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.

Note

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.

Costo stimato

Token di input per chiamata : ≈ 239

Solo costo di input, esclusa la risposta del modello. Prezzi pubblici standard dei fornitori (Mistral AI, DeepSeek, OpenAI, Anthropic) convertiti da USD in euro al cambio BCE del 29 settembre 2026. Stima: 1 token ≈ 3,6 caratteri.

Identificativo

contextetech--bge-m3

Tipo

Embedding

File

bge-m3.embedding.json

Formato

JSON (application/json)

Dimensione

636 byte

Codifica

UTF-8

Token stimati

≈ 176

Lingua

Francese

Licenza

MIT

Uso commerciale

Consentito

Dati personali

Nessuno

Versione

1.0

Pubblicato il

1 ottobre 2026 alle ore 18:21

Aggiornato il

1 ottobre 2026 alle ore 18:21

Archiviazione

nel database

Utilizzi

0

Mi piace

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": []
}

Vettorizzare (Python)

from sentence_transformers import SentenceTransformer

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