Embeddings

Génère des représentations vectorielles (embeddings) de texte pour la recherche sémantique, la similarité de documents et les pipelines RAG. Basé sur le modèle bge-m3.

Endpoint : POST /v1/embeddings

---

Performances mesurées

Benchmark de charge réalisé en mai 2026 (73 VUs simultanés, ~20 min).

Métrique	Valeur
Débit moyen	410 req/s
Débit max	645 req/s
Latence p95	1.03 s
Latence p99	1.78 s
Total requêtes	464 528
Taux d'erreur	0%

La latence augmente progressivement sous très haute concurrence (p99 > 4 s au-delà de ~500 VUs simultanés). Pour des usages à fort débit, prévoir une gestion du backpressure côté client.

---

Exemple d'utilisation

SDK OpenAI (Python)

from openai import OpenAI

client = OpenAI(
    base_url="https://api.mirai.interieur.gouv.fr",
    api_key="<TOKEN>"
)

response = client.embeddings.create(
    model="bge-m3",
    input="Texte à vectoriser pour la recherche sémantique"
)

vector = response.data[0].embedding
print(f"Dimension : {len(vector)}")  # 1024

Batch (liste de textes)

response = client.embeddings.create(
    model="bge-m3",
    input=[
        "Premier document à indexer",
        "Deuxième document à indexer",
        "Troisième document à indexer",
    ]
)

vectors = [item.embedding for item in response.data]

curl

curl -X POST https://api.mirai.interieur.gouv.fr/v1/embeddings \
  -H "Authorization: Bearer <TOKEN>" \
  -H "Content-Type: application/json" \
  -d '{"model": "bge-m3", "input": "Texte à vectoriser"}'

---

Cas d'usage

• Recherche sémantique : indexer des documents et retrouver les plus pertinents par rapport à une requête utilisateur
• Deduplication : détecter des documents quasi-identiques à grande échelle
• Pipeline RAG : générer les embeddings des chunks de contexte avant injection dans un LLM
• Clustering : regrouper des documents par thématique sans supervision

---

Dimension des vecteurs

Le modèle bge-m3 produit des vecteurs de 1024 dimensions, compatibles avec les bases vectorielles standard (pgvector, Qdrant, Weaviate, Chroma…).