Posso rodar o BGE-M3 localmente?

O modelo está disponível como download torrent de 4,3 GB e tem licença MIT, então você pode rodá-lo no seu hardware; confira o GitHub do FlagEmbedding para a configuração recomendada de inferência.

O que diferencia o BGE-M3 de outros modelos de embedding?

A maioria dos modelos de embedding suporta apenas recuperação densa; o BGE-M3 adiciona recuperação esparsa e multi-vetor (estilo ColBERT) no mesmo checkpoint, permitindo escolher ou combinar modos sem carregar modelos separados.

Este é um modelo de chat ou geração de texto?

Não — o BGE-M3 é um modelo de embedding que converte texto em vetores para busca e recuperação; não gera respostas em texto.

Novo esta semana · veja a tendência

Bge m3

7900°

#llm #baai #embedding #torrent #pesquisa #local

Abrir OpenRouter

Abrir Hugging Bay

BAAI | modelo de embedding | licença MIT | 4.3 GB como torrent. Recuperação densa + esparsa + multi-vetor em um único checkpoint. Espelho completo do BAAI/bge-m3. Para mais detalhes, consulte nosso repositório github: https://github.com/FlagOpen/FlagEmbedding

Guias para este modelo

Melhor LLM local por caso de uso (outubro de 2026): o modelo aberto certo para cada tarefa

O que é o Hugging Bay? Um índice espelho para modelos abertos e como verificar um download com seus hashes

Pesos abertos vs código aberto vs só API: o que você realmente pode fazer

Como Instalar Ollama e Rodar uma IA Local (Windows, Mac, Linux)

O que é um arquivo GGUF? Modelos quantizados explicados (Q4, Q8, fp8, NF4)

Todos os guias

Notas do capitão

Escrito por Captain, o editor da casa

Notas de 2026-10-13

BGE-M3 é um modelo de embedding da BAAI que combina recuperação densa, recuperação esparsa e recuperação multi-vetor (estilo ColBERT) em um único checkpoint. Essa tripla capacidade em um só modelo é o principal motivo para escolhê-lo em vez de um embedder mais simples. É ideal para desenvolvedores que constroem sistemas de busca, pipelines RAG ou qualquer sistema que precise de recuperação flexível sem gerenciar múltiplos modelos.

Conhecido por

Três modos de recuperação — denso, esparso, multi-vetor — em um único checkpoint.
Licença MIT: permissiva para uso comercial e pesquisa.
Download de 4,3 GB, disponível via espelho torrent.
Suportado pela BAAI, o mesmo laboratório por trás da família BGE de embeddings.

Fique atento a

Este é um modelo de embedding, não generativo — produz vetores, não texto.
Status dos pesos abertos está listado como incerto nesta página; verifique o repositório da BAAI diretamente antes de usar.
Nenhum card de modelo detalhado publicado aqui; consulte o GitHub do FlagEmbedding para uso e desempenho completos.

Melhor para

Pesquisa

Roda localmente

Sugestões para tentar

Comparar similaridade entre frases

Tenho duas frases: 'A arquitetura transformer revolucionou o PLN' e 'Mecanismos de atenção mudaram como modelos de linguagem funcionam.' Usando embeddings densos do BGE-M3, explique como calcular a similaridade cosseno entre elas e o que uma pontuação de 0,85 versus 0,40 indicaria sobre a relação semântica.

Projetar pipeline de recuperação RAG

Estou construindo um sistema de geração aumentada por recuperação (RAG) sobre um corpus de 50.000 documentos técnicos. Explique como usar os três modos de recuperação do BGE-M3 — denso, esparso e multi-vetor — juntos, quando cada modo é mais útil e como combinar suas pontuações na consulta.

Escolher o modo de recuperação correto

Minhas consultas de busca são curtas, como 'campo data da fatura', mas meus documentos são longos contratos legais. Qual dos modos de recuperação do BGE-M3 — denso, esparso ou multi-vetor — devo priorizar e por quê? Quais são as vantagens e desvantagens de cada um para este caso?

Comparar com

Claude Opus 5.5
Modelo apenas para API
Contexto de 1,000,000 tokens · entrada $4.00/M, saída $20.00/M
Claude Fable 5.1
Modelo apenas para API
Contexto de 1,000,000 tokens · entrada $10.00/M, saída $50.00/M
GPT-6 Astra
Modelo apenas para API
Contexto de 1,050,000 tokens · entrada $10.00/M, saída $50.00/M
Gemini 4 Argon
Modelo apenas para API
Contexto de 1,048,576 tokens · entrada $2.00/M, saída $10.00/M

Mais modelos de texto de baai

Perguntas frequentes

Posso rodar o BGE-M3 localmente?: O modelo está disponível como download torrent de 4,3 GB e tem licença MIT, então você pode rodá-lo no seu hardware; confira o GitHub do FlagEmbedding para a configuração recomendada de inferência.
O que diferencia o BGE-M3 de outros modelos de embedding?: A maioria dos modelos de embedding suporta apenas recuperação densa; o BGE-M3 adiciona recuperação esparsa e multi-vetor (estilo ColBERT) no mesmo checkpoint, permitindo escolher ou combinar modos sem carregar modelos separados.
Este é um modelo de chat ou geração de texto?: Não — o BGE-M3 é um modelo de embedding que converte texto em vetores para busca e recuperação; não gera respostas em texto.

Veredito do capitão
Se você precisa dos três modos de recuperação sem a sobrecarga de múltiplos modelos, o BGE-M3 é a escolha prática.

O capitão escreve estas notas com base na descrição e ficha do modelo. Preços e tamanhos de contexto são do provedor na data da escrita e podem mudar.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #76 Hottest Text / LLM text model

Not this creator?

Get your own badge

Tendência de popularidade de bge m3

Pontuação de calor, últimos 12 meses

Pontuação de destaque

7,900°

Esta semana

n/a

Ainda não lançado/monitorado

Este mês

n/a

Ainda não lançado/monitorado

Último ano

n/a

Ainda não lançado/monitorado

7,000°

Piso

A escala vai de 0° a 9.999°. Tudo abaixo de 7,000° é reservado para modelos que nenhuma fonte reportou ainda, que carregam um número provisório ali para as listas ficarem completas. 7,000° é onde começam os dados medidos: um modelo com dados reais mas quase nenhum download fica no piso, e as medições preenchem os graus acima dele. O piso não diz nada sobre o modelo; só os graus acima dele dizem, e são eles que diferenciam um modelo do outro.

+900°

Seeders de torrent

1 pessoas continuam servindo os pesos via torrents ou espelhos hospedados. Servir um arquivo custa banda real e mostra que os pesos ainda são procurados, então cada seeder conta como 1,000 downloads no termo de downloads.

Mostrar detalhamento

Cada número neste site pode ser verificado. A pontuação de popularidade deste modelo é 7,900°, e aqui ela é construída um ingrediente de cada vez, com o total acumulado após cada um: o piso, os graus que cada fonte adiciona, o bônus pelo tipo de modelo e o que a idade dos pesos subtrai. As cores são as faixas do gráfico acima. O glossário no final define cada termo.

1
Comece pelo piso.
Por que 7,000° e não zero: a escala vai de 0° a 9.999°, e a parte abaixo de 7,000° é reservada para modelos que nenhuma fonte reportou ainda, que carregam um número provisório ali para as listas ficarem completas e nunca ficarem acima de um modelo com dados. 7,000° é onde começam os dados medidos. Um modelo com dados reais mas quase nenhum download fica aqui; tudo que vem depois é medição, e o espaço acima do piso tem dez passos de dez vezes mais downloads, com 300° cada. O piso é o mesmo para todo modelo, então ele não decide nada; os graus acima dele é que decidem.
7,000°
total acumulado
2
Some as downloads.
1,000 equivalentes a downloads no total, de Seeders de torrent. Dez vezes os downloads adicionam o mesmo 300°, então o tamanho importa, mas nunca domina a pontuação.
+900°
7,900°
total acumulado
=
A pontuação heat.
Onde este modelo está em todas as listas deste site. Nada mais altera isso.
7,900°

Glossário: os termos usados aqui

Pontuação heat: Um número que mostra o quanto um modelo está sendo usado e desejado agora, de 0° a 9.999°. Toda lista neste site que diz mais quente é ordenada por ele e só por ele.
Limite mínimo: Os 7.000° que todo modelo com dados reais começa. A escala vai de 0° a 9.999°; a parte abaixo do limite é para substitutos (modelos sem dados), para que um modelo com dados sempre fique acima de um sem. O limite é igual para todos e não decide nada; os graus acima dele são a medida.
Equivalentes a downloads: Tudo que a pontuação trata como download, somado: downloads em si, cada torrent seeder como 1.000, cada imagem AI Horde e cada execução em site de geração como um.
Escala logarítmica: Contando de dez em dez, não de um em um: ir de 1.000 para 10.000 downloads adiciona os mesmos graus que ir de 10.000 para 100.000. Isso evita que gigantes abafem tudo.
Likes: Joinhas e likes de todas as fontes, valendo metade de um download na escala logarítmica.
Taxa de adoção: Quantos downloads por dia um modelo recebe agora, pela diferença entre duas leituras de uma fonte. Um quarto do peso do termo download.
Medido e estimado: Medido significa que existem duas leituras de uma fonte e a diferença é real. Estimado significa que só se sabe o total de hoje e o passado é distribuído ao longo da vida do modelo; o site indica qual está mostrando.
Seeder: Alguém que mantém uma cópia dos pesos online para outros baixarem via torrent, ou um espelho hospedado fazendo o mesmo. Cada um conta como 1.000 downloads.
AI Horde: Uma rede voluntária que gera imagens de graça em computadores doados. O número de imagens feitas com um modelo é público, e cada uma conta como um download.
Sites de geração: Sites que hospedam suas próprias cópias de um modelo e deixam as pessoas gerarem com ele, como PixAI, SeaArt e Yodayo. Os downloads deles contam como os do Civitai e cada geração conta como um download.
Tokens OpenRouter: Um modelo de texto servido via API, como Claude ou GPT, não tem pesos para baixar, então seu uso é medido em tokens: os pedaços de texto que ele leu e escreveu via OpenRouter, um gateway usado por muitos apps, nos últimos 30 dias. Cada 10,000,000 tokens contam como um download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modelo completo (checkpoint): Os pesos em si, o arquivo que gera sozinho. Ganha um bônus porque complementos dependem dele.
LoRA e embedding: Arquivos pequenos que direcionam os pesos de outra pessoa para um estilo, personagem ou conceito. Não podem rodar sozinhos.
Família e pesos: A base em que um modelo é construído, como SD 1.5, SDXL, Flux ou Wan. Todo modelo herda a data de lançamento dos pesos da sua família.
Idade: Pontos retirados conforme há quanto tempo os pesos da família foram lançados: 150° por ano, até 750°. Mantém os downloads antigos que tiveram anos para acumular, evitando que saiam do topo da lista.
Impulso da família: Um pequeno empurrão limitado para LoRAs de uma família que este site está promovendo agora, sempre listado na divisão.
Pontuação provisória: Um número estável abaixo do mínimo dado a um modelo que ainda não tem dados de fonte, para a lista ficar completa. Nunca fica acima de um modelo com dados.
Novo! (período de carência): Um modelo com menos de 7 dias mostra Novo! em vez de uma pontuação e não ocupa lugar no ranking. Sua pontuação é calculada desde o primeiro dia, mas um modelo com um dia cresce mais rápido que qualquer outro, então sem a espera o #1 da semana seria sempre o que saiu ontem, não o que se manteve por uma semana.
Tendência: Como o crescimento de um modelo num período se compara com o crescimento típico dos modelos no mesmo período. Crescimento mais rápido que o típico indica alta, mais lento indica queda.
Modelo típico: O meio do catálogo: metade dos modelos com número cresceu mais rápido no período, metade mais devagar.

Como a popularidade deste modelo mudou em relação ao resto do catálogo: seu crescimento em downloads, curtidas e uso em cada período, medido contra o crescimento típico dos modelos no mesmo período, junto com sua pontuação de calor na época. Acima do crescimento típico significa alta, abaixo significa queda. O passado é reconstruído a partir dos totais de hoje, do primeiro dia do modelo e da velocidade de download medida quando existem duas leituras; um modelo que não existia no começo do período mostra n/a.

Executar localmente

Como instalar

Melhor LLM local por caso de uso (outubro de 2026): o modelo aberto certo para cada tarefa

13 de Out de 2026

Abrir OpenRouter Abrir Hugging Bay

Torrents

baai/bge-m3

4.27 GB · 0 seeders ·

Hugging Bay

· 28 arquivos · verificado

Baixar .torrent Link magnet

pytorch_model.bin

2.12 GB · SHA-256 b5e0ce3470abf5ef3831aa1bd5553b486803e83251590ab7ff35a117cf6aad38

onnx/model.onnx_data

2.11 GB · SHA-256 1eebfb28493f67bba03ce0ef64bfdc7fc5a3bd9d7493f818bb1d78cd798416b4

colbert_linear.pt

2.00 MB · SHA-256 19bfbae397c2b7524158c919d0e9b19393c5639d098f0a66932c91ed8f5f9abb

onnx/model.onnx

707.93 KB · SHA-256 f84251230831afb359ab26d9fd37d5936d4d9bb5d1d5410e66442f630f24435b

sparse_linear.pt

3.43 KB · SHA-256 45c93804d2142b8f6d7ec6914ae23a1eee9c6a1d27d83d908a20d2afb3595ad9

e mais 23 arquivos no torrent

Torrents são compartilhados peer to peer pelos seeders; ModelTrends.ai não hospeda arquivos. Abra o link magnet com um cliente BitTorrent e compare o checksum do arquivo finalizado com o da listagem.

Modelos semelhantes

Modelos de IA para geração de imagem, vídeo e texto

Bge m3 é um modelo de texto para a família Text / LLM listado no ModelTrends.ai, um catálogo somente leitura de modelos de IA de código aberto para imagem, vídeo e texto. Compare-o com outros modelos Text / LLM e veja a pontuação de calor para acompanhar a tendência.

Mais modelos Text / LLM Mais Texto / LLM Text / LLM llm baai embedding torrent pesquisa local

Navegar por família de modelos