Embeddings · Microsoft (intfloat)
Utilisez les embeddings multilingual-e5-large-instruct en Europe via une API compatible OpenAI
multilingual-e5-large-instruct est un modèle d'embedding compact conçu par des chercheurs de Microsoft, qui transforme des textes courts en environ 100 langues en vecteurs de 1024 dimensions. Il accepte une instruction de tâche côté requête pour s'adapter à la recherche, à la classification et au clustering. Sur inference.eu, vous l'appelez au format embeddings d'OpenAI, avec un traitement dans l'UE.
- 01560M
- 02Centres de données dans l'UE
- 03MIT
Ce qu'est multilingual-e5-large-instruct
multilingual-e5-large-instruct fait partie de la famille E5 de modèles d'embedding publiés par des chercheurs de Microsoft sous le compte intfloat. Il est sorti en février 2024 sous licence MIT. Il est initialisé à partir de XLM-RoBERTa large, avec 24 couches, environ 560 millions de paramètres et des embeddings de 1024 dimensions.
Le modèle a été entraîné sur un vaste mélange multilingue de paires de textes, puis affiné avec des instructions de tâche. Il couvre les 100 langues de XLM-RoBERTa, avec une qualité moindre pour les langues peu dotées en données. Les entrées sont limitées à 512 tokens : il est conçu pour des phrases, paragraphes et passages courts plutôt que pour des documents entiers.
Points forts et limites
Le modèle est petit, rapide et bien connu, ce qui en fait un bon choix pour de gros index de textes courts : fiches produit, entrées de FAQ, tickets de support et paragraphes de politiques internes. Comme les requêtes portent une instruction, un même modèle peut être orienté vers la recherche, la similarité sémantique, la classification ou le clustering sans réentraînement.
Sa principale limite est l'entrée de 512 tokens, qui oblige à découper les longs documents en passages courts. Des modèles plus récents comme bge-m3 acceptent 8192 tokens et Qwen3 Embedding 8B 32 000, et ce dernier trouve en général mieux sur les requêtes difficiles. Oublier l'instruction de requête dégrade aussi nettement la qualité.
Appeler multilingual-e5-large-instruct via l'API
inference.eu utilise le format de requête OpenAI : les SDK OpenAI, LangChain, LlamaIndex et les connecteurs de bases vectorielles qui appellent /v1/embeddings fonctionnent sans changement. Indiquez l'URL de base de l'API inference.eu, votre clé inference.eu et le modèle multilingual-e5-large-instruct.
Chaque requête demande une instruction d'une phrase sous la forme Instruct: {tâche}, suivie d'un saut de ligne et de Query: {texte}, par exemple Instruct: Given a web search query, retrieve relevant passages that answer the query. Les documents se vectorisent en texte brut, sans instruction. Gardez les passages sous 512 tokens : au-delà, l'entrée est tronquée.
Hébergement en Europe et données
Indexer vos contenus revient à envoyer chaque passage au modèle d'embedding. Sur inference.eu, multilingual-e5-large-instruct tourne sur une infrastructure située dans l'Union européenne : vos documents et requêtes sont traités dans des centres de données de l'UE 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 simplifie la documentation de 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 qui exploitent les passages retrouvés. La licence MIT autorise l'usage commercial avec peu de conditions.
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))Ce que les équipes en font
- 1
Recherche dans une FAQ ou un centre d'aide
Associer les questions des clients, en de nombreuses langues, au bon article d'aide ou à la bonne entrée de FAQ.
- 2
Classification de textes courts
Ranger tickets, avis ou formulaires dans des catégories grâce à une instruction qui décrit la tâche.
- 3
Similarité sémantique
Trouver des produits proches, des questions en double ou des paragraphes liés dans un grand catalogue.
multilingual-e5-large-instruct : questions fréquentes
Les questions que nous posent le plus les achats, les développeurs et les juristes. Il en manque une ? Posez-la-nous directement.
Pages liées
- BGE-M3bge-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.Embeddings
- 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
- 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
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