---
title: "bge-m3 en Europe : API d'embeddings conforme au RGPD"
description: "bge-m3 sur inference.eu : modèle d'embedding multilingue compact pour la recherche et le RAG, plus de 100 langues et 8192 tokens, traité dans l'UE."
canonical: "https://inference.eu/fr/modeles/bge-m3/"
language: "fr"
---

Embeddings · BAAI (Beijing Academy of Artificial Intelligence)

# Utilisez les embeddings bge-m3 en Europe via une API compatible OpenAI

bge-m3 est l'un des modèles d'embedding ouverts les plus utilisés pour la recherche multilingue et la génération augmentée par récupération (RAG). Il est léger, prend en charge plus de 100 langues et lit des entrées jusqu'à 8192 tokens. Sur inference.eu, vous l'appelez au format embeddings d'OpenAI, avec un traitement dans l'UE et sans entraînement sur vos données.

[Contacter l'équipe](https://inference.eu/fr/contact/)[Exemple de requête](#example)

1.  01568M
2.  02Centres de données dans l'UE
3.  03MIT

## Ce qu'est bge-m3

bge-m3 a été publié en janvier 2024 par la Beijing Academy of Artificial Intelligence (BAAI) sous licence MIT. M3 signifie multi-fonctionnalité, multilinguisme et multi-granularité. Il repose sur XLM-RoBERTa, avec 24 couches, environ 568 millions de paramètres et des vecteurs denses de 1024 dimensions.

En une seule passe, il peut produire trois types de sortie : des embeddings denses, des poids lexicaux creux proches de BM25 et des représentations multi-vecteurs de type ColBERT. Il prend en charge plus de 100 langues et traite des entrées allant de la phrase courte au long document de 8192 tokens. C'est le modèle de base du reranker bge-reranker-v2-m3.

## Points forts et limites

bge-m3 est un choix par défaut solide et économique pour la récupération multilingue. Sa petite taille rend abordable la vectorisation de millions de documents, ses vecteurs de 1024 dimensions gardent les index compacts, et il fonctionne bien entre langues européennes, par exemple quand une requête en français doit trouver un document en anglais. Bases vectorielles et frameworks RAG le prennent largement en charge.

Ses limites tiennent à son âge et à sa taille. Des modèles plus récents et bien plus grands comme Qwen3 Embedding 8B trouvent en général mieux sur les requêtes difficiles et lisent des textes plus longs. bge-m3 a une taille de vecteur fixe et n'accepte pas d'instructions. Pour le meilleur classement, associez-le à un reranker comme bge-reranker-v2-m3.

## Appeler bge-m3 via l'API

inference.eu utilise le format de requête OpenAI : tout SDK OpenAI, LangChain, LlamaIndex ou connecteur de base vectorielle qui appelle `/v1/embeddings` fonctionne sans changement. Indiquez l'URL de base de l'API inference.eu, votre clé inference.eu et le modèle `bge-m3`.

Passez une chaîne ou une liste de chaînes dans `input` et vous recevez pour chacune le vecteur dense de 1024 dimensions. Contrairement à d'autres modèles d'embedding, bge-m3 ne demande ni préfixe ni instruction : requêtes et documents se vectorisent de la même façon. Regroupez les documents dans une même requête lors de l'indexation, et gardez le même nom de modèle pour les requêtes.

## Hébergement en Europe et données

Indexer une base de connaissances revient à envoyer le texte intégral de vos documents au modèle d'embedding. Sur inference.eu, bge-m3 tourne sur une infrastructure située dans l'Union européenne : contrats, tickets, pages de wiki et données clients sont traités dans des centres de données de l'UE, ne partent pas en Chine et ne servent jamais à entraîner un modèle.

Chaque client reçoit un accord de traitement des données selon l'article 28 du RGPD et la liste de nos sous-traitants, ce qui aide à documenter votre chaîne de recherche ou de RAG dans le registre des traitements. La facturation se fait en euros, sur la même facture que les modèles de chat. La licence MIT autorise l'usage commercial avec peu de conditions.

## BGE-M3

Éditeur

BAAI (Beijing Academy of Artificial Intelligence)

Origine

Chine

Type

Embeddings

Paramètres

568M

Fenêtre de contexte

8 192 tokens

Licence

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

Sortie

janvier 2024

ID du modèle

bge-m3

Traitement

Centres de données dans l'UE

Entraînement sur vos données

Jamais

Source

[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))
```

## Ce que les équipes en font

-   1

    ### RAG multilingue

    Indexer des documents en plusieurs langues européennes et retrouver les bons passages pour un modèle de chat, quelle que soit la langue de l'utilisateur.

-   2

    ### Recherche sémantique à grande échelle

    Vectoriser des millions de documents à faible coût de calcul et garder un index compact grâce aux vecteurs de 1024 dimensions.

-   3

    ### Dédoublonnage et clustering

    Repérer les quasi-doublons, regrouper les tickets similaires ou classer les retours clients par thème, toutes langues confondues.

## BGE-M3 : questions fréquentes

Les questions que nous posent le plus les achats, les développeurs et les juristes. Il en manque une ? Posez-la-nous directement.

Cela dépend de votre traitement. Sur inference.eu, les requêtes vers bge-m3 sont traitées dans des centres de données de l'UE, ne servent pas à l'entraînement et sont couvertes par un accord de traitement des données selon l'article 28 du RGPD, avec la liste des sous-traitants. Vos documents ne sont pas transmis à l'éditeur du modèle.

bge-m3 accepte des entrées jusqu'à 8192 tokens, de la phrase courte au long document. En RAG, des segments de quelques centaines de tokens donnent souvent une récupération plus précise, mais cette limite élevée permet de vectoriser des sections entières si vos données s'y prêtent.

Les embeddings denses ont 1024 dimensions. C'est compact par rapport à beaucoup de modèles récents, ce qui limite les coûts de stockage et les temps de recherche dans les bases vectorielles. La taille est fixe : bge-m3 ne propose pas de vecteurs plus courts.

Oui. bge-m3 est publié sous licence MIT, l'une des licences open source les plus permissives. Elle autorise l'usage commercial, la modification et la redistribution, la principale condition étant de conserver la mention de licence si vous redistribuez les poids.

BAAI annonce plus de 100 langues, héritées de XLM-RoBERTa et étendues à l'entraînement. Cela inclut le français, l'allemand, l'espagnol, l'italien, le néerlandais, le polonais et d'autres langues européennes, avec une bonne récupération interlangue entre elles.

Non. Contrairement aux modèles e5 ou Qwen3 Embedding, bge-m3 n'utilise ni instruction ni préfixe. Requêtes et documents se vectorisent de la même manière, ce qui simplifie l'intégration et évite les erreurs liées à des préfixes absents ou incohérents.

En plus des vecteurs denses, bge-m3 peut produire des poids lexicaux creux, proches d'une recherche par mots-clés, et des représentations multi-vecteurs ColBERT pour une correspondance plus fine. Les combiner améliore la précision. Via le point d'accès embeddings au format OpenAI, vous recevez les vecteurs denses, adaptés à la plupart des usages.

Qwen3 Embedding 8B est environ quatorze fois plus grand, lit 32 000 tokens et offre des dimensions réglables et des instructions : il trouve en général mieux sur les requêtes difficiles. bge-m3 coûte bien moins cher sur de gros corpus et reste un bon choix par défaut. Testez les deux.

bge-m3 est un modèle ouvert de BAAI. Sur inference.eu, ses poids tournent dans des centres de données de l'UE : vos documents ne partent jamais en Chine ni chez BAAI. Un modèle d'embedding ne renvoie que des vecteurs, pas de texte généré, ce qui limite les questions de biais.

Pour des réponses précises, oui. Un montage courant récupère les 50 à 100 meilleurs candidats avec bge-m3, puis les reclasse avec bge-reranker-v2-m3, qui lit ensemble la requête et le passage. Les deux tournent sur inference.eu avec la même clé d'API.

[Poser une question](https://inference.eu/fr/contact/)

## Pages liées

[Tous les modèles](https://inference.eu/fr/modeles/#directory)

-   [BGE Reranker v2 M3bge-reranker-v2-m3 sur inference.eu : reranker multilingue léger qui trie les résultats de recherche et de RAG par pertinence, traité dans l'UE.Reranking](https://inference.eu/fr/modeles/bge-reranker-v2-m3/)
-   [Qwen3 Embedding 8BQwen3 Embedding 8B sur inference.eu : embeddings multilingues pour la recherche et le RAG, jusqu'à 4096 dimensions et 32K tokens, traités dans l'UE.Embeddings](https://inference.eu/fr/modeles/qwen3-embedding-8b/)
-   [multilingual-e5-large-instructmultilingual-e5-large-instruct sur inference.eu : embeddings compacts en 100 langues pour la recherche, le RAG et la classification, traités dans l'UE.Embeddings](https://inference.eu/fr/modeles/multilingual-e5-large-instruct/)

## Faites passer vos charges IA sur une infrastructure européenne

Dites-nous quels modèles vous utilisez et votre volume approximatif. Nous répondons sous un jour ouvré avec un tarif et la suite.

-   Réponse sous un jour ouvré
-   Tarif adapté à votre volume
-   DPA prêt à signer