Bge m3
7900°
BAAI | modelo de embeddings | licencia MIT | 4.3 GB como torrent. Recuperación densa + dispersa + multivector en un solo checkpoint. Espejo completo de BAAI/bge-m3. Para más detalles, por favor consulte nuestro repositorio github: https://github.com/FlagOpen/FlagEmbedding
Guías para este modelo
Mejor LLM local según el uso (octubre 2026): el modelo abierto adecuado para cada tarea
¿Qué es The Hugging Bay? Un índice espejo para modelos abiertos y cómo verificar una descarga con sus hashes
Pesos abiertos vs código abierto vs solo API: lo que realmente puedes hacer
Cómo instalar Ollama y ejecutar una IA local (Windows, Mac, Linux)
¿Qué es un archivo GGUF? Modelos cuantizados explicados (Q4, Q8, fp8, NF4)
Notas del capitán
Notas del 2026-10-13
BGE-M3 es un modelo de embeddings de BAAI que combina recuperación densa, recuperación dispersa y recuperación multivectorial (estilo ColBERT) en un solo checkpoint. Esa triple capacidad en un solo modelo es la principal razón para elegirlo sobre un embedder más simple. Es ideal para desarrolladores que construyen búsquedas, pipelines RAG o cualquier sistema que necesite recuperación flexible sin manejar múltiples modelos.
Conocido por
- Tres modos de recuperación — denso, disperso, multivectorial — en un solo checkpoint.
- Licencia MIT: permisiva para uso comercial y de investigación.
- Descarga de 4.3 GB, disponible como espejo torrent.
- Respaldado por BAAI, el mismo laboratorio detrás de la familia BGE de embeddings.
Cuidado con
- Este es un modelo de embeddings, no generativo — produce vectores, no texto.
- El estado de pesos abiertos no está claro en esta página; verifica el repositorio de BAAI directamente antes de usarlo.
- No hay detalles de tarjeta de modelo aquí; consulta el GitHub de FlagEmbedding para uso y rendimiento completos.
Mejor para
Prompts para probar
Comparar similitud entre oraciones
Tengo dos oraciones: 'La arquitectura transformer revolucionó el PLN' y 'Los mecanismos de atención cambiaron cómo funcionan los modelos de lenguaje.' Usando embeddings densos de BGE-M3, explica cómo calcularías su similitud coseno y qué me indicaría una puntuación de 0.85 frente a 0.40 sobre su relación semántica.
Diseñar un pipeline de recuperación RAG
Estoy construyendo un sistema de generación aumentada por recuperación sobre un corpus de 50,000 documentos técnicos. Explícame cómo usar juntos los tres modos de recuperación de BGE-M3 — denso, disperso y multivectorial — cuándo cada modo es más útil y cómo combinar sus puntuaciones en tiempo de consulta.
Elegir el modo de recuperación adecuado
Mis consultas de búsqueda son búsquedas cortas por palabras clave como 'campo fecha factura' pero mis documentos son largos contratos legales. ¿Cuál de los modos de recuperación de BGE-M3 — denso, disperso o multivectorial — debería ponderar más y por qué? ¿Cuáles son las compensaciones de cada uno para este caso exacto?
Comparar con
- Claude Opus 5.5Modelo solo APIContexto de 1,000,000 tokens · $4.00/M entrada, $20.00/M salida
- Claude Fable 5.1Modelo solo APIContexto de 1,000,000 tokens · $10.00/M entrada, $50.00/M salida
- GPT-6 AstraModelo solo APIContexto de 1,050,000 tokens · $10.00/M entrada, $50.00/M salida
- Gemini 4 ArgonModelo solo APIContexto de 1,048,576 tokens · $2.00/M entrada, $10.00/M salida
Más modelos de texto de baai
Preguntas frecuentes
- ¿Puedo ejecutar BGE-M3 localmente?
- El modelo está disponible como descarga torrent de 4.3 GB y tiene licencia MIT, por lo que puedes ejecutarlo en tu propio hardware; consulta el GitHub de FlagEmbedding para la configuración recomendada de inferencia.
- ¿Qué hace diferente a BGE-M3 de otros modelos de embeddings?
- La mayoría de los modelos de embeddings solo soportan recuperación densa; BGE-M3 añade recuperación dispersa y multivectorial (estilo ColBERT) en el mismo checkpoint, permitiéndote elegir o combinar modos sin cargar modelos separados.
- ¿Es este un modelo de chat o generación de texto?
- No — BGE-M3 es un modelo de embeddings que convierte texto en vectores para tareas de búsqueda y recuperación; no genera respuestas de texto.
Veredicto del capitánSi necesitas los tres modos de recuperación sin la carga de modelos separados, BGE-M3 es la opción práctica.
El capitán escribe estas notas a partir de la descripción y ficha del modelo. Los precios y tamaños de contexto son los del proveedor al momento de escribir y pueden cambiar.
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.
Also ranked: #76 Hottest Text / LLM text model
Not this creator?
Get your own badge
Tendencia de popularidad de bge m3
Puntuación de calor, últimos 12 meses
Puntuación de popularidad
7,900°
Esta semana
n/a
No fue lanzado/seguido
Este mes
n/a
No fue lanzado/seguido
Último año
n/a
No fue lanzado/seguido
7,000°
Piso
La escala va de 0° a 9,999°. Todo lo que está por debajo de 7,000° se reserva para modelos que ninguna fuente reporta aún, que llevan un número provisional ahí para que las listas se mantengan completas. 7,000° es donde empiezan los datos medidos: un modelo con datos reales pero casi sin descargas se sitúa en el piso, y las mediciones llenan los grados por encima. El piso no dice nada sobre el modelo; solo los grados por encima lo hacen, y son los que separan un modelo de otro.
+900°
Seeders en torrent
1 personas siguen compartiendo los pesos por torrents o espejos alojados. Compartir un archivo cuesta ancho de banda real y significa que los pesos aún son demandados, así que cada seeder cuenta como 1,000 descargas en el término de descargas.
Mostrar desglose detallado
Cada número en este sitio se puede verificar. La puntuación de popularidad de este modelo es 7,900°, y aquí se construye un ingrediente a la vez, con el total acumulado después de cada uno: el piso, los grados que añade cada fuente, el bono por el tipo de modelo y lo que la antigüedad de sus pesos resta. Los colores son las bandas del gráfico de arriba. El glosario al final define cada término.
- 1Empieza en el piso.Por qué 7,000° y no cero: la escala va de 0° a 9,999°, y la parte por debajo de 7,000° está reservada para modelos que ninguna fuente reporta aún, que llevan un número provisional ahí para que las listas se mantengan completas y nunca superen a un modelo con datos. 7,000° es donde empiezan los datos medidos. Un modelo con datos reales pero casi sin descargas está aquí; todo lo que sigue es medición, y el espacio sobre el piso tiene diez pasos de diez veces más descargas a 300° cada uno. El piso es igual para todos los modelos, así que no decide nada; los grados por encima sí.7,000°total acumulado
- 2Suma las descargas.1,000 equivalentes a descargas en total, de Seeders en torrent. Diez veces las descargas suman el mismo 300°, así que el tamaño importa pero nunca domina la puntuación.+900°7,900°total acumulado
- =La puntuación heat.Dónde está este modelo en cada lista de este sitio. Nada más la ajusta.7,900°
Glosario: los términos usados aquí
- Puntuación heat
- Un número que muestra cuánto se usa y quiere un modelo ahora mismo, de 0° a 9,999°. Cada lista en este sitio que dice más popular está ordenada por esto y nada más.
- Piso
- Los 7,000° con los que empieza todo modelo con datos reales. La escala va de 0° a 9,999°; la parte bajo el piso está reservada para sustitutos (modelos sin datos), para que un modelo con datos siempre esté por encima de uno sin. El piso es igual para todos y no decide nada; los grados sobre él son la medida.
- Equivalentes a descargas
- Todo lo que la puntuación trata como una descarga, sumado: las descargas mismas, cada seeder de torrent como 1,000, cada imagen de AI Horde y cada ejecución en un sitio de generación como uno.
- Escala logarítmica
- Cuenta de a decenas, no de a uno: pasar de 1,000 a 10,000 descargas suma los mismos grados que pasar de 10,000 a 100,000. Evita que los gigantes opaquen todo lo demás.
- Likes
- Pulgares arriba y likes de todas las fuentes, valen la mitad de una descarga cada uno en la escala logarítmica.
- Tasa de adopción
- Cuántas descargas al día recibe un modelo ahora mismo, según la diferencia entre dos lecturas de una fuente. Un cuarto del peso del término de descarga.
- Medido y estimado
- Medido significa que hay dos lecturas de una fuente y la diferencia es real. Estimado significa que solo se conoce el total de hoy y el pasado se distribuye a lo largo de la vida del modelo; el sitio indica cuál está mostrando.
- Seeder
- Alguien que mantiene una copia de los pesos en línea para que otros la descarguen por torrent, o un espejo alojado que hace lo mismo. Cada uno cuenta como 1,000 descargas.
- AI Horde
- Una red de voluntarios que genera imágenes gratis en computadoras donadas. El número de imágenes que ha hecho con un modelo es público, y cada una cuenta como una descarga.
- Sitios de generación
- Sitios que alojan sus propias copias de un modelo y permiten que la gente genere con él, como PixAI, SeaArt y Yodayo. Sus descargas cuentan igual que las de Civitai y cada generación cuenta como una descarga.
- Tokens de OpenRouter
- Un modelo de texto servido mediante una API, como Claude o GPT, no tiene pesos para descargar, por lo que su uso se mide en tokens: fragmentos de texto que leyó y escribió a través de OpenRouter, una puerta de acceso que usan muchas apps, durante los últimos 30 días. Cada 10,000,000 tokens cuentan como una descarga. Fuente: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Modelo completo (checkpoint)
- Los pesos en sí, el archivo que genera por sí solo. Tiene un bono porque los complementos dependen de él.
- LoRA y embedding
- Archivos pequeños que dirigen los pesos de otro hacia un estilo, personaje o concepto. No pueden funcionar solos.
- Familia y pesos
- La base sobre la que se construye un modelo, como SD 1.5, SDXL, Flux o Wan. Cada modelo hereda la fecha de lanzamiento de los pesos de su familia.
- Antigüedad
- Grados descontados según hace cuánto salieron los pesos de la familia: 150° por año, hasta 750°. Mantiene las descargas antiguas que tuvieron años para acumularse congelando la cima de la lista.
- Impulso de familia
- Un pequeño empujón limitado para LoRAs de una familia que este sitio está promoviendo ahora, siempre listado en el desglose.
- Puntaje provisional
- Un número estable por debajo del mínimo dado a un modelo que aún no tiene reportes de fuentes, para que las listas estén completas. Nunca se posiciona por encima de un modelo con datos.
- ¡Nuevo! (periodo de gracia)
- Un modelo con menos de 7 días muestra ¡Nuevo! en lugar de una puntuación y no ocupa lugar en los rankings. Su puntuación se calcula desde el primer día, pero un modelo de un día crece más rápido que cualquier otro, así que sin este periodo el #1 de la semana siempre sería el que salió ayer en vez del que se mantuvo una semana.
- Tendencia
- Cómo el crecimiento de un modelo en un período se compara con el crecimiento típico de modelos en ese mismo período. Más rápido que lo típico se lee como subida, más lento como bajada.
- Modelo típico
- El punto medio del catálogo: la mitad de los modelos con cifras crecieron más rápido en el período, la otra mitad más lento.
Cómo se ha movido la popularidad de este modelo frente al resto del catálogo: su crecimiento en descargas, likes y uso en cada periodo, medido contra el crecimiento típico de un modelo en el mismo periodo, con su puntuación de calor en ese momento. Por encima del crecimiento típico se lee como un aumento, por debajo como una caída. El pasado se reconstruye a partir de los totales de hoy, el primer día del modelo y su velocidad de descarga medida cuando hay dos lecturas; un modelo que no existía al inicio de un periodo muestra n/a.
Ejecutar en local
Cómo instalar
Mejor LLM local según el uso (octubre 2026): el modelo abierto adecuado para cada tarea
13 de oct de 2026
Torrents
baai/bge-m3
pytorch_model.bin
onnx/model.onnx_data
colbert_linear.pt
onnx/model.onnx
sparse_linear.pt
Los torrents se comparten entre pares por sus seeders; ModelTrends.ai no aloja archivos. Abre el enlace magnet con un cliente BitTorrent y compara la suma de verificación del archivo terminado con la que aparece en el listado.
Bge m3 es un modelo de texto para la familia Text / LLM listado en ModelTrends.ai, un catálogo de solo lectura de modelos de IA de imagen, vídeo y texto de código abierto. Compáralo con otros modelos Text / LLM y consulta su puntuación de calor para ver su tendencia.
Explorar por familia de modelos
Modelos Text / LLM
434
Modelos Anima
528
Modelos Chroma
19
Modelos Fibo
2
Modelos Flux
1,496
Modelos Flux 2 / Klein
1,239
Modelos Flux 3
3
Modelos Moss
3
Modelos Iris
1
Modelos MiniMax H3
364
Modelos Hunyuan
204
Modelos Ideogram
20
Modelos Krea2
717
Modelos Qwen
20
Modelos Qwen2
47
Modelos Ltx2
153