I 10 migliori modelli di embedding multilingue per RAG
Abbiamo testato 10 modelli di embedding multilingue su ~606k recensioni Amazon in 6 lingue (tedesco, inglese, spagnolo, francese, giapponese, cinese). Abbiamo generato 1.800 query (300 per lingua), ciascuna con riferimenti a dettagli concreti della recensione di origine.
I modelli addestrati per la ricerca (separazione query vs documento) superano modelli più grandi addestrati per la similarità testuale generale: e5_base (110M parametri) supera modelli con un numero di parametri da 5x a 70x superiore, mentre LaBSE (471M parametri), un modello multilingue ampiamente citato, si classifica al penultimo posto.
Accuratezza del recupero multilingue
Top-1 misura se la recensione corretta è il primo risultato restituito; Top-10 misura se appare tra i primi dieci.
Accuratezza Top-1
Accuratezza Top-3
Accuratezza Top-5
Accuratezza Top-10
Metriche spiegate
- Accuratezza Top-K: Se il documento corretto (tramite corrispondenza esatta di product_id) appare tra i primi K risultati. "Il modello riesce a trovare la recensione tedesca giusta quando viene posta una domanda in tedesco tra ~130k recensioni tedesche?"
- Top-1/3/5/10: Valori K testati. Top-1 è il più restrittivo (il documento corretto deve essere il primo risultato), Top-10 è il più permissivo.
Per comprendere la nostra valutazione e le metriche nel dettaglio, consulta il nostro setup di valutazione e la metodologia del benchmark per i modelli di embedding multilingue.
Corpus: ~606k recensioni (min_review_length≥100 caratteri; ZH: ~17,7k, DE/EN/ES/FR/JA: ~120–145k ciascuna), nessun fallback alla similarità coseno, solo corrispondenza esatta product_id. Valutato su NVIDIA H100 PCIe 80GB.
Latenza e throughput
La latenza determina se un modello è utilizzabile in produzione. I modelli con latenza inferiore a 15ms possono supportare la ricerca in tempo reale; oltre i 25ms, è necessario il batching o la caching.
Risultati principali
1. e5_base è in testa in tutte le lingue
e5_base raggiunge una media Top-1 del 16,5% su 6 lingue, superando il modello successivo (e5_small) di 3,8 punti percentuali. Il suo addestramento asimmetrico con prefissi query/passage produce embedding precisi che discriminano efficacemente tra recensioni semanticamente simili nella stessa lingua.
2. I modelli basati su LLM sono competitivi nonostante le dimensioni
qwen3_emb_06b (600M parametri) e llama_embed_nemotron_8b (8B parametri) raggiungono entrambi un'accuratezza monolingue del 10%+. Il loro massiccio pre-addestramento multilingue sembra costruire rappresentazioni che il fine-tuning per il recupero non riesce a cancellare completamente, rimanendo competitivi con modelli che hanno una frazione del loro numero di parametri. nemotron raggiunge il 25,8% a Top-10, il terzo miglior risultato complessivo.
3. nomic_embed_v1_5 fallisce sulle lingue CJK
nomic raggiunge un'accuratezza dello 0% in cinese e solo del 4% in giapponese, l'unico modello a fallire completamente su intere lingue. Il suo addestramento incentrato sull'inglese, combinato con l'asimmetria dei prefissi search_query/search_document, crea gravi lacune di copertura per le lingue non europee, pur funzionando bene per l'inglese (17% Top-1) e il tedesco (9%).
4. LaBSE fallisce nel recupero nonostante la sua reputazione
LaBSE è stato esplicitamente progettato per la similarità semantica multilingue ed è ampiamente citato nella letteratura. In questo benchmark, si classifica al penultimo posto (4,8% Top-1). Il suo addestramento su coppie di traduzione e inferenza del linguaggio naturale non ha costruito la precisione discriminativa richiesta per il recupero: distinguere l'esatta recensione di origine da centinaia di prodotti semanticamente simili nella stessa lingua.
5. Il passaggio a Top-10 avvantaggia tutti i modelli, ma specialmente i più forti
Passare da Top-1 a Top-10 raddoppia il recall su tutta la linea. nemotron mostra la migliore media monolingue Top-10 (25,8%) pur classificandosi 3° a Top-1 (12,0%), suggerendo che il suo spazio a 4096 dimensioni ha una buona struttura di vicini più prossimi a K più grandi.
6. Spagnolo e francese costantemente sottoperformanti
In tutti i modelli, ES e FR si classificano costantemente più in basso rispetto a DE, EN, JA e ZH. Il modello si mantiene anche per i modelli con addestramento multilingue esplicito, suggerendo una minore rappresentazione nei corpora di pre-addestramento o una discrepanza di dominio per le recensioni di prodotti.
Come funzionano gli embedding multilingue
Un modello di embedding converte il testo in un vettore ad alta dimensionalità (es. 384 o 768 numeri) che cattura il significato del testo anziché le parole specifiche. Due testi semanticamente simili dovrebbero avere vettori vicini in questo spazio, indipendentemente dalla lingua.
Un modello di embedding multilingue gestisce più lingue nello stesso spazio vettoriale. Quando utilizzato per il recupero, il modello deve trovare il documento corretto tra decine di migliaia di recensioni nella stessa lingua che spesso discutono prodotti e argomenti simili. La sfida è la precisione discriminativa: distinguere l'esatta recensione di origine da centinaia di recensioni semanticamente simili nella stessa categoria.
Setup di valutazione multilingue
~606k recensioni di prodotti sono indicizzate in Qdrant (solo recensioni con corpo ≥100 caratteri; ZH: ~17,7k, altre lingue: ~120–145k ciascuna). 1.800 query (300 per lingua) sono generate nativamente da LLM a partire da recensioni che soddisfano la stessa soglia di lunghezza. Ogni query deve fare riferimento a dettagli concreti della recensione di origine (misure, quantità, nomi di marchi, tempistiche); le domande generiche vengono filtrate tramite un punteggio di specificità. Data una query nella lingua X, il compito è trovare la recensione di origine tra le recensioni nella stessa lingua. Qdrant filtra i risultati per lingua. L'accuratezza è misurata tramite corrispondenza esatta product_id a Top-1/3/5/10 senza fallback alla similarità coseno.
Query di esempio dal benchmark:
Tedesco (elettronica, OPINIONE):
Francese (droghiera, UTILIZZO):
Spagnolo (forniture_industriali, FATTUALE):
Il modello deve abbinare ogni query alla sua esatta recensione di origine tramite product_id. Una query sulla perdita di segnale WiFi da un cavo antenna potrebbe semanticamente corrispondere a migliaia di recensioni di elettronica che discutono problemi di connettività; solo una descrive il calo del segnale dal 60% al 20% dopo l'installazione di questo specifico cavo.
Analisi tecnica e raccomandazioni
Modelli simmetrici vs asimmetrici
L'obiettivo di addestramento predice in gran parte le prestazioni di recupero:
Perché i modelli asimmetrici ottengono i risultati migliori: I prefissi query/passage addestrano il modello a incorporare query e documenti in regioni sistematicamente diverse dello spazio, creando una geometria specifica per il recupero. Questo produce embedding più discriminativi che separano documenti semanticamente simili ma distinti. e5_base raggiunge questo risultato con 110M parametri perché è l'obiettivo di addestramento, non la capacità del modello, a guidare la precisione del recupero.
Perché i modelli basati su LLM sono competitivi: Il massiccio pre-addestramento multilingue costruisce una ricca struttura semantica nei pesi del modello. Il fine-tuning per il recupero aggiunge un allineamento specifico per il compito su questa profonda comprensione linguistica, producendo prestazioni competitive. Il compromesso è la latenza: i vettori a 4096 dimensioni di nemotron costano 25ms per query contro gli 11ms di e5_base.
Perché LaBSE fallisce nonostante la sua reputazione: LaBSE è stato addestrato su coppie di traduzione per avvicinare il significato a livello frasale tra le lingue, un compito di similarità. Il recupero è fondamentalmente diverso: richiede di distinguere l'esatta recensione di origine da centinaia di prodotti semanticamente simili nella stessa lingua. L'addestramento per la similarità ottimizza la vicinanza semantica a grana grossa; il recupero richiede una discriminazione a grana fine tra quasi-duplicati.
Quale modello dovresti usare?
Migliore accuratezza: e5_base (16,5% Top-1, 11ms di latenza). Utilizzalo con un filtro per lingua.
Miglior compromesso latenza/accuratezza: e5_small (12,7% Top-1, 9,7ms), quasi veloce quanto minilm con migliore accuratezza.
Miglior recall Top-10: nemotron (25,8% Top-10) se puoi permetterti la latenza di 25ms e la memoria GPU per vettori a 4096 dimensioni.
Per sistemi di produzione sensibili alla latenza: e5_small o minilm a ~10ms. e5_small è fortemente preferito (12,7% vs 3,8%).
Usa sempre un filtro per lingua quando sai che la lingua della query e quella dei documenti coincidono. Tutti i modelli mostrano guadagni significativi di accuratezza con la ricerca filtrata per lingua.
Aggiungi come fonte preferitaMetodologia dei modelli di embedding multilingue
- GPU: NVIDIA H100 PCIe 80GB via Runpod
- Database vettoriale: Qdrant 1.12.0 (binario locale)
- Libreria di embedding: sentence-transformers 5.2.2
- Generazione query: Claude Sonnet 4.6 via OpenRouter. Ogni domanda deve fare riferimento a dettagli specifici della recensione di origine; le domande generiche (punteggio di specificità < 4/5) vengono filtrate.
- Dataset: Amazon Reviews Multi (Kaggle)1 , train.csv. ~606k recensioni indicizzate (min 100 caratteri; ZH: ~17,7k, altre: ~120-145k ciascuna). 6 lingue: DE, EN, ES, FR, JA, ZH.
- Query: 1.800 totali (300 per lingua, 5 tipi di domande, generate nativamente in ciascuna lingua).
- Formato documento:
"Review Title: {title}\nReview: {body}" - Verità di riferimento: solo corrispondenza esatta product_id. Nessun fallback alla similarità coseno.
- Ricerca: ricerca vettoriale Qdrant con distanza coseno. Top-K = 10. Filtro per lingua applicato per la valutazione monolingue.
- Embedding: normalizzazione L2. Prefissi asimmetrici dove applicabile:
"query: "/"passage: "(e5),"search_query: "/"search_document: "(nomic). - Nessun fine-tuning: Tutti i modelli valutati zero-shot con pesi predefiniti.
- Latenza: Solo inferenza di embedding (query singola). Non include il tempo di ricerca vettoriale.
Modelli valutati
Perché i punteggi sono più bassi di BEIR/MTEB
I numeri assoluti di accuratezza in questo benchmark non dovrebbero essere confrontati direttamente con i punteggi riportati su BEIR o MTEB. I due benchmark differiscono in diversi aspetti strutturali:
La metrica a corrispondenza esatta è la differenza strutturale più grande. Ogni query fa riferimento a dettagli concreti della recensione di origine (es. "Quante ore ha impiegato la stampante 3D per stampare il file del gatto dalla scheda SD?"), quindi ogni query ha un chiaro obiettivo unico, ma la metrica assegna comunque zero a una recensione semanticamente pertinente di un prodotto diverso. Metriche a credito parziale come nDCG produrrebbero numeri più alti sugli stessi risultati di recupero. Ciò che conta in questo benchmark è la classifica relativa tra i modelli, non i numeri assoluti.
Limitazioni
- I tipi di domande potrebbero non rappresentare le query reali degli utenti. Le domande generate da LLM tendono ad essere ben formulate e specifiche. Gli utenti reali spesso scrivono query frammentarie o ambigue.
- Solo il recupero denso è testato. I metodi sparsi (BM25), il recupero ibrido e le pipeline di reranking non sono valutati. Questi potrebbero cambiare significativamente la classifica tra i modelli.
- 300 query per lingua sono un campione moderato. I risultati per lingua hanno intervalli di confidenza ragionevolmente ristretti, ma le classifiche nella parte centrale della tabella dovrebbero comunque essere interpretate con cautela.
- Nessuna valutazione della qualità degli embedding oltre il recupero. La qualità del clustering, l'accuratezza della similarità semantica e altri compiti a valle non sono misurati.
Conclusione
I modelli addestrati per la ricerca (con embedding separati per query e documenti) superano costantemente i modelli addestrati per la similarità testuale generale, indipendentemente dalle dimensioni. e5_base (110M parametri) supera modelli da 5x a 70x più grandi. LaBSE (471M parametri), ampiamente citato per compiti multilingue, si classifica al penultimo posto perché il suo addestramento per la similarità non costruisce la discriminazione a grana fine che il recupero richiede.
I modelli basati su LLM (qwen3 a 600M parametri, nemotron a 8B parametri) raggiungono un'accuratezza competitiva grazie al profondo pre-addestramento multilingue, ma pagano in latenza: nemotron costa 25ms per query contro gli 11ms di e5_base, con solo un recall Top-10 marginalmente migliore. Per la maggior parte dei sistemi di produzione, i modelli più piccoli addestrati per la ricerca offrono un compromesso migliore.
Per i professionisti che costruiscono sistemi RAG multilingue, e5_base con un filtro per lingua è la scelta chiara (16,5% Top-1, 11ms di latenza e un vantaggio di 3,8 punti percentuali sul secondo classificato).
Ulteriori letture
Esplora altri benchmark RAG, come:
- Modelli di embedding: OpenAI vs Gemini vs Cohere
- I 16 migliori modelli di embedding open source per RAG
- I migliori database vettoriali per RAG: Qdrant vs Weaviate vs Pinecone
- Benchmark Agentic RAG: routing multi-database e generazione di query
- Modelli di embedding multimodali: Apple vs Meta vs OpenAI
- RAG ibrido: potenziare l'accuratezza del RAG
Cita questa ricerca
Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.
@misc{sar2026,
author = {Sarı, Ekrem},
title = {{I 10 migliori modelli di embedding multilingue per RAG}},
year = {2026},
month = feb,
howpublished = {\url{https://aimultiple.com/multilingual-embedding-models}},
note = {AIMultiple. Consultato il 20 Febbraio 2026}
}Collegamenti di riferimento
Sii il primo a commentare
Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.