Embeddings multilingual-e5-large per un RAG in italiano

multilingual-e5-large per un RAG in italiano: 1024 dimensioni, 512 token, prefissi query:/passage: obbligatori, distanza coseno. Licenza MIT.

Note

I prefissi «query: » e «passage: » sono obbligatori: senza, la ricerca peggiora molto.
Al massimo 512 token per testo: dividi i documenti in frammenti di circa 350 parole.
Normalizza i vettori e usa la distanza coseno.
Modello pubblicato da Microsoft (intfloat) con licenza MIT.

Costo stimato

Token di input per chiamata : ≈ 244

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-italiano

Tipo

Embedding

File

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

Formato

JSON (application/json)

Dimensione

679 byte

Codifica

UTF-8

Token stimati

≈ 189

Lingua

Italiano

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-italiano.embedding.json

{
  "format": "contextetech/embedding/v1",
  "id": "contextetech/multilingual-e5-large-rag-italiano",
  "description": "multilingual-e5-large per un RAG in italiano: 1024 dimensioni, 512 token, prefissi query:/passage: obbligatori, distanza coseno. Licenza MIT.",
  "tags": [
    "rag",
    "multilingue",
    "ricerca-semantica"
  ],
  "license": "MIT",
  "language": "it",
  "model": "intfloat/multilingual-e5-large",
  "dimensions": 1024,
  "maxTokens": 512,
  "distance": "cosine",
  "languages": [
    "it",
    "en",
    "fr",
    "de",
    "es",
    "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