254 pubblicazione/i · 322 utilizzi
# Embeddings multilingual-e5-large per un RAG in italiano code: 1e1icxy | type: embedding | language: it | licence: MIT | version: v1 description: multilingual-e5-large per un RAG in italiano: 1024 dimensioni, 512 token, prefissi query:/passage: obbligatori, distanza coseno. Licenza MIT. page: https://contextetech.com/it/embedding/multilingual-e5-large-rag-italiano-1e1icxy mcp: connect https://contextetech.com/mcp then call load_resource with code "1e1icxy" (or ask "load 1e1icxy") json: https://contextetech.com/api/resources/contextetech--multilingual-e5-large-rag-italiano python: pip install contexte && contexte get 1e1icxy source: https://huggingface.co/intfloat/multilingual-e5-large citation (required by the licence): contextetech. (2026). Embeddings multilingual-e5-large per un RAG in italiano (Version 1) [Embedding]. Contexte Tech. https://contextetech.com/it/embedding/multilingual-e5-large-rag-italiano-1e1icxy. Fonte dei dati: https://huggingface.co/intfloat/multilingual-e5-large
multilingual-e5-large per un RAG in italiano: 1024 dimensioni, 512 token, prefissi query:/passage: obbligatori, distanza coseno. Licenza MIT.
| Modello | intfloat/multilingual-e5-large |
|---|---|
| Dimensioni | 1024 |
| Token max | 512 |
| Distanza | cosine |
| Lingue | it, en, fr, de, es, pt |
| Prefissi | query: / passage: |
| Dimensione dei chunk | 350 |
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.
- Identificativo
- contextetech--multilingual-e5-large-rag-italiano
- File
- multilingual-e5-large-rag-italiano.embedding.json
- Formato
- JSON (application/json)
- Dimensione
- 608 byte
- Codifica
- UTF-8
- Token stimati
- ≈ 169
- Uso commerciale
- Consentito
- Dati personali
- Nessuno
- Versione
- 1.0
- Pubblicato il
- 3 ottobre 2026 alle ore 05:20
- Aggiornato il
- 16 ottobre 2026 alle ore 23:19
- Archiviazione
- nel database
Statistiche
Mi piace : 0 · Commenti : 0
Clicca su un contatore per mostrarlo o nasconderlo; passa sul grafico per i dettagli. Una visualizzazione per visitatore al giorno, bot esclusi; conteggio iniziato il 30 settembre 2026.
Costo stimato
- Token di input per chiamata
- ≈ 244
| Modello | Per chiamata | Al mese |
|---|---|---|
| GPT-6 Luna · OpenAIprezzo migliore | 0,00002 € | 0,02 € |
| DeepSeek Flash · DeepSeek | 0,00006 € | 0,06 € |
| Mistral Large · Mistral AI | 0,00011 € | 0,11 € |
| DeepSeek V4 Pro · DeepSeek | 0,00028 € | 0,28 € |
| GPT-6 Sol · OpenAI | 0,00043 € | 0,43 € |
| Claude Sonnet 5.5 · Anthropic | 0,00043 € | 0,43 € |
| Claude Opus 5.5 · Anthropic | 0,00086 € | 0,86 € |
| Modello open source self-hosted (Ollama, vLLM) | 0 € di API (solo costo del server) | |
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 13 ottobre 2026. Stima: 1 token ≈ 3,6 caratteri.
Comune alle 3 regioni
Fonti con licenza compatibile.
Fonti: Modello intfloat/multilingual-e5-large, licenza MIT (scheda Hugging Face)
Uso commerciale consentito · citare l'autore · modifiche consentite.
Solo testo o dati: nessun accesso a file, rete o comandi.
Ospitato in Francia (Scaleway, Parigi). Nessun trasferimento fuori dall'UE.
Unione europea · 5/5
Nessun dato personale.
Nessun dato di addestramento: nessuna sintesi da fornire.
Stati Uniti · 5/5
Nessun dato personale.
Nessun dato di addestramento: nessuna documentazione da pubblicare.
Cina · 5/5
Nessun dato personale.
Nessun dato di addestramento; i contenuti generati dall'IA diffusi in Cina vanno etichettati (2025).
Sintesi indicativa al 30/09/2026, senza valore di certificazione legale. Metodo e fonti →
Qualità del contenuto
Il dettaglio dei criteri è riservato ai membri.
Ogni criterio, i punti tolti e un consiglio per correggerlo.
MCP contexte
https://contextetech.com/mcp
carica 1e1icxy
Aggiungi l'indirizzo come connettore nelle impostazioni delle tue app di IA, poi invia la richiesta qui sopra.
API
import json, urllib.request url = "https://contextetech.com/api/resources/contextetech--multilingual-e5-large-rag-italiano" fiche = json.load(urllib.request.urlopen(url)) print(fiche["title"] or fiche["name"])
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.",
"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
Community
Ancora nessun commento. Condividi la tua esperienza, aiuterà chi viene dopo.