Baai · seit Januar/Februar 2024 (GitHub-Release 30.01.2024; arXiv-Paper veröffentlicht 5. Februar 2024) · 2× · zuletzt 30. Juni 2026
BGE-M3 ist ein Open-Source-Embedding-Modell der Beijing Academy of Artificial Intelligence (BAAI), das auf einer feinabgestimmten XLM-RoBERTa-Architektur basiert und Text als 1024-dimensionale Vektoren kodiert. Es zeichnet sich durch drei Eigenschaften aus: Unterstützung von über 100 Sprachen (Multi-Linguality), gleichzeitige Nutzung von Dense-, Sparse- und Multi-Vektor-Retrieval (Multi-Functionality) sowie Verarbeitung von Texten unterschiedlicher Länge bis 8192 Tokens (Multi-Granularity). Das Modell ist über Hugging Face, GitHub (FlagEmbedding) und diverse Cloud-Plattformen wie NVIDIA NIM oder Ollama frei nutzbar und wird unter MIT-Lizenz vertrieben.
Features
| Deployment (Self-host/Cloud) | Self-hosting via Python-Bibliothek (FlagEmbedding, Transformers, ONNX) oder Cloud-Inferenz via NVIDIA NIM/Ollama |
| Durchsatz/Latenz | Keine offiziellen Benchmark-Zahlen zu Durchsatz/Latenz in den geprüften Quellen gefunden |
| Lizenz | MIT-Lizenz, frei für akademische und kommerzielle Nutzung |
| Plattform | Hugging Face, GitHub (FlagEmbedding), NVIDIA NIM, Ollama, ONNX |
| Preis | Kostenlos, Open-Source-Gewichte (Download via Hugging Face/GitHub) |
| Protokoll-Kompatibilität | Max. 8192 Tokens Kontextlänge; unterstützt Dense-, Sparse- (BM25-ähnlich) und Multi-Vektor-Retrieval (ColBERT-Stil); Integration mit Milvus und Vespa für Hybrid-Retrieval |
| Release-Datum | 30. Januar 2024 (GitHub-Ankündigung); Paper veröffentlicht 5. Februar 2024 |
| Unterstützte Modelle/Provider | Basis: XLM-RoBERTa (fine-tuned), 568 Mio. Parameter, Embedding-Dimension 1024; nutzbar via FlagEmbedding, sentence-transformers, HuggingFace transformers, LangChain, Milvus, Vespa |