---
title: "bge-m3 DSGVO-konform in der EU nutzen: Embeddings"
description: "bge-m3 auf inference.eu: kompaktes mehrsprachiges Embedding-Modell für Suche und RAG, über 100 Sprachen und 8192 Tokens, verarbeitet in der EU."
canonical: "https://inference.eu/de/modelle/bge-m3/"
language: "de"
---

Embeddings · BAAI (Beijing Academy of Artificial Intelligence)

# bge-m3 Embeddings in der EU über eine OpenAI-kompatible API nutzen

bge-m3 gehört zu den am häufigsten eingesetzten offenen Embedding-Modellen für mehrsprachige Suche und Retrieval-Augmented Generation. Es ist klein, unterstützt über 100 Sprachen und liest Eingaben mit bis zu 8192 Tokens. Auf inference.eu rufen Sie es im OpenAI-Embeddings-Format auf, Ihre Dokumente werden in Rechenzentren in der EU verarbeitet und nie zum Training genutzt.

[Vertrieb kontaktieren](https://inference.eu/de/kontakt/)[Beispielanfrage](#example)

1.  01568M
2.  02Rechenzentren in der EU
3.  03MIT

## Was bge-m3 ist

bge-m3 wurde im Januar 2024 von der Beijing Academy of Artificial Intelligence (BAAI) unter der MIT-Lizenz veröffentlicht. M3 steht für Multi-Functionality, Multi-Linguality und Multi-Granularity. Das Modell basiert auf XLM-RoBERTa, hat 24 Schichten, rund 568 Millionen Parameter und erzeugt dichte Vektoren mit 1024 Dimensionen.

In einem Durchlauf kann es drei Ausgaben liefern: dichte Embeddings, sparse lexikalische Gewichte ähnlich BM25 und Multi-Vektor-Darstellungen im Stil von ColBERT. Es unterstützt über 100 Sprachen und verarbeitet Eingaben von kurzen Sätzen bis zu langen Dokumenten mit 8192 Tokens. Es ist das Basismodell des Rerankers bge-reranker-v2-m3.

## Stärken und Grenzen

bge-m3 ist ein starker und günstiger Standard für mehrsprachiges Retrieval. Dank der geringen Größe ist das Einbetten von Millionen Dokumenten bezahlbar, die 1024-dimensionalen Vektoren halten Indizes kompakt, und es funktioniert gut über europäische Sprachen hinweg, etwa wenn eine deutsche Anfrage ein englisches Dokument finden soll. Vektordatenbanken und RAG-Frameworks unterstützen es breit.

Seine Grenzen ergeben sich aus Alter und Größe. Neuere und deutlich größere Modelle wie Qwen3 Embedding 8B treffen bei schwierigen Anfragen meist besser und lesen längere Texte. bge-m3 hat eine feste Vektorgröße und nimmt keine Aufgabeninstruktionen an. Für die beste Rangfolge kombinieren Sie es mit einem Reranker wie bge-reranker-v2-m3.

## bge-m3 über die API aufrufen

inference.eu verwendet das OpenAI-Anfrageformat. Jedes OpenAI-SDK, LangChain, LlamaIndex und jede Vektordatenbank-Integration, die `/v1/embeddings` aufruft, funktioniert daher unverändert. Setzen Sie die Base-URL auf die inference.eu-API, verwenden Sie Ihren inference.eu-Schlüssel und tragen Sie als Modell `bge-m3` ein.

Übergeben Sie als `input` einen Text oder eine Liste von Texten, und Sie erhalten für jeden den dichten Vektor mit 1024 Dimensionen. Anders als manche Embedding-Modelle braucht bge-m3 kein Präfix und keine Instruktion: Anfragen und Dokumente werden gleich eingebettet. Bündeln Sie beim Indexieren Dokumente in einer Anfrage und nutzen Sie für Suchanfragen denselben Modellnamen.

## Datenhaltung in der EU

Wer eine Wissensdatenbank indexiert, schickt den vollständigen Text seiner Dokumente an das Embedding-Modell. Auf inference.eu läuft bge-m3 auf Infrastruktur in der Europäischen Union. Verträge, Tickets, Wiki-Seiten und Kundendaten werden in Rechenzentren in der EU verarbeitet, nicht nach China gesendet und nie zum Training eines Modells verwendet.

Jeder Kunde erhält einen Auftragsverarbeitungsvertrag nach Art. 28 DSGVO und unsere Liste der Unterauftragsverarbeiter. Das erleichtert die Dokumentation Ihrer Such- oder RAG-Pipeline im Verzeichnis von Verarbeitungstätigkeiten. Abgerechnet wird in Euro, auf einer Rechnung mit den Chat-Modellen, die die gefundenen Abschnitte nutzen. Die MIT-Lizenz erlaubt kommerzielle Nutzung mit wenigen Auflagen.

## BGE-M3

Anbieter

BAAI (Beijing Academy of Artificial Intelligence)

Herkunft

China

Typ

Embeddings

Parameter

568M

Kontextfenster

8.192 Tokens

Lizenz

[MIT](https://opensource.org/license/mit)

Veröffentlicht

Januar 2024

Modell-ID

bge-m3

Verarbeitung

Rechenzentren in der EU

Training mit Ihren Daten

Nie

Quelle

[huggingface.co](https://huggingface.co/BAAI/bge-m3)

bge-m3 · Python

```
import os
from openai import OpenAI

client = OpenAI(base_url="https://api.inference.eu/v1", api_key=os.environ["INFERENCE_EU_API_KEY"])

result = client.embeddings.create(
    model="bge-m3",
    input=["Where is my data processed?"],
)
print(len(result.data[0].embedding))
```

## Wofür Teams es einsetzen

-   1

    ### Mehrsprachiges RAG

    Dokumente in mehreren europäischen Sprachen indexieren und die passenden Abschnitte für ein Chat-Modell finden, egal in welcher Sprache gefragt wird.

-   2

    ### Semantische Suche in großem Umfang

    Millionen Dokumente mit geringem Rechenaufwand einbetten und den Index mit 1024-dimensionalen Vektoren kompakt halten.

-   3

    ### Dubletten und Clustering

    Fast identische Datensätze erkennen, ähnliche Tickets gruppieren oder Feedback sprachübergreifend nach Themen bündeln.

## BGE-M3: häufige Fragen

Die Fragen, die uns Einkauf, Entwicklung und Rechtsabteilungen am häufigsten stellen. Etwas fehlt? Fragen Sie uns direkt.

Das hängt von Ihrer Verarbeitung ab. Auf inference.eu werden Anfragen an bge-m3 in Rechenzentren in der EU verarbeitet, nicht zum Training genutzt und durch einen Auftragsverarbeitungsvertrag nach Art. 28 DSGVO samt Liste der Unterauftragsverarbeiter abgedeckt. Ihre Dokumente gehen nicht an den Hersteller des Modells.

bge-m3 verarbeitet Eingaben mit bis zu 8192 Tokens, von kurzen Sätzen bis zu langen Dokumenten. Für RAG liefern kürzere Chunks von einigen hundert Tokens oft genauere Treffer, die hohe Grenze erlaubt aber auch ganze Abschnitte, wenn das zu Ihren Daten passt.

Die dichten Embeddings haben 1024 Dimensionen. Das ist im Vergleich zu vielen neueren Modellen kompakt und hält Speicherkosten und Suchzeiten in Vektordatenbanken niedrig. Die Größe ist fest: Kürzere Vektoren auf Wunsch bietet bge-m3 nicht.

Ja. bge-m3 steht unter der MIT-Lizenz, einer der freizügigsten Open-Source-Lizenzen. Sie erlaubt kommerzielle Nutzung, Änderung und Weitergabe. Wichtigste Bedingung ist, dass der Lizenzhinweis erhalten bleibt, wenn Sie die Gewichte selbst weitergeben.

BAAI nennt über 100 Sprachen, übernommen von XLM-RoBERTa und im Training erweitert. Dazu gehören Deutsch, Französisch, Spanisch, Italienisch, Niederländisch, Polnisch und weitere europäische Sprachen, mit gutem sprachübergreifendem Retrieval zwischen ihnen.

Nein. Anders als e5- oder Qwen3-Embedding-Modelle verwendet bge-m3 weder Instruktionen noch Präfixe. Anfragen und Dokumente betten Sie auf dieselbe Weise ein. Das vereinfacht die Integration und vermeidet Fehler durch fehlende oder uneinheitliche Präfixe.

Neben dichten Vektoren kann bge-m3 sparse lexikalische Gewichte ähnlich einer Stichwortsuche sowie Multi-Vektor-Darstellungen nach ColBERT für feineren Abgleich liefern. Kombiniert steigern sie die Genauigkeit. Über den Embeddings-Endpunkt im OpenAI-Format erhalten Sie die dichten Vektoren, die für die meisten Szenarien passen.

Qwen3 Embedding 8B ist rund vierzehnmal größer, liest 32.000 Tokens und bietet flexible Dimensionen und Instruktionen. Bei schwierigen Anfragen trifft es daher meist besser. bge-m3 ist bei großen Beständen deutlich günstiger und bleibt ein solider Standard. Testen Sie beide mit Ihren Daten.

bge-m3 ist ein offenes Modell von BAAI. Auf inference.eu laufen seine Gewichte in Rechenzentren in der EU, Ihre Dokumente gehen also nie nach China oder an BAAI. Ein Embedding-Modell liefert nur Vektoren und keinen generierten Text, was Bedenken zu inhaltlicher Färbung begrenzt.

Für präzise Antworten ja. Üblich ist, mit bge-m3 die besten 50 bis 100 Kandidaten zu finden und sie dann mit bge-reranker-v2-m3 neu zu sortieren, der Anfrage und Abschnitt gemeinsam liest. Beide laufen auf inference.eu mit demselben API-Schlüssel.

[Frage stellen](https://inference.eu/de/kontakt/)

## Verwandte Seiten

[Alle Modelle](https://inference.eu/de/modelle/#directory)

-   [BGE Reranker v2 M3bge-reranker-v2-m3 auf inference.eu: schlanker mehrsprachiger Reranker, der Such- und RAG-Ergebnisse nach Relevanz sortiert, verarbeitet in der EU.Reranking](https://inference.eu/de/modelle/bge-reranker-v2-m3/)
-   [Qwen3 Embedding 8BQwen3 Embedding 8B auf inference.eu: mehrsprachige Embeddings für Suche und RAG, bis 4096 Dimensionen und 32K Tokens, verarbeitet in der EU.Embeddings](https://inference.eu/de/modelle/qwen3-embedding-8b/)
-   [multilingual-e5-large-instructmultilingual-e5-large-instruct auf inference.eu: kompakte Embeddings in 100 Sprachen für Suche, RAG und Klassifizierung, verarbeitet in der EU.Embeddings](https://inference.eu/de/modelle/multilingual-e5-large-instruct/)

## Verlagern Sie Ihre KI-Workloads auf europäische Infrastruktur

Sagen Sie uns, welche Modelle Sie nutzen und wie viel Verkehr Sie ungefähr haben. Wir antworten innerhalb eines Werktags mit Preisen und nächsten Schritten.

-   Antwort innerhalb eines Werktags
-   Preise für Ihr Volumen
-   AV-Vertrag unterschriftsreif