intfloat/multilingual-e5-large-instruct
intfloat/multilingual-e5-large-instruct est un modèle d’embedding publié par Intfloat le 8 février 2024 sous licence MIT. Il produit des représentations denses de 1024 dimensions, avec 560 millions de paramètres actifs, et accepte des séquences jusqu’à 514 tokens.
intfloat/multilingual-e5-large-instruct est un modèle d’embedding publié par Intfloat le 8 février 2024 sous licence MIT. Il produit des représentations denses de 1024 dimensions, avec 560 millions de paramètres actifs, et accepte des séquences jusqu’à 514 tokens.
Ce modèle sert à transformer des textes en vecteurs pour la recherche sémantique, le RAG, la similarité ou le clustering, sans génération de texte. Son positionnement multilingue ressort de ses évaluations MTEB sur plusieurs langues, notamment coréen, langues indiciennes, français, espagnol, thaï et russe.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Modèle d'embedding |
| Éditeur | Intfloat |
| Licence | MIT |
| Date de sortie | 8 février 2024 |
| Dimension du vecteur | 1 024 |
| Représentation | dense |
| Paramètres | 560 millions |
| Paramètres actifs | 560 millions |
| Longueur de séquence max | 514 tokens |
| Modalités (entrée → sortie) | text → embedding |
Performances (benchmarks)
| Benchmark | Score | Rang | Source | Fiabilité |
|---|---|---|---|---|
| MTEB: BEIR | 52,7 % | 67ᵉ / 192 | mteb | ✅ Mesuré |
| MTEB: BEIR-NL | 44,4 % | 6ᵉ / 16 | mteb | ✅ Mesuré |
| MTEB: Long-context Retrieval | 41,8 % | 63ᵉ / 170 | mteb | ✅ Mesuré |
| MTEB: RTEB Legal | 45,6 % | 58ᵉ / 205 | mteb | ✅ Mesuré |
| MTEB: RTEB Healthcare | 49,0 % | 51ᵉ / 95 | mteb | ✅ Mesuré |
| MTEB: RTEB Finance | 58,6 % | 46ᵉ / 95 | mteb | ✅ Mesuré |
| MTEB: Medical | 58,5 % | 26ᵉ / 158 | mteb | ✅ Mesuré |
| MTEB: Legal | 54,9 % | 29ᵉ / 156 | mteb | ✅ Mesuré |
| MTEB: European | 62,2 % | 12ᵉ / 128 | mteb | ✅ Mesuré |
| MTEB: RTEB French | 40,6 % | 71ᵉ / 216 | mteb | ✅ Mesuré |
| MTEB: RTEB German | 51,2 % | 52ᵉ / 206 | mteb | ✅ Mesuré |
| MTEB: Korean | 70,9 % | 6ᵉ / 101 | mteb | ✅ Mesuré |
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.
MTEB: BEIR
Notre analyse
Forces. intfloat/multilingual-e5-large-instruct se distingue surtout sur des tâches MTEB multilingues mêlant classification, reranking, retrieval, bitext mining, similarité et clustering. Ses meilleurs classements concernent le coréen et les langues indiciennes, où il figure dans le haut du tableau, ce qui en fait un candidat crédible pour des index de recherche et des pipelines RAG multilingues. La licence MIT facilite l’auto-hébergement et l’intégration dans des systèmes commerciaux ou internes. La sortie en 1024 dimensions offre une représentation riche, adaptée à la comparaison sémantique fine.
Limites et points d'attention. Sa fenêtre de 514 tokens impose un découpage agressif des documents longs, avec un risque de perte de contexte entre passages. Les vecteurs de 1024 dimensions alourdissent les index et rendent la recherche plus coûteuse que des embeddings plus compacts. Les résultats sont moins dominants sur les tracks Spanish, Thai et Russian que sur ses meilleurs ensembles, et le modèle date d’environ deux ans, une ancienneté importante à l’échelle de l’IA, à comparer aux modèles de sa période et potentiellement dépassée aujourd’hui. Usages pertinents : recherche multilingue, RAG par passages courts, déduplication, clustering et similarité de textes.
Sources des données : MTEB — Massive Text Embedding Benchmark.