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.

Note

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.

Costo stimato

Token di input per chiamata : ≈ 225

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-long-documents

Tipo

Embedding

File

bge-m3-long-documents.embedding.json

Formato

JSON (application/json)

Dimensione

629 byte

Codifica

UTF-8

Token stimati

≈ 175

Lingua

Inglese

Licenza

MIT

Uso commerciale

Consentito

Dati personali

Nessuno

Versione

1.0

Pubblicato il

2 ottobre 2026 alle ore 21:54

Aggiornato il

2 ottobre 2026 alle ore 21:54

Archiviazione

nel database

Utilizzi

0

Mi piace

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": []
}

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