Embeddings multilingual-e5-large pour un RAG en français

multilingual-e5-large pour un RAG en français : 1024 dimensions, 512 tokens, préfixes query:/passage: obligatoires, distance cosinus. Licence MIT.

Notas

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.

Coste estimado

Tokens de entrada por llamada : ≈ 249

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--multilingual-e5-large

Tipo

Embeddings

Archivo

multilingual-e5-large.embedding.json

Formato

JSON (application/json)

Tamaño

686 bytes

Codificación

UTF-8

Tokens estimados

≈ 190

Idioma

Francés

Licencia

MIT

Uso comercial

Permitido

Datos personales

Ninguno

Versión

1.0

Publicado el

1 de octubre de 2026 a las 18:21

Actualizado el

1 de octubre de 2026 a las 18:21

Almacenamiento

en base de datos

Usos

0

Me gusta

0

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.",
  "tags": [
    "rag",
    "multilingue",
    "recherche-semantique"
  ],
  "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": []
}

Vectorizar (Python)

from sentence_transformers import SentenceTransformer

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