BGE-M3

BGE-M3 ist ein vielseitiges Embedding-Modell der Beijing Academy of Artificial Intelligence (BAAI), das drei Retrieval-Methoden in einem einzigen Modell vereint: Dense Retrieval, Multi-Vector-Retrieval und Sparse Retrieval. Mit 568 Millionen Parametern und Unterstützung für über 100 Sprachen ist BGE-M3 eines der leistungsstärksten mehrsprachigen Embedding-Modelle für lokale Nutzung. Die Kontextlänge von 8.192 Token ermöglicht die Verarbeitung längerer Dokumente ohne Aufteilung, was die Qualität bei RAG-Anwendungen deutlich verbessert.

Besonders innovativ ist die Fähigkeit, alle drei Retrieval-Methoden gleichzeitig auszuführen und die Ergebnisse zu kombinieren, was zu höherer Suchgenauigkeit führt als jede einzelne Methode allein. BGE-M3 eignet sich hervorragend für Wissensdatenbanken, semantische Suche in mehrsprachigen Dokumentensammlungen und als Backbone für RAG-Pipelines mit LLMs. Die Hardware-Anforderungen sind moderat: Das Modell läuft auf CPUs und benötigt etwa 2 GB RAM, profitiert aber von GPU-Beschleunigung für Batch-Verarbeitung.

Die Integration erfolgt über die Sentence-Transformers-Bibliothek, die FlagEmbedding-API oder Ollama. BGE-M3 ist unter der MIT-Lizenz veröffentlicht und damit uneingeschränkt kommerziell nutzbar — eine starke Wahl für Unternehmen, die eine datenschutzkonforme, mehrsprachige Suchinfrastruktur aufbauen möchten.