Embeddings multilingual-e5-large für ein deutsches RAG

multilingual-e5-large für ein RAG auf Deutsch: 1024 Dimensionen, 512 Tokens, Präfixe query:/passage: erforderlich, Kosinus-Distanz. MIT-Lizenz.

Note

Die Präfixe „query: “ und „passage: “ sind Pflicht: ohne sie wird die Suche deutlich schlechter.
Höchstens 512 Tokens pro Text: Dokumente in Abschnitte von etwa 350 Wörtern teilen.
Vektoren normalisieren und Kosinus-Distanz verwenden.
Von Microsoft (intfloat) unter MIT-Lizenz veröffentlicht.

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-rag-deutsch

Tipo

Embedding

File

multilingual-e5-large-rag-deutsch.embedding.json

Formato

JSON (application/json)

Dimensione

683 byte

Codifica

UTF-8

Token stimati

≈ 189

Lingua

Tedesco

Licenza

MIT

Uso commerciale

Consentito

Dati personali

Nessuno

Versione

1.0

Pubblicato il

3 ottobre 2026 alle ore 05:20

Aggiornato il

3 ottobre 2026 alle ore 05:20

Archiviazione

nel database

Utilizzi

0

Mi piace

0

multilingual-e5-large-rag-deutsch.embedding.json

{
  "format": "contextetech/embedding/v1",
  "id": "contextetech/multilingual-e5-large-rag-deutsch",
  "description": "multilingual-e5-large für ein RAG auf Deutsch: 1024 Dimensionen, 512 Tokens, Präfixe query:/passage: erforderlich, Kosinus-Distanz. MIT-Lizenz.",
  "tags": [
    "rag",
    "mehrsprachig",
    "semantische-suche"
  ],
  "license": "MIT",
  "language": "de",
  "model": "intfloat/multilingual-e5-large",
  "dimensions": 1024,
  "maxTokens": 512,
  "distance": "cosine",
  "languages": [
    "de",
    "en",
    "fr",
    "es",
    "it",
    "nl"
  ],
  "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