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.

Note

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.

Costo stimato

Token di input per chiamata : ≈ 249

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--multilingual-e5-large

Tipo

Embedding

File

multilingual-e5-large.embedding.json

Formato

JSON (application/json)

Dimensione

686 byte

Codifica

UTF-8

Token stimati

≈ 190

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

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": []
}

Vettorizzare (Python)

from sentence_transformers import SentenceTransformer

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