--- title: "multilingual-e5-large-instruct DSGVO-konform in der EU" description: "multilingual-e5-large-instruct auf inference.eu: kompakte Embeddings in 100 Sprachen für Suche, RAG und Klassifizierung, verarbeitet in der EU." canonical: "https://inference.eu/de/modelle/multilingual-e5-large-instruct/" language: "de" --- Embeddings · Microsoft (intfloat) # multilingual-e5-large-instruct Embeddings in der EU über eine OpenAI-kompatible API nutzen multilingual-e5-large-instruct ist ein kompaktes Embedding-Modell von Microsoft-Forschern, das kurze Texte in rund 100 Sprachen in Vektoren mit 1024 Dimensionen umwandelt. Bei Suchanfragen nimmt es eine Aufgabeninstruktion an und passt sich so an Suche, Klassifizierung und Clustering an. Auf inference.eu rufen Sie es im OpenAI-Embeddings-Format auf, verarbeitet in Rechenzentren in der EU. [Vertrieb kontaktieren](https://inference.eu/de/kontakt/)[Beispielanfrage](#example) 1. 01560M 2. 02Rechenzentren in der EU 3. 03MIT ## Was multilingual-e5-large-instruct ist multilingual-e5-large-instruct gehört zur E5-Familie von Text-Embedding-Modellen, die Microsoft-Forscher unter dem Konto intfloat veröffentlichen. Es erschien im Februar 2024 unter der MIT-Lizenz. Es basiert auf XLM-RoBERTa large, hat 24 Schichten, rund 560 Millionen Parameter und eine Embedding-Größe von 1024. Trainiert wurde es auf einer großen mehrsprachigen Sammlung von Textpaaren und anschließend mit Aufgabeninstruktionen feinjustiert. Es unterstützt die 100 Sprachen von XLM-RoBERTa, wobei die Qualität bei Sprachen mit wenig Trainingsdaten geringer ist. Eingaben sind auf 512 Tokens begrenzt. Es ist also für Sätze, Absätze und kurze Abschnitte gedacht, nicht für ganze Dokumente. ## Stärken und Grenzen Das Modell ist klein, schnell und gut erforscht. Damit passt es zu großen Indizes kurzer Texte: Produktbeschreibungen, FAQ-Einträge, Support-Tickets und Absätze aus Richtlinien. Weil Suchanfragen eine Instruktion tragen, lässt sich dasselbe Modell ohne Feinabstimmung auf Retrieval, semantische Ähnlichkeit, Klassifizierung oder Clustering ausrichten. Die wichtigste Grenze sind die 512 Tokens pro Eingabe, lange Dokumente müssen Sie also in kurze Abschnitte zerlegen. Neuere Modelle wie bge-m3 verarbeiten 8192 Tokens, Qwen3 Embedding 8B sogar 32.000, und das größere Qwen-Modell trifft bei schwierigen Anfragen meist besser. Fehlt die Instruktion bei der Anfrage, sinkt die Qualität spürbar. ## multilingual-e5-large-instruct über die API aufrufen inference.eu verwendet das OpenAI-Anfrageformat. OpenAI-SDKs, LangChain, LlamaIndex und Vektordatenbank-Integrationen, die `/v1/embeddings` aufrufen, funktionieren daher unverändert. Setzen Sie die Base-URL auf die inference.eu-API, verwenden Sie Ihren inference.eu-Schlüssel und tragen Sie als Modell `multilingual-e5-large-instruct` ein. Jede Suchanfrage braucht eine einzeilige Instruktion in der Form `Instruct: {Aufgabe}`, gefolgt von einem Zeilenumbruch und `Query: {Text}`, etwa `Instruct: Given a web search query, retrieve relevant passages that answer the query`. Dokumente betten Sie als reinen Text ohne Instruktion ein. Halten Sie Abschnitte unter 512 Tokens, längere Eingaben werden abgeschnitten. ## Datenhaltung in der EU Wer Inhalte indexiert, schickt jeden Abschnitt an das Embedding-Modell. Auf inference.eu läuft multilingual-e5-large-instruct auf Infrastruktur in der Europäischen Union. Ihre Dokumente und Suchanfragen werden in Rechenzentren in der EU verarbeitet und nie zum Training eines Modells verwendet. Jeder Kunde erhält einen Auftragsverarbeitungsvertrag nach Art. 28 DSGVO und unsere Liste der Unterauftragsverarbeiter. So dokumentieren Sie Ihre Such- oder RAG-Pipeline unkompliziert im Verzeichnis von Verarbeitungstätigkeiten. Abgerechnet wird in Euro, auf derselben Rechnung wie die Chat-Modelle, die die gefundenen Abschnitte nutzen. Die MIT-Lizenz erlaubt kommerzielle Nutzung mit wenigen Auflagen. ## multilingual-e5-large-instruct Anbieter Microsoft (intfloat) Herkunft Vereinigte Staaten Typ Embeddings Parameter 560M Kontextfenster 512 Tokens Lizenz [MIT](https://opensource.org/license/mit) Veröffentlicht Februar 2024 Modell-ID multilingual-e5-large-instruct Verarbeitung Rechenzentren in der EU Training mit Ihren Daten Nie Quelle [huggingface.co](https://huggingface.co/intfloat/multilingual-e5-large-instruct) multilingual-e5-large-instruct · 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="multilingual-e5-large-instruct", input=["Where is my data processed?"], ) print(len(result.data[0].embedding)) ``` ## Wofür Teams es einsetzen - 1 ### Suche in FAQ und Hilfecenter Kundenfragen in vielen Sprachen dem passenden Hilfeartikel oder FAQ-Eintrag zuordnen. - 2 ### Klassifizierung kurzer Texte Tickets, Bewertungen oder Formulareingaben mit einer Instruktion, die die Aufgabe beschreibt, in Kategorien einsortieren. - 3 ### Semantische Ähnlichkeit Ähnliche Produkte, doppelte Fragen oder verwandte Absätze in einem großen Katalog finden. ## multilingual-e5-large-instruct: 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 in Rechenzentren in der EU verarbeitet, nicht zum Training genutzt und durch einen Auftragsverarbeitungsvertrag nach Art. 28 DSGVO samt Liste der Unterauftragsverarbeiter abgedeckt. Damit haben Sie, was Sie zur Dokumentation der Verarbeitung brauchen. Das Modell liest bis zu 512 Tokens pro Eingabe, längerer Text wird abgeschnitten. Das passt zu Sätzen, Absätzen und kurzen Abschnitten. Lange Dokumente zerlegen Sie vorher in Chunks oder nutzen bge-m3 mit 8192 Tokens beziehungsweise Qwen3 Embedding 8B mit 32.000 Tokens. Ja. Laut Modellkarte muss jede Anfrage eine einzeilige Aufgabeninstruktion tragen, formatiert als \`Instruct:\` mit der Aufgabe, Zeilenumbruch und \`Query:\` mit dem Text. Dokumente werden ohne Instruktion eingebettet. Ohne Instruktion sinkt die Qualität. Ja. Das Modell steht unter der MIT-Lizenz, die kommerzielle Nutzung, Änderung und Weitergabe erlaubt. Wichtigste Bedingung ist, den Lizenzhinweis zu erhalten, wenn Sie die Gewichte selbst weitergeben. Bei der Nutzung über eine API ist das nicht der Fall. Es übernimmt die 100 Sprachen von XLM-RoBERTa, darunter alle großen europäischen Sprachen wie Deutsch, Französisch, Spanisch, Italienisch und Polnisch. Laut Modellkarte kann die Qualität bei Sprachen mit wenig Daten geringer sein, testen Sie Minderheitensprachen daher mit eigenen Daten. Die Embeddings haben 1024 Dimensionen, eine kompakte Größe, die Speicher- und Suchkosten niedrig hält. Die Größe ist fest. Wenn Sie kürzere Vektoren brauchen, um einen sehr großen Index zu verkleinern, bietet Qwen3 Embedding 8B flexible Dimensionen. Beide sind kompakte mehrsprachige Encoder ähnlicher Größe mit 1024-dimensionalen Vektoren. bge-m3 liest 8192 Tokens und braucht keine Instruktion, multilingual-e5-large-instruct liest 512 Tokens, lässt sich aber über Instruktionen steuern. Für lange Dokumente nehmen Sie bge-m3, für kurze Texte testen Sie beide. multilingual-e5-large nutzt feste Präfixe \`query:\` und \`passage:\`. Die Instruct-Version ersetzt das Anfrage-Präfix durch eine Aufgabenbeschreibung, sodass sich ein Modell an Retrieval, Klassifizierung oder Clustering anpasst. Vektoren beider Modelle sind nicht austauschbar. Die E5-Modelle wurden von Forschern bei Microsoft entwickelt und auf Hugging Face unter dem Konto intfloat veröffentlicht, mit technischen Berichten zum Training. Auf inference.eu laufen die offenen Gewichte in Rechenzentren in der EU, Ihre Daten gehen also nicht an Microsoft. Erstellen Sie einen OpenAI-Client mit der inference.eu-Base-URL und Ihrem inference.eu-Schlüssel und rufen Sie \`client.embeddings.create\` mit \`model\` gleich \`multilingual-e5-large-instruct\` auf. Stellen Sie Suchanfragen im Code die Instruktion voran, Dokumente senden Sie als reinen Text. [Frage stellen](https://inference.eu/de/kontakt/) ## Verwandte Seiten [Alle Modelle](https://inference.eu/de/modelle/#directory) - [BGE-M3bge-m3 auf inference.eu: kompaktes mehrsprachiges Embedding-Modell für Suche und RAG, über 100 Sprachen und 8192 Tokens, verarbeitet in der EU.Embeddings](https://inference.eu/de/modelle/bge-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/) - [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/) ## 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