Melhores modelos de embeddings FR

#O que é um modelo de embedding e por que o francês o torna mais complexo

Um modelo de embedding é uma rede neural que converte um texto (uma frase, um parágrafo, um chunk) em um vetor de números, com 384 a 4.096 dimensões, dependendo do modelo. Dois textos com sentidos próximos geram vetores próximos, cuja proximidade costuma ser medida pela similaridade de cosseno. É isso que permite a um RAG encontrar um trecho sobre o “contrato de duração determinada” quando o usuário escreve “CDD”, sem nenhuma palavra em comum. O mesmo modelo deve codificar as perguntas e os documentos, como lembra a documentação do Ollama; mudar de modelo exige, portanto, reindexar todo o corpus. Para escolher, três perguntas bastam: o modelo foi treinado em francês, sua janela de contexto abrange seus chunks e sua licença permite o uso que você pretende fazer?

O francês adiciona suas próprias dificuldades: acentos, elisões (« l'employeur »), siglas jurídicas, anglicismos técnicos misturados ao texto. A diferença entre os modelos é clara. No benchmark MTEB-French, a pontuação de recuperação vai de 0,43 para all-MiniLM-L12-v2 a 0,65 para BGE-M3, ou seja, 22 pontos de diferença no mesmo conjunto de perguntas.

#Os cinco critérios que realmente diferenciam os modelos

Idiomas de treinamento

BGE-M3 e Qwen3-Embedding anunciam mais de 100 idiomas, multilingual-e5-large 94. As fichas dos modelos nomic-embed-text-v1.5 e mxbai-embed-large-v1, ambos muito baixados no Ollama, estão marcadas como English.

Contexto máximo

512 tokens para multilingual-e5-large, Solon e mxbai-embed-large; 2.048 para EmbeddingGemma; 8.192 para BGE-M3; 32.000 para Qwen3-Embedding e Granite R2. Um chunk mais longo é truncado, não rejeitado.

Dimensões e armazenamento

De 384 a 4.096 dimensões, ou seja, 4 bytes por dimensão e por vetor em float32 (cálculo mais abaixo).

Licença

MIT para BGE-M3, multilingual-e5-large e Solon; Apache 2.0 para Qwen3-Embedding, Granite R2, nomic e mxbai; condições Gemma para EmbeddingGemma; CC BY-NC 4.0 (não comercial) para jina-clip-v2.

Prefixos e instruções

Alguns modelos exigem um prefixo antes de cada texto (« query: » e « passage: » para o E5, mesmo em francês). Esquecê-lo prejudica a recuperação de informações sem gerar erro.

#Classificação 2026 para o francês: nove modelos comparados

Este ranking é editorial, não um teste interno: combina cobertura em francês, benchmarks publicados e disponibilidade local. Os pesos vêm da biblioteca Ollama quando o modelo está lá, caso contrário, do float32 estimado pelo estudo MTEB-French.

BGE-M3 continua sendo a melhor opção padrão: seus resultados de recuperação de informações em francês estão publicados, seu contexto de 8.192 tokens evita a maioria das divisões forçadas e ele também fornece os pesos lexicais úteis para uma busca híbrida. Qwen3-Embedding é o candidato quando há uma placa de vídeo disponível: sua versão 8B liderava o ranking multilíngue MTEB no lançamento, em 5 de junho de 2025, segundo a Qwen, mas suas 4.096 dimensões pesam no armazenamento. EmbeddingGemma é voltado para máquinas modestas.

Solon, frequentemente apresentado como especialista em francês jurídico e administrativo, não vence em nenhum dos três conjuntos de dados de recuperação do estudo MTEB-French: ele empata com o BGE-M3 na convenção coletiva Syntec e fica atrás nos artigos de lei (BSARD) e nas perguntas escolares (Alloprof).

#O que os benchmarks em francês dizem, e o que eles não dizem

A referência publicada é o MTEB-French (Ciancone et al., maio de 2024): 18 conjuntos de dados, 8 categorias de tarefas, 51 modelos comparados. Os autores concluem que os grandes modelos multilíngues pré-treinados para similaridade entre frases apresentam desempenho excepcional. A seguir, os resultados de recuperação (NDCG@10) em três conjuntos: artigos de lei em francês (BSARD), convenção coletiva Syntec e perguntas escolares do Alloprof.

Três limitações impedem que isso seja considerado uma classificação definitiva. O estudo é de 2024: não inclui Qwen3-Embedding (junho de 2025), nem EmbeddingGemma (setembro de 2025), nem Granite R2, e nenhuma medição comparável em francês desses modelos foi consultada para esta página. Os corpora (artigos de lei, convenção coletiva, perguntas escolares) não são necessariamente semelhantes aos seus. Por fim, as pontuações multilíngues publicadas pelos desenvolvedores são autodeclaradas e combinam todas as línguas.

#Qual modelo para qual uso: tabela de decisão

#Embeddings personalizados para empresas: modelo aberto, fine-tuning ou API

“Personalizado” não quer dizer treinar seu próprio modelo desde o início. A sequência que evita desperdício de tempo: um modelo aberto genérico, um chunking cuidadoso, uma busca híbrida e um reranker; depois, a medição do recall com suas perguntas reais; depois, apenas se as falhas persistirem e estiverem relacionadas ao vocabulário da área de atuação (referências internas, siglas próprias), um fine-tuning.

Philipp Schmid fez o ajuste fino do modelo bge-base-en-v1.5 em junho de 2024 com 6.300 pares pergunta-trecho extraídos de documentos financeiros: a pontuação de recuperação aumentou aproximadamente 7,4% no seu conjunto de teste, com um treinamento de três minutos em uma placa de vídeo voltada ao consumidor. É um caso em inglês, em um único corpus, com pares gerados por um LLM: uma ordem de grandeza, não uma promessa. A BAAI também documenta o ajuste fino do BGE-M3.

#Embedding multimodal: buscar em imagens e páginas de documentos

Um modelo de embedding multimodal coloca texto e imagens no mesmo espaço vetorial. Assim, é possível recuperar uma foto a partir de uma frase ou uma página de PDF escaneada sem precisar fazer OCR. Os modelos da biblioteca Ollama consultados para esta página (BGE-M3, Qwen3-Embedding, EmbeddingGemma, nomic-embed-text, mxbai-embed-large) aceitam apenas texto: os modelos multimodais abaixo são usados via Hugging Face (Sentence-Transformers ou Transformers).

Um modelo multimodal não é melhor em texto puro. Nas tabelas publicadas pela Qwen, Qwen3-VL-Embedding-2B obtém 63,87 no MTEB multilíngue, contra 64,33 para Qwen3-Embedding-0.6B, um modelo de texto mais de três vezes menor. Para PDFs cujo conteúdo útil é texto, converta-os em texto limpo (Docling ou OCR) e mantenha um embedding de texto. Reserve o multimodal para corpora visuais: diagramas, plantas, capturas de tela, slides.

#Gerenciar seus embeddings: prefixos, truncamento, armazenamento e reindexação

Um RAG frequentemente perde qualidade mais por esses detalhes do que pela escolha do modelo. Primeiro detalhe: cada família de modelos espera um formato de entrada diferente para perguntas e para documentos.

Com Ollama, o exemplo oficial do mxbai-embed-large coloca o prefixo diretamente no texto enviado: adicione-o você mesmo no seu código. Qwen indica que as instruções geralmente proporcionam uma melhoria de 1 a 5% e recomenda escrevê-las em inglês mesmo para um corpus multilíngue.

#A armadilha do Ollama: o truncamento silencioso

O ponto de acesso /api/embed do Ollama possui um parâmetro truncate cujo valor padrão é true: uma entrada que ultrapassa a janela de contexto do modelo é cortada sem erro. Com o mxbai-embed-large (512 tokens no Ollama), um chunk de 700 tokens é indexado sem sua parte final, e ninguém percebe isso. O contexto do Ollama também pode diferir do indicado na ficha original: 2K para nomic-embed-text, contra 8 192 anunciados pela Nomic. Defina truncate como false durante os testes: um erro é melhor do que um texto truncado.

#Dimensões, armazenamento e limites de índice

O cálculo do armazenamento é simples: número de chunks × dimensões × 4 bytes em float32, sem contar o índice. Para um milhão de chunks, apenas os vetores ocupam:

Os bancos de dados também impõem limites. Com o pgvector, um índice abrange vetores com até 2.000 dimensões, ou 4.000 em meia precisão (halfvec): as 4.096 dimensões do Qwen3-Embedding-8B ultrapassam até mesmo esse limite. A solução é truncar os vetores, algo possível nos modelos treinados com Matryoshka (Qwen3-Embedding, EmbeddingGemma, nomic v1.5), e depois renormalizá-los, conforme explicado pelo Google para o EmbeddingGemma. A API /api/embed do Ollama aceita um parâmetro chamado dimensions, que deve ser usado apenas com esses modelos.

#Versionar e reindexar

Metadados a conservar

Nome exato do modelo, revisão, dimensão, modelo de prefixo, parâmetros de chunking, data de indexação. Sem esses metadados, ninguém sabe por que o retrieval mudou.

Mudança de modelo

Recodifique todo o corpus em uma nova coleção, avalie-a e depois passe a usar essa coleção. Nunca misture dois modelos na mesma coleção.

Normalização

Ollama retorna vetores normalizados em L2: use a mesma métrica (cosseno ou produto escalar) em todos os lugares.

#Usar um modelo na prática e testá-lo em seus documentos

ollama pull bge-m3

curl http://localhost:11434/api/embed -d '{
  "model": "bge-m3",
  "input": "Le contrat débute le 1er mai."
}'

import numpy as np
import ollama

textes = [
    "Le contrat débute le 1er mai.",
    "Date de début : 01/05.",
    "La voiture est rouge.",
]
vecteurs = np.array(ollama.embed(model="bge-m3", input=textes)["embeddings"])

# Les vecteurs d'Ollama sont normalisés : le produit scalaire vaut le cosinus
print(vecteurs[0] @ vecteurs[1])
print(vecteurs[0] @ vecteurs[2])

Considere apenas a ordem das duas pontuações: a primeira deve ser claramente superior à segunda. Para comparar seriamente dois ou três candidatos, o procedimento a seguir substitui todos os rankings publicados.

1. 01
   Criar um conjunto de testes real

   Reúna 50 a 100 perguntas feitas por usuários reais (suporte, tickets, perguntas frequentes) e anote para cada uma o chunk que contém a resposta. Perguntas inventadas por um LLM fazem os resultados parecerem melhores do que são.
2. 02
   Codificar com cada modelo candidato

   Codifique os chunks e depois as perguntas, respeitando a tabela de prefixos e mantendo o mesmo comprimento de chunk e a mesma dimensão de armazenamento para todos os candidatos.
3. 03
   Medir o recall@5

   Para cada pergunta, verifique se o bloco correto está entre os cinco primeiros resultados. O script abaixo realiza esse cálculo.
4. 04
   Decidir com base em um critério de custo

   Mantenha o modelo mais leve cujo recall@5 permaneça a um ou dois pontos do melhor: um modelo oito vezes maior acarreta aumento no armazenamento e no tempo em cada reindexação.

import numpy as np
from sentence_transformers import SentenceTransformer

modele = SentenceTransformer("BAAI/bge-m3")

chunks = [...]      # vos chunks (liste de textes)
questions = [...]   # 50 à 100 vraies questions
cible = [...]       # pour chaque question, l'index du bon chunk

C = modele.encode(chunks, normalize_embeddings=True)
Q = modele.encode(questions, normalize_embeddings=True)

top5 = np.argsort(-(Q @ C.T), axis=1)[:, :5]
recall5 = np.mean([cible[i] in top5[i] for i in range(len(questions))])
print(f"recall@5 = {recall5:.0%}")

• Sentence Transformers: embeddings locais
• Estratégias de chunking: o tamanho dos chunks em relação ao contexto do modelo
• Busca híbrida BM25 + vetorial
• Adicionar um reranker antes de fazer o fine-tuning
• pgvector: limites de dimensões e índices
• Ragas: avalie seu RAG com números

• Fonte: ficha oficial do BGE-M3 (BAAI)
• Fonte: MTEB-French, estudo de Ciancone et al. (2024)
• Fonte: documentação dos embeddings do Ollama
• Fonte: ficha do Qwen3-Embedding
• Fonte: ficha de EmbeddingGemma (Google)