Chercher dans vos documents avec l'IA (RAG)
Des pipelines RAG, corpus et modèles d'embeddings pour qu'une IA réponde à partir de vos documents.
- [3zfyfk] Embeddings nomic-embed-text en local avec Ollama | embedding | fr | MIT | https://contextetech.com/embeddings/nomic-embed-text-ollama-3zfyfk - [15gplqg] Embeddings BGE-M3 pour un RAG sur de longs documents | embedding | fr | MIT | https://contextetech.com/embeddings/bge-m3-15gplqg - [1n1y7kf] Embeddings multilingual-e5-large pour un RAG en français | embedding | fr | MIT | https://contextetech.com/embeddings/multilingual-e5-large-1n1y7kf
Embeddings nomic-embed-text en local avec Ollama
nomic-embed-text pour un RAG 100 % local avec Ollama : 768 dimensions, textes longs, préfixes search_query: / search_document:. Licence Apache 2.0.
Embeddings BGE-M3 pour un RAG sur de longs documents
BGE-M3 pour un RAG sur de longs documents : 1024 dimensions, jusqu'à 8192 tokens, plus de 100 langues, sans préfixe. Licence MIT.
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.
Que veut dire rechercher dans des documents avec l'IA ?
L'IA peut répondre à partir de vos propres documents grâce au RAG (génération augmentée par la recherche) : les documents sont découpés, transformés en vecteurs, et les passages les plus proches de la question sont donnés au modèle, qui répond en citant ses sources.