "format": "contextetech/embedding/v1",
  "id": "contextetech/multilingual-e5-large-rag-deutsch",
  "description": "multilingual-e5-large für ein RAG auf Deutsch: 1024 Dimensionen, 512 Tokens, Präfixe query:/passage: erforderlich, Kosinus-Distanz. MIT-Lizenz.",
  "tags": [
    "rag",
    "mehrsprachig",
    "semantische-suche"
  ],
  "license": "MIT",
  "language": "de",
  "model": "intfloat/multilingual-e5-large",
  "dimensions": 1024,
  "maxTokens": 512,
  "distance": "cosine",
  "languages": [
    "de",
    "en",
    "fr",
    "es",
    "it",
    "nl"
  ],
  "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