BGE-M3 embeddings for RAG over long documents

BGE-M3 for RAG over long documents: 1024 dimensions, up to 8,192 tokens, 100+ languages, no prefix needed. MIT license.

Notas

No prefix needed for queries or passages.
Handles long inputs (8,192 tokens): chunks of about 1,000 words work well.
The model can also produce sparse vectors (keyword search) with the FlagEmbedding library.
Published by BAAI under the MIT license.

Coste estimado

Tokens de entrada por llamada : ≈ 225

Solo coste de entrada, sin la respuesta del modelo. Precios públicos estándar de los proveedores (Mistral AI, DeepSeek, OpenAI, Anthropic) convertidos de USD a euros al tipo del BCE del 29 de septiembre de 2026. Estimación: 1 token ≈ 3,6 caracteres.

Identificador

contextetech--bge-m3-long-documents

Tipo

Embeddings

Archivo

bge-m3-long-documents.embedding.json

Formato

JSON (application/json)

Tamaño

629 bytes

Codificación

UTF-8

Tokens estimados

≈ 175

Idioma

Inglés

Licencia

MIT

Uso comercial

Permitido

Datos personales

Ninguno

Versión

1.0

Publicado el

2 de octubre de 2026 a las 21:54

Actualizado el

2 de octubre de 2026 a las 21:54

Almacenamiento

en base de datos

Usos

0

Me gusta

0

bge-m3-long-documents.embedding.json

{
  "format": "contextetech/embedding/v1",
  "id": "contextetech/bge-m3-long-documents",
  "description": "BGE-M3 for RAG over long documents: 1024 dimensions, up to 8,192 tokens, 100+ languages, no prefix needed. MIT license.",
  "tags": [
    "rag",
    "multilingual",
    "long-documents"
  ],
  "license": "MIT",
  "language": "en",
  "model": "BAAI/bge-m3",
  "dimensions": 1024,
  "maxTokens": 8192,
  "distance": "cosine",
  "languages": [
    "en",
    "es",
    "fr",
    "de",
    "it",
    "pt",
    "zh",
    "ja"
  ],
  "prefixes": {
    "query": "",
    "passage": ""
  },
  "chunkSize": 1000,
  "benchmarks": []
}

Vectorizar (Python)

from sentence_transformers import SentenceTransformer

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