Multilingual E5 Large
Réseau Neuronal
Multilingual E5 Large est un modèle d'embeddings pour la recherche sémantique et le RAG, encodant plus de 90 langues en vecteurs 1024.
Caractéristiques
- Entrée
- texte
- Sortie
- vecteurs (embeddings)
- Taille du contexte
- 512 tokens
- Dimensions du vecteur
- 1 024
Coût du prompt
(par 1M tokens)
Comment ça marche Multilingual E5 Large?
Multilingual E5 Large transforme des phrases, paragraphes et documents dans plus de 90 langues en vecteurs denses de dimension 1024. L'espace vectoriel commun permet une correspondance inter-langues : une requête et un document dans des langues différentes sont proches s'ils ont un sens similaire. Sur BotHub, le modèle fonctionne via une API unique compatible OpenAI sans VPN ni carte étrangère, paiement en roubles à l'usage, avec plus de 250 modèles disponibles dans une seule interface ; le trafic est chiffré, et des contrats/factures sont disponibles pour les équipes. Scénarios : indexation de bases de connaissances dans Qdrant ou pgvector, couche de récupération pour assistant RAG, recherche de tickets similaires et de doublons, clustering d'avis.Questions fréquentes sur Multilingual E5 Large
Vous pouvez utiliser les résultats générés à des fins commerciales. Tous les droits sur le contenu créé vous appartiennent. Seule restriction : vérifiez que la requête ne contient pas de contenus protégés par le droit d'auteur appartenant à des tiers. Le respect des droits sur les données d'entrée relève de votre responsabilité.
C'est un modèle d'embeddings : il transforme le texte en vecteur numérique. Ces vecteurs permettent la recherche sémantique, les pipelines RAG, le clustering, la déduplication et la classification de documents. Le contexte est de 512 tokens, donc divisez les longs documents en fragments et indexez-les séparément.
En sortie, ce n'est ni du texte ni une image, mais un embedding : un tableau de nombres réels de dimension 1024. Ce vecteur est directement stocké dans Qdrant, pgvector ou un autre stockage vectoriel, et les requêtes sont envoyées via l'API unique compatible OpenAI de BotHub.
Il n'y a pas de chaînes de raisonnement ici : c'est un encodeur qui encode le texte en vecteur en un seul passage, il ne rédige pas de réponse. Le mode de réflexion n'est pas non plus indiqué dans nos données. Vous construisez la logique de classement et de reclassement de votre côté.
Cette possibilité n'est pas indiquée dans nos données, et un embedder n'en a généralement pas besoin : le modèle n'appelle pas d'outils externes. Cependant, la réponse de l'API est structurée : c'est un JSON avec un tableau de nombres, facile à parser et à écrire directement dans une base vectorielle.
La réception de tels fichiers n'est pas indiquée dans nos données — fournissez du texte en entrée, jusqu'à 512 tokens par requête. Si le document est plus long, découpez-le en segments avec chevauchement et indexez chaque fragment avec un vecteur distinct, sinon une partie du sens sera perdue.
Le russe est natif pour lui, au même titre que des dizaines d'autres langues — c'est un modèle multilingue de la famille E5. La requête trouvera le fragment approprié dans une base russophone, et la recherche inter-langues fonctionne également : les vecteurs de différentes langues se retrouvent dans un même espace sémantique commun.