Catalogue local évolutif par usage : conversation, code, recherche, reclassement et voix. Plusieurs générations, sans couvrir tout le marché ni toutes les nouveautés. Qualité et vitesse non mesurées uniformément ici.
Vecteurs de texte · Reclassement des résultats · Transcription vocale
Les embeddings produisent des vecteurs, les rerankers évaluent des passages et les modèles vocaux transcrivent l’audio. La qualité de conversation ne les compare pas. Mémoire des lots, activations et audio non modélisée : capacité à vérifier sans formule de cache conversationnel.
Comparer à réglages identiques ; la taille utilise les éléments des tenseurs publics et peut différer du nom du modèle. Lire licences, modèle de base et conditions.
bge-reranker-v2-m3
Famille
BGE Reranker
Base de taille des poids
0.57 B
Limite de contexte documentée/configurée
Inconnu
Identifiant de licence (voir source)
apache-2.0
Usage
Reclassement des résultats
Les embeddings produisent des vecteurs, les rerankers évaluent des passages et les modèles vocaux transcrivent l’audio. La qualité de conversation ne les compare pas. Mémoire des lots, activations et audio non modélisée : capacité à vérifier sans formule de cache conversationnel.
Les embeddings produisent des vecteurs, les rerankers évaluent des passages et les modèles vocaux transcrivent l’audio. La qualité de conversation ne les compare pas. Mémoire des lots, activations et audio non modélisée : capacité à vérifier sans formule de cache conversationnel.
Les embeddings produisent des vecteurs, les rerankers évaluent des passages et les modèles vocaux transcrivent l’audio. La qualité de conversation ne les compare pas. Mémoire des lots, activations et audio non modélisée : capacité à vérifier sans formule de cache conversationnel.
Les embeddings produisent des vecteurs, les rerankers évaluent des passages et les modèles vocaux transcrivent l’audio. La qualité de conversation ne les compare pas. Mémoire des lots, activations et audio non modélisée : capacité à vérifier sans formule de cache conversationnel.
Les embeddings produisent des vecteurs, les rerankers évaluent des passages et les modèles vocaux transcrivent l’audio. La qualité de conversation ne les compare pas. Mémoire des lots, activations et audio non modélisée : capacité à vérifier sans formule de cache conversationnel.
Les embeddings produisent des vecteurs, les rerankers évaluent des passages et les modèles vocaux transcrivent l’audio. La qualité de conversation ne les compare pas. Mémoire des lots, activations et audio non modélisée : capacité à vérifier sans formule de cache conversationnel.
Les embeddings produisent des vecteurs, les rerankers évaluent des passages et les modèles vocaux transcrivent l’audio. La qualité de conversation ne les compare pas. Mémoire des lots, activations et audio non modélisée : capacité à vérifier sans formule de cache conversationnel.
Les embeddings produisent des vecteurs, les rerankers évaluent des passages et les modèles vocaux transcrivent l’audio. La qualité de conversation ne les compare pas. Mémoire des lots, activations et audio non modélisée : capacité à vérifier sans formule de cache conversationnel.
Tailles et empreintes issues des listes de l’auteur, sans téléchargement des poids. La taille du fichier n’est pas la mémoire totale. Un fichier vérifié de précision correspondante remplace l’estimation générique, avant cache et marges.
Scénario de capacité, sans benchmark : éléments des poids × bits ÷ 8 + marge de 20 %, cache KV F16 selon couches/têtes/contexte + 1,5 GiB d’exécution. Réserver au moins 4 GiB ou 25 % de RAM et 2 GiB de VRAM dédiée. Un modèle, une séquence texte ; ni taille GGUF mesurée ni garantie.
Architectures hybrides, formats spéciaux ou configurations manquantes à vérifier manuellement. Images/audio exclus. MoE : poids totaux, pas paramètres actifs. Les scénarios 4/8 bits ne prouvent ni fichier disponible ni compatibilité.