Embeddings BGE-M3 pour un RAG sur de longs documents

BGE-M3 pour un RAG sur de longs documents : 1024 dimensions, jusqu'à 8192 tokens, plus de 100 langues, sans préfixe. Licence MIT.

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.

Estimated cost

Input tokens per call : ≈ 239

Input cost only, excluding the model's answer. Providers' public standard prices (Mistral AI, DeepSeek, OpenAI, Anthropic) converted from USD to euros at the ECB rate of September 29, 2026. Estimate: 1 token ≈ 3.6 characters.

Identifier

contextetech--bge-m3

Type

Embeddings

File

bge-m3.embedding.json

Format

JSON (application/json)

Size

636 bytes

Encoding

UTF-8

Estimated tokens

≈ 176

Language

French

License

MIT

Commercial use

Allowed

Personal data

None

Version

1.0

Published on

October 1, 2026 at 6:21 PM

Updated on

October 1, 2026 at 6:21 PM

Storage

in database

Uses

0

Likes

0

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.",
  "tags": [
    "rag",
    "multilingue",
    "longs-documents"
  ],
  "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": []
}

Embed (Python)

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("BAAI/bge-m3")
q = model.encode(["your input here"], normalize_embeddings=True)
docs = model.encode(["…"], normalize_embeddings=True)
print(q.shape)  # (1, 1024)
print(q @ docs.T)  # similarité