BGE Reranker v2 M3 er en flersproget relevansmodel bygget på BGE-M3. Den modtager en forespørgsel og en kandidatpassage samlet og returnerer en score for deres relation. BAAI placerer denne udgave som en effektiv flersproget reranker, herunder til kinesisk og engelsk informationshentning, hvor en søgeapplikation skal forbedre en eksisterende kandidatliste.
En cross-encoder behandler begge tekster sammen, så indholdet kan vekselvirke, før relevansscoren produceres. Det adskiller sig fra en embeddingmodel, som koder tekster uafhængigt til genanvendelig vektorsammenligning. Rerankerens output er en skalær score for et bestemt par frem for en dokumentvektor eller et skriftligt svar.
Brug modellen, efter at en indledende søgning har valgt plausible passager. Par spørgsmålet med hver kandidat, og sortér kandidaterne efter de resulterende scorer. Det fokuserer den mere detaljerede sammenligning på en håndterbar kortliste frem for at bede en cross-encoder efterse hver passage i en stor samling.
Producenten identificerer BGE-M3 som grundmodel og angiver flersproget understøttelse som en hovedegenskab. Inden for v2-rerankerfamilien er M3 den effektive flersprogede mulighed; de Gemma-baserede varianter og varianter med lagvalg er selvstændige modeller med forskellige implementeringsvalg. Navnet M3 betyder her ikke, at rerankeren returnerer den oprindelige embeddingmodels tætte, sparsomme og flervektor-embeddings.
Denne forskel betyder noget ved valg af det resultat, applikationen kræver. Vælg en embeddingmodel til at repræsentere og søge i en dokumentsamling. Vælg denne reranker, når du allerede har kandidattekst og skal afgøre, hvilken passage der er mest relevant for den aktuelle forespørgsel.
Vedlæg det faktiske spørgsmål og den fulde kandidattekst, der er nødvendig for at fortolke det. Bevar overskrifter eller nærliggende definitioner, når de bestemmer en passages betydning. I det offentliggjorte Transformers-eksempel tokeniseres forespørgsel og passage samlet med afkortning og max_length=512. Det er en eksempelindstilling frem for en grænse for hele modellen. Hold spørgsmålet og det nødvendige belæg inden for den valgte parramme, og kontrollér, hvad afkortningen fjerner. Et resultat, der nævner samme produkt som forespørgslen, kan stadig være irrelevant, hvis det vedrører den forkerte operation eller betingelse; forbered eksempler, der skelner disse tilfælde, når du vurderer hentningskvalitet.
Til en dokumentassistent skal du bevare kandidatidentifikatorer sammen med teksten, score spørgsmåls–passage-parrene og sende de valgte originalpassager videre til svartrinnet. Svarmodellen modtager derefter belægget frem for en relevansscore uden dens kilde. Dette er et illustrativt hentningsforløb; rerankeren hverken søger selv i en ekstern samling eller skriver svaret.
Producenten returnerer rå relevansscorer, hvor en højere værdi angiver et tættere match. Den dokumenterede valgfrie normalisering anvender en sigmoidfunktion til at placere scoren mellem 0 og 1. En normaliseret score har et praktisk interval, men denne transformation alene dokumenterer ikke en kalibreret sandsynlighed for, at kandidaten er korrekt.
Vælg rangerings- eller filtreringstærskler med repræsentative forespørgsels–passage-par fra dine opgaver. Medtag passager, der deler nøgleord, men besvarer et andet spørgsmål, samt relevante passager med anden ordlyd. Det gør den valgte tærskel meningsfuld for den samling, der søges i.
Til et Ailoot API-projekt skal du definere, hvad den endelige kontekst skal indeholde, og hvor mange kandidater der effektivt kan undersøges. Det nyttige resultat er et bedre sorteret belægssæt til næste applikationstrin. Hold denne udgaves relevansoutput adskilt fra dokumentembeddings, genereret prosa og de indstillinger til lagvalg, der dokumenteres for andre rerankere.
", "aboutText": "BGE Reranker v2 M3 er en flersproget relevansmodel bygget på BGE-M3. Den modtager en forespørgsel og en kandidatpassage samlet og returnerer en score for deres relation. BAAI placerer denne udgave som en effektiv flersproget reranker, herunder til kinesisk og engelsk informationshentning, hvor en søgeapplikation skal forbedre en eksisterende kandidatliste.\n\n### Relevans fra et forespørgsels–passage-par\n\nEn cross-encoder behandler begge tekster sammen, så indholdet kan vekselvirke, før relevansscoren produceres. Det adskiller sig fra en embeddingmodel, som koder tekster uafhængigt til genanvendelig vektorsammenligning. Rerankerens output er en skalær score for et bestemt par frem for en dokumentvektor eller et skriftligt svar.\n\nBrug modellen, efter at en indledende søgning har valgt plausible passager. Par spørgsmålet med hver kandidat, og sortér kandidaterne efter de resulterende scorer. Det fokuserer den mere detaljerede sammenligning på en håndterbar kortliste frem for at bede en cross-encoder efterse hver passage i en stor samling.\n\n### v2 M3-udgaven\n\nProducenten identificerer BGE-M3 som grundmodel og angiver flersproget understøttelse som en hovedegenskab. Inden for v2-rerankerfamilien er M3 den effektive flersprogede mulighed; de Gemma-baserede varianter og varianter med lagvalg er selvstændige modeller med forskellige implementeringsvalg. Navnet M3 betyder her ikke, at rerankeren returnerer den oprindelige embeddingmodels tætte, sparsomme og flervektor-embeddings.\n\nDenne forskel betyder noget ved valg af det resultat, applikationen kræver. Vælg en embeddingmodel til at repræsentere og søge i en dokumentsamling. Vælg denne reranker, når du allerede har kandidattekst og skal afgøre, hvilken passage der er mest relevant for den aktuelle forespørgsel.\n\n### Forbered kandidater, der kan rangeres nyttigt\n\nVedlæg det faktiske spørgsmål og den fulde kandidattekst, der er nødvendig for at fortolke det. Bevar overskrifter eller nærliggende definitioner, når de bestemmer en passages betydning. I det offentliggjorte Transformers-eksempel tokeniseres forespørgsel og passage samlet med afkortning og max_length=512. Det er en eksempelindstilling frem for en grænse for hele modellen. Hold spørgsmålet og det nødvendige belæg inden for den valgte parramme, og kontrollér, hvad afkortningen fjerner. Et resultat, der nævner samme produkt som forespørgslen, kan stadig være irrelevant, hvis det vedrører den forkerte operation eller betingelse; forbered eksempler, der skelner disse tilfælde, når du vurderer hentningskvalitet.\n\nTil en dokumentassistent skal du bevare kandidatidentifikatorer sammen med teksten, score spørgsmåls–passage-parrene og sende de valgte originalpassager videre til svartrinnet. Svarmodellen modtager derefter belægget frem for en relevansscore uden dens kilde. Dette er et illustrativt hentningsforløb; rerankeren hverken søger selv i en ekstern samling eller skriver svaret.\n\n### Læs og normalisér scorer\n\nProducenten returnerer rå relevansscorer, hvor en højere værdi angiver et tættere match. Den dokumenterede valgfrie normalisering anvender en sigmoidfunktion til at placere scoren mellem 0 og 1. En normaliseret score har et praktisk interval, men denne transformation alene dokumenterer ikke en kalibreret sandsynlighed for, at kandidaten er korrekt.\n\nVælg rangerings- eller filtreringstærskler med repræsentative forespørgsels–passage-par fra dine opgaver. Medtag passager, der deler nøgleord, men besvarer et andet spørgsmål, samt relevante passager med anden ordlyd. Det gør den valgte tærskel meningsfuld for den samling, der søges i.\n\nTil et Ailoot API-projekt skal du definere, hvad den endelige kontekst skal indeholde, og hvor mange kandidater der effektivt kan undersøges. Det nyttige resultat er et bedre sorteret belægssæt til næste applikationstrin. Hold denne udgaves relevansoutput adskilt fra dokumentembeddings, genereret prosa og de indstillinger til lagvalg, der dokumenteres for andre rerankere.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7be4ff97cabea2ba43375c217148b02cf67c4b7cce92ba1fce8d56d4b0e16566", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "bge-reranker-v2-m3BAAI’s flersprogede cross-encoder til rangering af kandidatpassager i forhold til en forespørgsel. Den læser hvert forespørgsels–passage-par samlet og returnerer en relevansscore, der forbedrer en kort søgeliste uden at generere et svar eller oprette dokumentembeddings.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
BGE Reranker v2 M3 er en flersproget relevansmodel bygget på BGE-M3. Den modtager en forespørgsel og en kandidatpassage samlet og returnerer en score for deres relation. BAAI placerer denne udgave som en effektiv flersproget reranker, herunder til kinesisk og engelsk informationshentning, hvor en søgeapplikation skal forbedre en eksisterende kandidatliste.
En cross-encoder behandler begge tekster sammen, så indholdet kan vekselvirke, før relevansscoren produceres. Det adskiller sig fra en embeddingmodel, som koder tekster uafhængigt til genanvendelig vektorsammenligning. Rerankerens output er en skalær score for et bestemt par frem for en dokumentvektor eller et skriftligt svar.
Brug modellen, efter at en indledende søgning har valgt plausible passager. Par spørgsmålet med hver kandidat, og sortér kandidaterne efter de resulterende scorer. Det fokuserer den mere detaljerede sammenligning på en håndterbar kortliste frem for at bede en cross-encoder efterse hver passage i en stor samling.
Producenten identificerer BGE-M3 som grundmodel og angiver flersproget understøttelse som en hovedegenskab. Inden for v2-rerankerfamilien er M3 den effektive flersprogede mulighed; de Gemma-baserede varianter og varianter med lagvalg er selvstændige modeller med forskellige implementeringsvalg. Navnet M3 betyder her ikke, at rerankeren returnerer den oprindelige embeddingmodels tætte, sparsomme og flervektor-embeddings.
Denne forskel betyder noget ved valg af det resultat, applikationen kræver. Vælg en embeddingmodel til at repræsentere og søge i en dokumentsamling. Vælg denne reranker, når du allerede har kandidattekst og skal afgøre, hvilken passage der er mest relevant for den aktuelle forespørgsel.
Vedlæg det faktiske spørgsmål og den fulde kandidattekst, der er nødvendig for at fortolke det. Bevar overskrifter eller nærliggende definitioner, når de bestemmer en passages betydning. I det offentliggjorte Transformers-eksempel tokeniseres forespørgsel og passage samlet med afkortning og max_length=512. Det er en eksempelindstilling frem for en grænse for hele modellen. Hold spørgsmålet og det nødvendige belæg inden for den valgte parramme, og kontrollér, hvad afkortningen fjerner. Et resultat, der nævner samme produkt som forespørgslen, kan stadig være irrelevant, hvis det vedrører den forkerte operation eller betingelse; forbered eksempler, der skelner disse tilfælde, når du vurderer hentningskvalitet.
Til en dokumentassistent skal du bevare kandidatidentifikatorer sammen med teksten, score spørgsmåls–passage-parrene og sende de valgte originalpassager videre til svartrinnet. Svarmodellen modtager derefter belægget frem for en relevansscore uden dens kilde. Dette er et illustrativt hentningsforløb; rerankeren hverken søger selv i en ekstern samling eller skriver svaret.
Producenten returnerer rå relevansscorer, hvor en højere værdi angiver et tættere match. Den dokumenterede valgfrie normalisering anvender en sigmoidfunktion til at placere scoren mellem 0 og 1. En normaliseret score har et praktisk interval, men denne transformation alene dokumenterer ikke en kalibreret sandsynlighed for, at kandidaten er korrekt.
Vælg rangerings- eller filtreringstærskler med repræsentative forespørgsels–passage-par fra dine opgaver. Medtag passager, der deler nøgleord, men besvarer et andet spørgsmål, samt relevante passager med anden ordlyd. Det gør den valgte tærskel meningsfuld for den samling, der søges i.
Til et Ailoot API-projekt skal du definere, hvad den endelige kontekst skal indeholde, og hvor mange kandidater der effektivt kan undersøges. Det nyttige resultat er et bedre sorteret belægssæt til næste applikationstrin. Hold denne udgaves relevansoutput adskilt fra dokumentembeddings, genereret prosa og de indstillinger til lagvalg, der dokumenteres for andre rerankere.
POST /v1/reranktextrerank| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser bge-reranker-v2-m3 | Standard— |
Feltquery | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltdocuments | Typearray | KravPåkrævet | Værdier og grænser | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, documents |
Parametermaterial_types | Kontrakttext |
Parametermaterial_conditions | KontraktAngiv din faktiske søgeforespørgsel og et ikke-tomt array af de oprindelige tekstdokumenter. Resultatindekserne henviser til dette oprindelige array. |
Livscyklus: synchronous_result_then_owned_library
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Afregningsenhed | Beløb |
|---|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Afregningsenhed— | Beløb Input · Inputtokens — / 1K tokens Output · Outputtokens — / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| Konfigurationsamlet token | Takstplan— | Afregningsenhed/ 1K tokens | Beløb Input · samlet token $0.00004 / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_QUERY:?Set the actual documented input value}"\nexport AILOOT_QUERY\n: "${AILOOT_DOCUMENTS_JSON:?Set the actual documented input value}"\nexport AILOOT_DOCUMENTS_JSON\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'bge-reranker-v2-m3', 'query': '${ACTUAL_QUERY}', 'documents': '${ACTUAL_DOCUMENTS}'}\nrequest['query']=os.environ['AILOOT_QUERY']\nrequest['documents']=json.loads(os.environ['AILOOT_DOCUMENTS_JSON'])\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/rerank \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nHele det oprindelige native JSON-resultat med den konfigurerede svarmodel, de oprindelige dokumentindekser, relevansscorer, dokumentstrenge og det native tokenforbrug. Behold hvert faktisk resultat- og forbrugsfelt.
GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele svaret og alle headere, alle faktisk returnerede output, de oprindeligt returnerede identifikatorer og alle felter med forbrugsdata. Gendan den oprindelige operation uden at sende oprettelsesanmodningen igen.
Behold det faktiske X-Client-Request-ID og hele svaret. Læs de oprindelige aktiver, du ejer, og deres præcise signerede indholds-URL’er; indsend aldrig en oprettelse med usikkert udfald igen.
| Felt | Type | Betydning |
|---|---|---|
Feltmodel | Typestring | BetydningPræcis svarmodel, der kræves af den konfigurerede komponent i kilden, som behandler svaret. |
Feltresults[].index | Typeinteger | BetydningEntydigt indeks for det oprindelige inputdokument. |
Feltresults[].relevance_score | Typenumber | BetydningRelevansscore med en endelig talværdi. |
Feltresults[].document | Typestring | BetydningDet oprindelige tekstdokument kræves af denne konfigurerede komponent, der behandler svaret. |
Feltusage.total_tokens | Typeinteger | BetydningEt endeligt, ikke-negativt antal native tokens kræves af den aktuelt accepterede tarif. |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseJSON-indholdet eller det eksplicitte kanoniske model-ID er ugyldigt. | Næste trinBehold svaret, og ret det angivne forespørgselsfelt. |
Svar401 · authentication_error | BetingelseAiloot API-nøglen er ugyldig. | Næste trinBrug din autoriserede Ailoot API-nøgle. |
Svar403 · permission_error | BetingelseNøglens gruppe giver ikke adgang til denne metode. | Næste trinBehold de returnerede fejloplysninger. |
Svar404 · not_found_error | BetingelseDen valgte metode har ingen rute med adgangstilladelse. | Næste trinBehold de returnerede fejloplysninger. |
Svar422 · price_unavailable | BetingelseDen accepterede tarif kan ikke hente den påkrævede inputmængde eller grænse. | Næste trinBehold svaret; brug den inputrepræsentation, som den accepterede tarif kræver. |
Svar503 · | BetingelsePåkrævet lager, rute, metodepris eller reservation er utilgængelig. | Næste trinBehold hele det oprindelige svar. En usikker reservation giver ikke tilladelse til at indsende igen. |
Svar502 · billing_requires_check | BetingelseDet oprindelige resultat, forbrug eller den oprindelige afregning skal kontrolleres. | Næste trinBehold det faktiske forespørgsels-ID og det oprindelige svar. Læs den eksisterende post, du ejer; indsend ikke oprettelsen igen. |
Ailoot Ultra bge-reranker-v2-m3
Brug metodestierne vist ovenfor.