rerank-2.5-lite er det lette medlem af Voyage AI's 2.5-rerankerudgivelse. Producenten beskriver den som en generalistmodel, der afvejer latens og relevanskvalitet med instruktionsefterlevelse i naturligt sprog og flersproget understøttelse. Dens input er en forespørgsel og kandidattekster, og dens output er en finjusteret rækkefølge af disse kandidater med relevansscorer.
Lite-modellen behandler hvert forespørgsels-dokumentpar samlet som en cross-encoder. Den kan følge efter en første embedding- eller leksikalsk søgning og finjustere de tekststykker, dette trin valgte. Det adskiller sig fra at forberede et genbrugeligt embeddingindeks: rerankeren undersøger den indsendte forespørgsel og dokumenttekst samlet til den aktuelle relevansafgørelse.
Til en interaktiv hjælpesøgning skal du indsende de kandidatforklaringer, der kan besvare brugerens spørgsmål. Bevar tilstrækkeligt af hvert tekststykke til at formidle adfærden og dens forbehold, og bevar forbindelsen mellem inputindekset og kildeelementet. Et fokuseret kandidatsæt hjælper med at tydeliggøre omrangeringsopgaven, mens det hentede belæg forbliver anvendeligt til visning eller et senere svar.
Ligesom rerank-2.5 accepterer Lite instruktioner i naturligt sprog før eller efter forespørgslen. Producentens eksempler bruger dem til at fremhæve dokumentdele, vælge en foretrukken kildetype eller tilføje kontekst til et tvetydigt ord. En applikation kan levere en fast relevanspræference, eller det aktuelle spørgsmål kan indeholde en mere specifik.
En illustrativ supportforespørgsel kan spørge, hvilket tekststykke der forklarer en fejl, med en instruktion om at prioritere fejlfindingstrin frem for generelle produktbeskrivelser. En dokumentsøgning kan bede om en politiks oprindelige ordlyd frem for en drøftelse af politikken. Beskriv det tilsigtede belæg, og hold instruktionen kort. Instruktioner påvirker relevansscorer; forbered eventuelle strenge versions-, dato- eller rettighedsbegrænsninger i kandidatudvælgelsen frem for at behandle en relevanspræference som et garanteret filter.
Outputtet sorteres efter faldende relevans. Hvert resultat omfatter det oprindelige dokumentindeks og et flydende kommatal som score; den valgfrie return-documents-indstilling returnerer også den tilsvarende inputtekst. Indstillingen top-k bestemmer antallet af øverste resultater, der returneres, mens udeladelse af den returnerer rangeringen for alle indsendte kandidater.
Brug disse indeks til at genskabe kildetekststykket og dets id. En omrangeret kandidat kan blive et søgeresultat eller belæg til næste RAG-trin, men outputtet er en ordning af leveret tekst frem for et omskrevet svar. Vurdér, om de øverste tekststykker opfylder både spørgsmålet og relevansinstruktionen, også på de sprog og dokumenttyper, der faktisk findes i samlingen.
Udgaven 2.5 Lite har et dokumenteret forespørgselsmaksimum på 8.000 tokens og en grænse på 32.000 tokens for forespørgslen plus hvert enkelt dokument. Den adskiller sig fra den tidligere rerank-2-lite-model og dens mindre kontekst. Højst 1.000 dokumenter kan indsendes, og samlet input er begrænset til 600.000 tokens efter formlen: forespørgselstokens ganget med kandidatantal plus summen af kandidatdokumenternes tokens.
Til latensfølsom brug anbefaler producentens FAQ rerank-2.5-lite med højst 200.000 samlede tokens pr. anmodning. Det er praktisk vejledning under det angivne maksimum, ikke et andet vindue pr. dokument. En længere forespørgsel eller instruktion tælles én gang for hvert kandidatpar, så både kandidatantal og forespørgselslængde påvirker totalen.
Trunkering er aktiveret som standard og forkorter for lange forespørgsels- eller dokumentinput, så de passer; deaktivering returnerer en fejl ved en for lang forespørgsel eller et for langt par. Forbered bevidst kompakte kandidater, der indeholder svaret, så nyttigt belæg ikke ligger uden for en trunkeret grænse. Valg af færre outputresultater med top-k fjerner ikke de øvrige leverede kandidater fra tokenberegningen. Undersøg de returnerede kildetekststykker, og præcisér inputforberedelsen omkring de faktiske spørgsmål, søgegrænsefladen skal besvare.
", "aboutText": "rerank-2.5-lite er det lette medlem af Voyage AI's 2.5-rerankerudgivelse. Producenten beskriver den som en generalistmodel, der afvejer latens og relevanskvalitet med instruktionsefterlevelse i naturligt sprog og flersproget understøttelse. Dens input er en forespørgsel og kandidattekster, og dens output er en finjusteret rækkefølge af disse kandidater med relevansscorer.\n\n### En let relevansafgørelse i andet trin\n\nLite-modellen behandler hvert forespørgsels-dokumentpar samlet som en cross-encoder. Den kan følge efter en første embedding- eller leksikalsk søgning og finjustere de tekststykker, dette trin valgte. Det adskiller sig fra at forberede et genbrugeligt embeddingindeks: rerankeren undersøger den indsendte forespørgsel og dokumenttekst samlet til den aktuelle relevansafgørelse.\n\nTil en interaktiv hjælpesøgning skal du indsende de kandidatforklaringer, der kan besvare brugerens spørgsmål. Bevar tilstrækkeligt af hvert tekststykke til at formidle adfærden og dens forbehold, og bevar forbindelsen mellem inputindekset og kildeelementet. Et fokuseret kandidatsæt hjælper med at tydeliggøre omrangeringsopgaven, mens det hentede belæg forbliver anvendeligt til visning eller et senere svar.\n\n### Instruktioner udtrykker det, brugeren vil prioritere\n\nLigesom rerank-2.5 accepterer Lite instruktioner i naturligt sprog før eller efter forespørgslen. Producentens eksempler bruger dem til at fremhæve dokumentdele, vælge en foretrukken kildetype eller tilføje kontekst til et tvetydigt ord. En applikation kan levere en fast relevanspræference, eller det aktuelle spørgsmål kan indeholde en mere specifik.\n\nEn illustrativ supportforespørgsel kan spørge, hvilket tekststykke der forklarer en fejl, med en instruktion om at prioritere fejlfindingstrin frem for generelle produktbeskrivelser. En dokumentsøgning kan bede om en politiks oprindelige ordlyd frem for en drøftelse af politikken. Beskriv det tilsigtede belæg, og hold instruktionen kort. Instruktioner påvirker relevansscorer; forbered eventuelle strenge versions-, dato- eller rettighedsbegrænsninger i kandidatudvælgelsen frem for at behandle en relevanspræference som et garanteret filter.\n\n### Læs rangeringen, og returnér kildetekststykket\n\nOutputtet sorteres efter faldende relevans. Hvert resultat omfatter det oprindelige dokumentindeks og et flydende kommatal som score; den valgfrie return-documents-indstilling returnerer også den tilsvarende inputtekst. Indstillingen top-k bestemmer antallet af øverste resultater, der returneres, mens udeladelse af den returnerer rangeringen for alle indsendte kandidater.\n\nBrug disse indeks til at genskabe kildetekststykket og dets id. En omrangeret kandidat kan blive et søgeresultat eller belæg til næste RAG-trin, men outputtet er en ordning af leveret tekst frem for et omskrevet svar. Vurdér, om de øverste tekststykker opfylder både spørgsmålet og relevansinstruktionen, også på de sprog og dokumenttyper, der faktisk findes i samlingen.\n\n### Grænser og et praktisk kandidatbudget\n\nUdgaven 2.5 Lite har et dokumenteret forespørgselsmaksimum på 8.000 tokens og en grænse på 32.000 tokens for forespørgslen plus hvert enkelt dokument. Den adskiller sig fra den tidligere rerank-2-lite-model og dens mindre kontekst. Højst 1.000 dokumenter kan indsendes, og samlet input er begrænset til 600.000 tokens efter formlen: forespørgselstokens ganget med kandidatantal plus summen af kandidatdokumenternes tokens.\n\nTil latensfølsom brug anbefaler producentens FAQ rerank-2.5-lite med højst 200.000 samlede tokens pr. anmodning. Det er praktisk vejledning under det angivne maksimum, ikke et andet vindue pr. dokument. En længere forespørgsel eller instruktion tælles én gang for hvert kandidatpar, så både kandidatantal og forespørgselslængde påvirker totalen.\n\nTrunkering er aktiveret som standard og forkorter for lange forespørgsels- eller dokumentinput, så de passer; deaktivering returnerer en fejl ved en for lang forespørgsel eller et for langt par. Forbered bevidst kompakte kandidater, der indeholder svaret, så nyttigt belæg ikke ligger uden for en trunkeret grænse. Valg af færre outputresultater med top-k fjerner ikke de øvrige leverede kandidater fra tokenberegningen. Undersøg de returnerede kildetekststykker, og præcisér inputforberedelsen omkring de faktiske spørgsmål, søgegrænsefladen skal besvare.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "8723dde5098a9986adf18ed210f76b3aeef99f5b7b04b2daab94aef5258bf2e1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "voyageai/rerank-2.5-litererank-2.5-lite er Voyage AI's latensorienterede, instruktionsfølgende reranker til et leveret sæt tekstkandidater. Den bevarer en forespørgsels-dokumentkontekst på 32.000 tokens og flersproget understøttelse og returnerer en ordnet liste med relevansscorer og oprindelige dokumentindeks.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
rerank-2.5-lite er det lette medlem af Voyage AI's 2.5-rerankerudgivelse. Producenten beskriver den som en generalistmodel, der afvejer latens og relevanskvalitet med instruktionsefterlevelse i naturligt sprog og flersproget understøttelse. Dens input er en forespørgsel og kandidattekster, og dens output er en finjusteret rækkefølge af disse kandidater med relevansscorer.
Lite-modellen behandler hvert forespørgsels-dokumentpar samlet som en cross-encoder. Den kan følge efter en første embedding- eller leksikalsk søgning og finjustere de tekststykker, dette trin valgte. Det adskiller sig fra at forberede et genbrugeligt embeddingindeks: rerankeren undersøger den indsendte forespørgsel og dokumenttekst samlet til den aktuelle relevansafgørelse.
Til en interaktiv hjælpesøgning skal du indsende de kandidatforklaringer, der kan besvare brugerens spørgsmål. Bevar tilstrækkeligt af hvert tekststykke til at formidle adfærden og dens forbehold, og bevar forbindelsen mellem inputindekset og kildeelementet. Et fokuseret kandidatsæt hjælper med at tydeliggøre omrangeringsopgaven, mens det hentede belæg forbliver anvendeligt til visning eller et senere svar.
Ligesom rerank-2.5 accepterer Lite instruktioner i naturligt sprog før eller efter forespørgslen. Producentens eksempler bruger dem til at fremhæve dokumentdele, vælge en foretrukken kildetype eller tilføje kontekst til et tvetydigt ord. En applikation kan levere en fast relevanspræference, eller det aktuelle spørgsmål kan indeholde en mere specifik.
En illustrativ supportforespørgsel kan spørge, hvilket tekststykke der forklarer en fejl, med en instruktion om at prioritere fejlfindingstrin frem for generelle produktbeskrivelser. En dokumentsøgning kan bede om en politiks oprindelige ordlyd frem for en drøftelse af politikken. Beskriv det tilsigtede belæg, og hold instruktionen kort. Instruktioner påvirker relevansscorer; forbered eventuelle strenge versions-, dato- eller rettighedsbegrænsninger i kandidatudvælgelsen frem for at behandle en relevanspræference som et garanteret filter.
Outputtet sorteres efter faldende relevans. Hvert resultat omfatter det oprindelige dokumentindeks og et flydende kommatal som score; den valgfrie return-documents-indstilling returnerer også den tilsvarende inputtekst. Indstillingen top-k bestemmer antallet af øverste resultater, der returneres, mens udeladelse af den returnerer rangeringen for alle indsendte kandidater.
Brug disse indeks til at genskabe kildetekststykket og dets id. En omrangeret kandidat kan blive et søgeresultat eller belæg til næste RAG-trin, men outputtet er en ordning af leveret tekst frem for et omskrevet svar. Vurdér, om de øverste tekststykker opfylder både spørgsmålet og relevansinstruktionen, også på de sprog og dokumenttyper, der faktisk findes i samlingen.
Udgaven 2.5 Lite har et dokumenteret forespørgselsmaksimum på 8.000 tokens og en grænse på 32.000 tokens for forespørgslen plus hvert enkelt dokument. Den adskiller sig fra den tidligere rerank-2-lite-model og dens mindre kontekst. Højst 1.000 dokumenter kan indsendes, og samlet input er begrænset til 600.000 tokens efter formlen: forespørgselstokens ganget med kandidatantal plus summen af kandidatdokumenternes tokens.
Til latensfølsom brug anbefaler producentens FAQ rerank-2.5-lite med højst 200.000 samlede tokens pr. anmodning. Det er praktisk vejledning under det angivne maksimum, ikke et andet vindue pr. dokument. En længere forespørgsel eller instruktion tælles én gang for hvert kandidatpar, så både kandidatantal og forespørgselslængde påvirker totalen.
Trunkering er aktiveret som standard og forkorter for lange forespørgsels- eller dokumentinput, så de passer; deaktivering returnerer en fejl ved en for lang forespørgsel eller et for langt par. Forbered bevidst kompakte kandidater, der indeholder svaret, så nyttigt belæg ikke ligger uden for en trunkeret grænse. Valg af færre outputresultater med top-k fjerner ikke de øvrige leverede kandidater fra tokenberegningen. Undersøg de returnerede kildetekststykker, og præcisér inputforberedelsen omkring de faktiske spørgsmål, søgegrænsefladen skal besvare.
POST /v1/reranktextrerank| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltdocuments | Typearray | KravPåkrævet | Værdier og grænser | Standard— |
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser voyageai/rerank-2.5-lite | Standard— |
Feltprovider | Typeschema | KravValgfrit | Værdier og grænser | Standard— |
Feltquery | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltsession_id | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttop_n | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 | Standard— |
Felttrace | Typeschema | KravValgfrit | Værdier og grænser | Standard— |
Feltuser | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltdocuments[].text | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltdocuments[].image | Typestring | KravValgfrit | Værdier og grænser | Standard— |
text_rerank · Påkrævet: query, documents array with minItems1
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, query, documents |
Parametermaterial_types | Kontrakttext |
Parameteroptional_controls | Kontraktprovider, session_id, top_n, trace, user |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous
Send det præcise model-ID, og behold hele det native svar.
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 |
| KonfigurationUltra | Takstplan— | Afregningsenhed/ 1K tokens | Beløb Input $0.00004 / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "documents": [\n "Paris is the capital of France.",\n "Berlin is the capital of Germany."\n ],\n "model": "voyageai/rerank-2.5-lite",\n "query": "What is the capital of France?",\n "top_n": 3\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='voyageai/rerank-2.5-lite'\nPath('request.json').write_text(json.dumps(p,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 result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Hvert faktisk resultatindeks, hver relevance_score med en endelig talværdi og hvert oprindeligt dokumentobjekt bevares. Indekserne knytter resultaterne til det oprindelige dokumentarray. Hele det oprindelige JSON-svar gemmes og returneres først efter afregning.
Behold den oprindelige operation og hele eller det delvise svar; gentag ikke POST.
| Felt | Type |
|---|---|
Feltmodel | Typestring |
Feltid | Typestring |
Feltprovider | Typestring |
Feltresults[].index | Typeinteger |
Feltresults[].relevance_score | Typenumber |
Feltresults[].document.text | Typestring |
Feltresults[].document.image | Typestring |
Feltusage.search_units | Typeinteger |
Feltusage.total_tokens | Typeinteger |
Feltusage.cost | Typenumber |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldigt påkrævet felt, ugyldig repræsentation eller ugyldig værdi | Næste trinRet det angivne forespørgselsfelt. |
Ailoot Ultra voyageai/rerank-2.5-lite
Brug metodestierne vist ovenfor.