intfloat/multilingual-e5-large

multilingual‑e5‑large es un modelo de embedding textual de Microsoft Research basado en XLM‑RoBERTa‑large y entrenado con datasets multilingües. Con 24 capas y embeddings de dimensión 1024, admite 100 idiomas para búsqueda semántica, similitud textual, bitext mining y clasificación. Se preentrenó con supervisión débil y después se optimizó con datasets como MS MARCO y MIRACL. Las entradas se truncan a 512 tokens.

• SEDE DEL PROVEEDOR: Extra UE
• PARÁMETROS: ~560M
• CONTEXTO MÁX.: 512 token
• LICENCIA: MIT
• FUNCIONALIDADES: Embedding retrieval, Similitud semántica
• FORMATOS DE SALIDA: Embedding_vector

• Búsqueda semántica multilingüe
• Sistemas RAG (Retrieval Augmented Generation)
• Clasificación de textos
• Clustering y deduplicación de documentos

curl --request POST \
--url https://apiaruba.it/aiplatform/v1/embeddings \
--header 'content-type: application/json' \
--header 'x-aruba-api-key: *****' \
--data '{
"model": "multilingual-e5-large",
"input": [
"primo testo",
"secondo testo"
]
}'

{
"model": "multilingual-e5-large",
"data": [
{
"embedding": [
0.02086777612566948,
0.003188132541254163,
0.011166091077029705,
-0.066386379301548,
0.04100335016846657,
...
]
}
]
}

• BGE‑M3

• Hugging Face
• Artículo
• Catálogo Azure AI