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.

Estimated cost

Input tokens per call : ≈ 249

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--multilingual-e5-large-rag-deutsch

Type

Embeddings

File

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

Format

JSON (application/json)

Size

683 bytes

Encoding

UTF-8

Estimated tokens

≈ 189

Language

German

License

MIT

Commercial use

Allowed

Personal data

None

Version

1.0

Published on

October 3, 2026 at 5:20 AM

Updated on

October 3, 2026 at 5:20 AM

Storage

in database

Uses

0

Likes

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": []
}

Embed (Python)

from sentence_transformers import SentenceTransformer

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