BAAI: bge-large-en-v1.5

BAAI: bge-large-en-v1.5 est un modèle d’embedding dense publié par BAAI sous licence MIT le 18 novembre 2025. Il compte 335 millions de paramètres, tous actifs, produit des vecteurs de 1024 dimensions et accepte jusqu’à 8 192 tokens de contexte.

Ce modèle transforme du texte en représentations numériques destinées à la recherche sémantique, au RAG, à la mesure de similarité et au clustering. Son nom indique un positionnement anglophone, avec des évaluations disponibles aussi sur des ensembles French et European.

Caractéristiques

Performances (benchmarks)

Scores issus de MTEB (Massive Text Embedding Benchmark), suite d'évaluation indépendante. Le rang situe le modèle parmi les modèles d'embedding évalués sur le même track.

Comment se situe-t-il ?

Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.

Tarifs

Prix en dollars US par million de tokens.

Sa tarification se situe 78 % en dessous de la moyenne des modèles d'embedding similaires, et au niveau des modèles frontières (Qwen3 Embedding 8B).

Notre analyse

Forces. Les meilleurs signaux MTEB se situent sur Chemical, où le modèle se classe dans le haut du panel, ce qui indique une bonne qualité d’embedding pour des textes spécialisés de domaine chimique. BEIR le place aussi correctement sur la recherche zero-shot généraliste, utile pour des moteurs de recherche sémantique et des pipelines RAG hétérogènes. La fenêtre de 8 192 tokens facilite l’encodage de passages longs ou de documents structurés sans découpage trop agressif. La licence MIT constitue un atout pratique pour l’intégration, y compris en déploiement auto-hébergé, et le tarif indiqué est nettement inférieur à la moyenne des modèles d’embedding similaires.

Limites et points d'attention. Les résultats sont plus modestes sur RTEB Healthcare, RTEB Finance, French et European, ce qui invite à valider la qualité sur des corpus métier, médicaux, financiers ou multilingues avant généralisation. La dimension de sortie de 1024 améliore la richesse de représentation, mais alourdit les index vectoriels par rapport à des embeddings plus compacts et peut augmenter les coûts de stockage et de recherche. Le positionnement anglophone suggère une prudence sur les usages centrés sur d’autres langues. Usages pertinents : recherche sémantique anglophone, RAG documentaire, similarité de textes et clustering, notamment lorsque la licence ouverte et le contexte long priment.

Sources des données : OpenRouter (openrouter.ai) · MTEB — Massive Text Embedding Benchmark.