Modèles d'embedding pour le RAG : bien choisir avant d'indexer
Le modèle d'embedding est la pièce d'une chaîne RAG la plus difficile à changer après coup : ses vecteurs remplissent votre index, et un nouveau modèle oblige à tout ré-encoder. Choisissez-le donc sur les chiffres qui le gouvernent — taille des vecteurs, fenêtre de contexte, prix — et sur un test de recherche avec vos propres requêtes, pas sur un score de benchmark seul. Evanesca sert deux modèles d'embedding à poids ouverts, exécutés en France : Qwen3 Embedding 8B et BGE Multilingual Gemma2.
Publié le 6 oct. 2026 · vérifié le 20 oct. 2026
Pourquoi ce choix est difficile à défaire
La génération augmentée par la recherche (RAG) fonctionne en deux temps. À l'indexation, vous découpez chaque document en morceaux, transformez chaque morceau en vecteur avec le modèle d'embedding, et stockez les vecteurs. À la requête, vous transformez la question en vecteur avec le même modèle, récupérez les morceaux les plus proches et les confiez à un modèle de chat comme contexte.
Les vecteurs de deux modèles différents vivent dans des espaces différents et n'ont en général pas la même longueur : ils ne se comparent pas. Changer de modèle impose donc de ré-encoder tout le corpus et de reconstruire l'index — pour une grande base documentaire, une migration plutôt qu'un réglage. D'où l'intérêt de tester avant d'indexer, pas après.
Les trois chiffres qui décident
- Les dimensions : la longueur de chaque vecteur. Des vecteurs plus longs peuvent porter plus de nuances, mais chaque dimension en plus est stockée pour chaque morceau et comparée à chaque requête.
- La fenêtre de contexte : le nombre de tokens qu'une entrée peut contenir. Une fenêtre plus large permet d'encoder une longue section en un seul vecteur au lieu de la découper en petits morceaux.
- Le prix : les embeddings ne se facturent qu'en tokens d'entrée — un vecteur n'est pas du texte, il n'y a donc pas de prix de sortie. Votre facture d'indexation vaut la taille du corpus multipliée par le prix d'entrée.
Un score de benchmark est utile à la marge, mais il fait la moyenne de jeux de données publics qui ignorent vos documents, vos langues et votre découpage. Ce sont les trois chiffres ci-dessus qui vous engageront.
Les deux modèles d'embedding d'Evanesca
| Modèle | Éditeur | Licence | Dimensions | Contexte (tokens) | Prix | Exécuté par |
|---|---|---|---|---|---|---|
| Qwen3 Embedding 8B | Qwen | Apache-2.0 | 4 096 | 40 960 | 0,168 € | Scaleway, Paris |
| BGE Multilingual Gemma2 | BAAI | Gemma Terms of Use | 3 584 | 8 192 | 0,168 € | Scaleway, Paris |
Les dimensions ont été mesurées par un vrai appel ; la fenêtre de contexte est la limite annoncée par chaque opérateur. Pour Qwen3 Embedding 8B, Scaleway accepte 40 960 tokens par entrée, alors que la fiche du modèle indique un contexte de 32k. Les licences diffèrent : Qwen3 Embedding 8B est sous Apache-2.0, tandis que BGE Multilingual Gemma2 relève des conditions d'utilisation de Gemma de Google — des poids ouverts, pas une licence open source. Tous les détails sont sur la page embeddings ; les fiches de modèles citées ici ont été relues le 6 octobre 2026.
Un troisième modèle, BGE-M3 (MIT, 1 024 dimensions), est en pause depuis le 20 octobre 2026 : OVHcloud, qui l'exécutait à Gravelines, ne le sert plus pour Evanesca. Un index construit avec lui doit être ré-encodé avec l'un des modèles ci-dessus avant d'être interrogé par Evanesca.
Ce que disent les scores MTEB, et ce qu'ils taisent
MTEB, le Massive Text Embedding Benchmark, fait la moyenne d'un modèle sur de nombreuses tâches publiques. Qwen3 Embedding 8B et BGE-M3 (en pause chez Evanesca, voir plus haut) figurent dans le même tableau du rapport technique de Qwen3 Embedding, sur MTEB Multilingual :
| Modèle | Taille | Moyenne (tâches) | Recherche |
|---|---|---|---|
| BGE-M3 | 0,6 Md | 59,56 | 54,60 |
| Qwen3 Embedding 8B | 8 Md | 70,58 | 70,88 |
| BGE Multilingual Gemma2 | — | absent de ce tableau | — |
- Ce sont les chiffres de l'équipe Qwen, publiés en juin 2025 ; le score qu'elle donne pour BGE-M3 provient du classement public MTEB du 4 juin 2025. Evanesca ne les a pas recalculés, et les positions du classement ont bougé depuis.
- Pour le RAG, c'est la colonne Recherche qui compte le plus, et l'écart y est d'environ 16 points — plus large que sur la moyenne générale.
- La fiche de BGE Multilingual Gemma2 publie des résultats tâche par tâche mais aucun agrégat comparable à ce tableau : aucun score n'est donc cité pour lui, plutôt qu'une estimation.
Ce que coûtent des vecteurs plus longs
À ces prix, l'indexation coûte peu ; c'est sur le stockage et la vitesse de recherche que la longueur des vecteurs se paie. Pour un corpus de 100 millions de tokens et un index d'un million de morceaux stockés en flottants 32 bits :
| Modèle | Un vecteur | Un million de vecteurs | Encoder 100 millions de tokens |
|---|---|---|---|
| Qwen3 Embedding 8B | 16,4 Ko | 16,4 Go | 16,80 € |
| BGE Multilingual Gemma2 | 14,3 Ko | 14,3 Go | 16,80 € |
La fiche de Qwen3 Embedding 8B indique qu'il peut aussi produire des vecteurs plus courts, de 32 à 4 096 dimensions. Qu'une API d'opérateur permette de demander une longueur réduite reste à tester avant d'en faire la base de votre stockage.
Tirer le meilleur de n'importe quel modèle
- Découpez selon le sens — sections, paragraphes — avec un léger chevauchement, plutôt qu'à longueur fixe au risque de couper les phrases.
- Retirez en-têtes, menus et textes répétés avant l'encodage : ils polluent les plus proches voisins.
- Appliquez aux requêtes le même nettoyage qu'aux documents, et encodez toujours les deux avec le même modèle.
- Enregistrez le nom du modèle à côté de l'index, pour ne jamais mélanger les vecteurs de deux modèles.
La fiche de BGE-M3 recommande une recherche hybride — embeddings plus correspondance de mots-clés de type BM25 — suivie d'un reclassement (re-ranker). L'endpoint d'embeddings d'Evanesca suit le format d'OpenAI et renvoie un vecteur dense par entrée : la partie mots-clés peut venir de votre moteur de recherche.
Choisir avant d'indexer
- Mesurez votre corpus : sa taille en tokens et son mélange de langues.
- Prenez quelques centaines de documents et de questions réels, et vérifiez pour chaque candidat si le bon passage revient dans les premiers résultats.
- Chiffrez : tokens du corpus multipliés par le prix d'entrée pour l'indexation, longueur des vecteurs multipliée par le nombre de morceaux pour le stockage.
- Choisissez, indexez, et gardez le modèle tant qu'un test sur vos propres données ne dit pas le contraire.
Si vos documents sont longs, une fenêtre de contexte plus large vous laisse libre de les découper ; si votre corpus est énorme, des vecteurs plus courts gardent l'index léger. La partie qui répond est un modèle de chat : le guide des modèles à poids ouverts aide à le choisir.
Les documents sont la partie sensible
L'encodage fait passer des documents entiers par le modèle — souvent les données les plus sensibles de la chaîne. Les modèles d'embedding d'Evanesca sont exécutés en France, chez Scaleway à Paris — une société française sans maison mère américaine. Ils utilisent la même clé et le même crédit prépayé que les modèles de chat (documentation de l'API), et Evanesca ne stocke pas ce que vous envoyez.
Une exception relève d'un opérateur : Scaleway, qui exécute Qwen3 Embedding 8B et BGE Multilingual Gemma2, peut conserver et lire les requêtes qui provoquent des erreurs ou paraissent abusives, jusqu'à 14 jours (Scaleway, consulté le 6 octobre 2026). Les prix sont sur la page des tarifs : aucun abonnement, et des recharges dès 2 €.
Questions fréquentes
Quel est le meilleur modèle d'embedding à poids ouverts pour le RAG ?
Il n'y a pas de meilleur unique : le choix arbitre entre taille des vecteurs, fenêtre de contexte et prix d'un côté, qualité de recherche sur vos données de l'autre. Sur MTEB Multilingual, selon l'équipe Qwen en juin 2025, Qwen3 Embedding 8B obtient 70,58 en moyenne contre 59,56 pour BGE-M3, en pause chez Evanesca. Des deux modèles servis par Evanesca, Qwen3 Embedding 8B donne des vecteurs 1,14 fois plus longs que ceux de BGE Multilingual Gemma2 (4 096 contre 3 584 dimensions), au même prix par token, et accepte des entrées plus longues. Testez les deux sur vos propres requêtes.
Les embeddings sont-ils facturés en tokens d'entrée ou de sortie ?
En tokens d'entrée seulement. Un appel d'embedding renvoie un vecteur, pas du texte : il n'y a pas de prix de sortie, et le coût d'indexation vaut le nombre de tokens du corpus multiplié par le prix d'entrée.
Faut-il tout ré-encoder si je change de modèle ?
Oui. Les vecteurs de deux modèles ne se comparent pas, et leurs longueurs diffèrent en général : il faut ré-encoder le corpus et reconstruire l'index. C'est pourquoi le modèle mérite un test avant d'indexer un gros corpus.
Puis-je encoder les requêtes avec un autre modèle que les documents ?
Non. Un vecteur de requête ne se compare qu'aux vecteurs de documents du même modèle. Utilisez un seul modèle des deux côtés, et notez son nom avec l'index.
À lire aussi
- Auto-héberger un LLM ou payer au token : où se situe vraiment le seuilUn H100 loué coûte autant qu'il serve un token ou un milliard. Le seuil de rentabilité face au paiement au token, calculé avec des prix d'octobre 2026.
- Agrégateurs d'API IA : une clé pour de nombreux modèles, et la question de qui les exécuteUn agrégateur d'API IA réunit de nombreux modèles derrière une clé compatible OpenAI. Ce qui distingue OpenRouter, Together AI, Groq, Fireworks AI et Evanesca.
- Comment choisir un agrégateur d'API d'IA pour votre entrepriseLes cinq questions à poser à un agrégateur d'API d'IA — juridiction, données gardées, facturation, catalogue, compatibilité — et les réponses de cinq acteurs.