BAAI: bge-m3

BAAI: bge-m3 est un modèle d’embedding dense publié par BAAI sous licence MIT. Il compte 568 millions de paramètres, tous actifs, produit des vecteurs de 1024 dimensions et accepte jusqu’à 8 194 tokens de contexte, ce qui le place dans la catégorie des encodeurs utilisables sur des passages longs.

Sa couverture MTEB inclut plusieurs langues, dont le persan, l’espagnol, le thaï et le russe, ainsi qu’un track Long-context Retrieval. Il sert à transformer des textes en représentations numériques pour la recherche sémantique, le RAG, la détection de similarité et le clustering, sans génération de texte.

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. BAAI: bge-m3 se distingue surtout par son profil multilingue, avec un résultat particulièrement solide en Farsi et des évaluations présentes sur plusieurs langues non anglophones. Le track Long-context Retrieval indique un intérêt pour l’indexation et la recherche dans des contenus plus longs que de simples phrases ou courts paragraphes. La fenêtre de 8 194 tokens aide à encoder des passages étendus dans des pipelines RAG, tandis que la licence MIT facilite les déploiements ouverts et l’intégration dans des architectures maîtrisées. Le tarif d’entrée indiqué, inférieur à la moyenne de modèles d’embedding similaires, renforce son intérêt pour des volumes importants.

Limites et points d'attention. Les résultats MTEB le placent davantage comme un modèle généraliste solide que comme un leader systématique: le domaine Chemical apparaît en milieu de tableau, et les tracks Spanish et Thai ne signalent pas une domination nette. La représentation dense en 1024 dimensions implique des index plus volumineux et des recherches vectorielles potentiellement plus coûteuses qu’avec des embeddings plus compacts. Les usages pertinents sont la recherche sémantique multilingue, le RAG sur documents longs, le clustering documentaire et la similarité de textes dans des environnements où la licence MIT et le coût d’inférence sont des critères importants.

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