Voyage rerank-3 er en tekstreranker udviklet til at forbedre kvaliteten af hentet belæg. Med en forespørgsel og en liste over kandidatdokumenter undersøger den hvert par samlet og returnerer kandidaterne ordnet efter relevans. Embeddings og nøgleordssøgning kan først indsnævre en stor samling til en håndterbar kortliste; rerank-3 anvender derefter en mere detaljeret relevansvurdering på kortlisten. Dens output er scoret søgebelæg, som en applikation kan vise eller sende videre til et særskilt trin med svargenerering.
Kvalitetsfokuseret Rerank 3 Producenten positionerer rerank-3 som den nøjagtighedsfokuserede udgave og rerank-3-lite som udgaven til latensfølsom søgning. Tredje generation opdaterer grundarkitekturen og træningsblandingen med særlige forbedringer i hentning fra lange dokumenter og kildekode sammenlignet med de tilsvarende 2.5-forgængere. Producenten evaluerer den på tværs af teknisk dokumentation, kode, flersproget materiale og andre dokumentdomæner. Disse resultater understøtter dens rolle i informationshentning; vælg udgaven ud fra de spørgsmål og kandidatdokumenter, der er vigtige for din egen samling.
Lange dokumenter med tilstrækkelig kontekst En lang kandidat kan indeholde nyttig kontekst langt ud over sit indledende afsnit. Lever et sammenhængende afsnit eller dokument med titel og relevant omgivende materiale, så modellen kan vurdere, hvordan det faktiske spørgsmål relaterer sig til indholdet. Ved søgning i produktpolitikker skal du bevare overskrifter og undtagelser omkring det relevante tekststykke. Hvis flere hentede afsnit kommer fra samme kilde, skal du bevare deres dokument- og afsnits-id'er; applikationen kan derefter vise, hvor det valgte belæg stammer fra.
Kontekstvinduet deles af forespørgslen og hver kandidat. Producentens aktuelle vejledning angiver 32.000 tokens til dette par, inklusive en forespørgsel på højst 8.000 tokens. En forespørgsel på 3.000 tokens efterlader derfor højst 29.000 tokens til hvert dokument. Forbered inputtet, så dets væsentlige indhold kan være der, især når en lang indledning eller gentagen standardtekst ellers ville optage vinduet. Den dokumenterede trunkeringsindstilling er som standard aktiveret og kan afkorte for stor forespørgsels- eller dokumenttekst før scoring. Undersøg, hvad der bevares, når tekststykkets placering er vigtig.
Hentning af kode og teknisk materiale Til en kodeassistents hentetrin kan kandidater indeholde funktionsimplementeringer, API-dokumentation eller tekniske forklaringer som tekst. Medtag de symboler, signaturer og den kontekst, der er nødvendige for at skelne mellem lignende kandidater. En forespørgsel som “Find den funktion, der normaliserer stier og samtidig bevarer en afsluttende separator” giver en konkret adfærd at matche. Tilføj eventuelle relevante sprog-, platforms- eller versionsbegrænsninger. Efter rangering skal du undersøge den valgte kode og dens afhængigheder, før den bruges som kontekst; en relevansscore beviser ikke, at en implementering opfylder alle angivne krav.
Instruktioner definerer relevans Modellen bevarer evnen til instruktionsfølgende omrangering, som blev indført i Rerank 2.5. Tilføj en kort instruktion før eller efter forespørgslen, når brugerens hensigt skal præciseres. Ved søgning i researchdokumenter skal du forklare, om fokus er på titlen, en bestemt metode eller et anvendelsesdomæne. Ved et internt katalog skal du angive, om anmodningen vedrører installation, fejlfinding eller kompatibilitet. Hold instruktionen på linje med spørgsmålet; ekstra præferencer, der strider mod hovedanmodningen, kan ændre det, rangeringen forsøger at optimere.
Forbered kandidatdokumenter og budgetter Inputtet er en liste af tekststrenge. Udtræk anvendelig tekst fra kildedokumenter, bevar meningsfulde afsnitsgrænser, og behold en ordnet registreringskobling ved siden af listen. Producenten tillader op til 1.000 dokumenter i én anmodning. Den angiver også et samlet inputloft på 600.000 tokens: forespørgselstokens ganget med dokumentantallet plus summen af alle dokumenttokens. Det adskiller sig fra kontekstgrænsen pr. par. Ved at reducere redundant forespørgselstekst kan du bevare både kapaciteten for hvert par og det samlede anmodningsbudget.
Tæl tokens til den relevante model frem for at antage, at et ord- eller tegntal er et tokental. Ved store kandidater skal du vælge sammenhængende tekststykker eller opdele materialet efter nyttige overskrifter, mens oplysninger om hovedkilden bevares. Omrangering er mest nyttig, efter den første søgning allerede har fundet plausible kandidater: den kan ikke rangere en manglende kilde, der aldrig kom på listen.
Rangerede resultater og efterfølgende brug Resultatet indeholder relevansscorer og indeks, som henviser til de oprindelige inputdokumenter, sorteret i faldende relevansrækkefølge. Indstillingen top_k begrænser antallet af rangerede resultater, der returneres; ellers returneres alle inputkandidater. Producentens REST-grænseflade tillader også, at dokumentteksten medtages. Brug hvert oprindeligt indeks til at genskabe titel, kilde-id og de metadata, applikationen har brug for, og vis derefter de valgte elementer eller saml den relevante tekst i et svars belægskontekst.
Undersøg de øverste resultater mod spørgsmålet, og hold kildeidentiteten synlig. En høj relativ placering verificerer ikke et dokuments faktuelle nøjagtighed, og en kortliste, der kun indeholder dårlige kandidater, vil stadig have et første element. Adskil udvælgelse efter relevans fra afgørelsen af, om det valgte belæg er tilstrækkeligt til at besvare brugeren.
Migrering mellem udgaver Producenten beskriver rerank-3 som en direkte afløser for rerank-2.5 med samme API-semantik og scorer kalibreret til den tilsvarende forgængers fordeling. Denne kompatibilitet understøtter bevarelse af et eksisterende hentetrin og en eksisterende registreringskobling. Sammenlign meningsfulde resultatrækkefølger og eventuelle scoregrænser på det aktuelle korpus, før du stoler på migreringen. Hold rerank-3 og rerank-3-lite som særskilte valg: fælles grænser og instruktionsefterlevelse gør ikke deres kvalitets- og latensprioriteter identiske.
", "aboutText": "Voyage rerank-3 er en tekstreranker udviklet til at forbedre kvaliteten af hentet belæg. Med en forespørgsel og en liste over kandidatdokumenter undersøger den hvert par samlet og returnerer kandidaterne ordnet efter relevans. Embeddings og nøgleordssøgning kan først indsnævre en stor samling til en håndterbar kortliste; rerank-3 anvender derefter en mere detaljeret relevansvurdering på kortlisten. Dens output er scoret søgebelæg, som en applikation kan vise eller sende videre til et særskilt trin med svargenerering.\n\nKvalitetsfokuseret Rerank 3\nProducenten positionerer rerank-3 som den nøjagtighedsfokuserede udgave og rerank-3-lite som udgaven til latensfølsom søgning. Tredje generation opdaterer grundarkitekturen og træningsblandingen med særlige forbedringer i hentning fra lange dokumenter og kildekode sammenlignet med de tilsvarende 2.5-forgængere. Producenten evaluerer den på tværs af teknisk dokumentation, kode, flersproget materiale og andre dokumentdomæner. Disse resultater understøtter dens rolle i informationshentning; vælg udgaven ud fra de spørgsmål og kandidatdokumenter, der er vigtige for din egen samling.\n\nLange dokumenter med tilstrækkelig kontekst\nEn lang kandidat kan indeholde nyttig kontekst langt ud over sit indledende afsnit. Lever et sammenhængende afsnit eller dokument med titel og relevant omgivende materiale, så modellen kan vurdere, hvordan det faktiske spørgsmål relaterer sig til indholdet. Ved søgning i produktpolitikker skal du bevare overskrifter og undtagelser omkring det relevante tekststykke. Hvis flere hentede afsnit kommer fra samme kilde, skal du bevare deres dokument- og afsnits-id'er; applikationen kan derefter vise, hvor det valgte belæg stammer fra.\n\nKontekstvinduet deles af forespørgslen og hver kandidat. Producentens aktuelle vejledning angiver 32.000 tokens til dette par, inklusive en forespørgsel på højst 8.000 tokens. En forespørgsel på 3.000 tokens efterlader derfor højst 29.000 tokens til hvert dokument. Forbered inputtet, så dets væsentlige indhold kan være der, især når en lang indledning eller gentagen standardtekst ellers ville optage vinduet. Den dokumenterede trunkeringsindstilling er som standard aktiveret og kan afkorte for stor forespørgsels- eller dokumenttekst før scoring. Undersøg, hvad der bevares, når tekststykkets placering er vigtig.\n\nHentning af kode og teknisk materiale\nTil en kodeassistents hentetrin kan kandidater indeholde funktionsimplementeringer, API-dokumentation eller tekniske forklaringer som tekst. Medtag de symboler, signaturer og den kontekst, der er nødvendige for at skelne mellem lignende kandidater. En forespørgsel som “Find den funktion, der normaliserer stier og samtidig bevarer en afsluttende separator” giver en konkret adfærd at matche. Tilføj eventuelle relevante sprog-, platforms- eller versionsbegrænsninger. Efter rangering skal du undersøge den valgte kode og dens afhængigheder, før den bruges som kontekst; en relevansscore beviser ikke, at en implementering opfylder alle angivne krav.\n\nInstruktioner definerer relevans\nModellen bevarer evnen til instruktionsfølgende omrangering, som blev indført i Rerank 2.5. Tilføj en kort instruktion før eller efter forespørgslen, når brugerens hensigt skal præciseres. Ved søgning i researchdokumenter skal du forklare, om fokus er på titlen, en bestemt metode eller et anvendelsesdomæne. Ved et internt katalog skal du angive, om anmodningen vedrører installation, fejlfinding eller kompatibilitet. Hold instruktionen på linje med spørgsmålet; ekstra præferencer, der strider mod hovedanmodningen, kan ændre det, rangeringen forsøger at optimere.\n\nForbered kandidatdokumenter og budgetter\nInputtet er en liste af tekststrenge. Udtræk anvendelig tekst fra kildedokumenter, bevar meningsfulde afsnitsgrænser, og behold en ordnet registreringskobling ved siden af listen. Producenten tillader op til 1.000 dokumenter i én anmodning. Den angiver også et samlet inputloft på 600.000 tokens: forespørgselstokens ganget med dokumentantallet plus summen af alle dokumenttokens. Det adskiller sig fra kontekstgrænsen pr. par. Ved at reducere redundant forespørgselstekst kan du bevare både kapaciteten for hvert par og det samlede anmodningsbudget.\n\nTæl tokens til den relevante model frem for at antage, at et ord- eller tegntal er et tokental. Ved store kandidater skal du vælge sammenhængende tekststykker eller opdele materialet efter nyttige overskrifter, mens oplysninger om hovedkilden bevares. Omrangering er mest nyttig, efter den første søgning allerede har fundet plausible kandidater: den kan ikke rangere en manglende kilde, der aldrig kom på listen.\n\nRangerede resultater og efterfølgende brug\nResultatet indeholder relevansscorer og indeks, som henviser til de oprindelige inputdokumenter, sorteret i faldende relevansrækkefølge. Indstillingen top_k begrænser antallet af rangerede resultater, der returneres; ellers returneres alle inputkandidater. Producentens REST-grænseflade tillader også, at dokumentteksten medtages. Brug hvert oprindeligt indeks til at genskabe titel, kilde-id og de metadata, applikationen har brug for, og vis derefter de valgte elementer eller saml den relevante tekst i et svars belægskontekst.\n\nUndersøg de øverste resultater mod spørgsmålet, og hold kildeidentiteten synlig. En høj relativ placering verificerer ikke et dokuments faktuelle nøjagtighed, og en kortliste, der kun indeholder dårlige kandidater, vil stadig have et første element. Adskil udvælgelse efter relevans fra afgørelsen af, om det valgte belæg er tilstrækkeligt til at besvare brugeren.\n\nMigrering mellem udgaver\nProducenten beskriver rerank-3 som en direkte afløser for rerank-2.5 med samme API-semantik og scorer kalibreret til den tilsvarende forgængers fordeling. Denne kompatibilitet understøtter bevarelse af et eksisterende hentetrin og en eksisterende registreringskobling. Sammenlign meningsfulde resultatrækkefølger og eventuelle scoregrænser på det aktuelle korpus, før du stoler på migreringen. Hold rerank-3 og rerank-3-lite som særskilte valg: fælles grænser og instruktionsefterlevelse gør ikke deres kvalitets- og latensprioriteter identiske.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "69583b16dc8233440c95e15c9bad386709801c7279e6143516efdcc533691ef0", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "voyageai/rerank-3Voyage rerank-3 er den kvalitetsfokuserede Rerank 3-udgave til scoring af relevans mellem forespørgsel og dokument. Den omordner hentede tekstkandidater, understøtter relevansinstruktioner i naturligt sprog og håndterer par på 32.000 tokens til søgning i lange dokumenter, kode og vidensbaser.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Voyage rerank-3 er en tekstreranker udviklet til at forbedre kvaliteten af hentet belæg. Med en forespørgsel og en liste over kandidatdokumenter undersøger den hvert par samlet og returnerer kandidaterne ordnet efter relevans. Embeddings og nøgleordssøgning kan først indsnævre en stor samling til en håndterbar kortliste; rerank-3 anvender derefter en mere detaljeret relevansvurdering på kortlisten. Dens output er scoret søgebelæg, som en applikation kan vise eller sende videre til et særskilt trin med svargenerering.
Kvalitetsfokuseret Rerank 3 Producenten positionerer rerank-3 som den nøjagtighedsfokuserede udgave og rerank-3-lite som udgaven til latensfølsom søgning. Tredje generation opdaterer grundarkitekturen og træningsblandingen med særlige forbedringer i hentning fra lange dokumenter og kildekode sammenlignet med de tilsvarende 2.5-forgængere. Producenten evaluerer den på tværs af teknisk dokumentation, kode, flersproget materiale og andre dokumentdomæner. Disse resultater understøtter dens rolle i informationshentning; vælg udgaven ud fra de spørgsmål og kandidatdokumenter, der er vigtige for din egen samling.
Lange dokumenter med tilstrækkelig kontekst En lang kandidat kan indeholde nyttig kontekst langt ud over sit indledende afsnit. Lever et sammenhængende afsnit eller dokument med titel og relevant omgivende materiale, så modellen kan vurdere, hvordan det faktiske spørgsmål relaterer sig til indholdet. Ved søgning i produktpolitikker skal du bevare overskrifter og undtagelser omkring det relevante tekststykke. Hvis flere hentede afsnit kommer fra samme kilde, skal du bevare deres dokument- og afsnits-id'er; applikationen kan derefter vise, hvor det valgte belæg stammer fra.
Kontekstvinduet deles af forespørgslen og hver kandidat. Producentens aktuelle vejledning angiver 32.000 tokens til dette par, inklusive en forespørgsel på højst 8.000 tokens. En forespørgsel på 3.000 tokens efterlader derfor højst 29.000 tokens til hvert dokument. Forbered inputtet, så dets væsentlige indhold kan være der, især når en lang indledning eller gentagen standardtekst ellers ville optage vinduet. Den dokumenterede trunkeringsindstilling er som standard aktiveret og kan afkorte for stor forespørgsels- eller dokumenttekst før scoring. Undersøg, hvad der bevares, når tekststykkets placering er vigtig.
Hentning af kode og teknisk materiale Til en kodeassistents hentetrin kan kandidater indeholde funktionsimplementeringer, API-dokumentation eller tekniske forklaringer som tekst. Medtag de symboler, signaturer og den kontekst, der er nødvendige for at skelne mellem lignende kandidater. En forespørgsel som “Find den funktion, der normaliserer stier og samtidig bevarer en afsluttende separator” giver en konkret adfærd at matche. Tilføj eventuelle relevante sprog-, platforms- eller versionsbegrænsninger. Efter rangering skal du undersøge den valgte kode og dens afhængigheder, før den bruges som kontekst; en relevansscore beviser ikke, at en implementering opfylder alle angivne krav.
Instruktioner definerer relevans Modellen bevarer evnen til instruktionsfølgende omrangering, som blev indført i Rerank 2.5. Tilføj en kort instruktion før eller efter forespørgslen, når brugerens hensigt skal præciseres. Ved søgning i researchdokumenter skal du forklare, om fokus er på titlen, en bestemt metode eller et anvendelsesdomæne. Ved et internt katalog skal du angive, om anmodningen vedrører installation, fejlfinding eller kompatibilitet. Hold instruktionen på linje med spørgsmålet; ekstra præferencer, der strider mod hovedanmodningen, kan ændre det, rangeringen forsøger at optimere.
Forbered kandidatdokumenter og budgetter Inputtet er en liste af tekststrenge. Udtræk anvendelig tekst fra kildedokumenter, bevar meningsfulde afsnitsgrænser, og behold en ordnet registreringskobling ved siden af listen. Producenten tillader op til 1.000 dokumenter i én anmodning. Den angiver også et samlet inputloft på 600.000 tokens: forespørgselstokens ganget med dokumentantallet plus summen af alle dokumenttokens. Det adskiller sig fra kontekstgrænsen pr. par. Ved at reducere redundant forespørgselstekst kan du bevare både kapaciteten for hvert par og det samlede anmodningsbudget.
Tæl tokens til den relevante model frem for at antage, at et ord- eller tegntal er et tokental. Ved store kandidater skal du vælge sammenhængende tekststykker eller opdele materialet efter nyttige overskrifter, mens oplysninger om hovedkilden bevares. Omrangering er mest nyttig, efter den første søgning allerede har fundet plausible kandidater: den kan ikke rangere en manglende kilde, der aldrig kom på listen.
Rangerede resultater og efterfølgende brug Resultatet indeholder relevansscorer og indeks, som henviser til de oprindelige inputdokumenter, sorteret i faldende relevansrækkefølge. Indstillingen top_k begrænser antallet af rangerede resultater, der returneres; ellers returneres alle inputkandidater. Producentens REST-grænseflade tillader også, at dokumentteksten medtages. Brug hvert oprindeligt indeks til at genskabe titel, kilde-id og de metadata, applikationen har brug for, og vis derefter de valgte elementer eller saml den relevante tekst i et svars belægskontekst.
Undersøg de øverste resultater mod spørgsmålet, og hold kildeidentiteten synlig. En høj relativ placering verificerer ikke et dokuments faktuelle nøjagtighed, og en kortliste, der kun indeholder dårlige kandidater, vil stadig have et første element. Adskil udvælgelse efter relevans fra afgørelsen af, om det valgte belæg er tilstrækkeligt til at besvare brugeren.
Migrering mellem udgaver Producenten beskriver rerank-3 som en direkte afløser for rerank-2.5 med samme API-semantik og scorer kalibreret til den tilsvarende forgængers fordeling. Denne kompatibilitet understøtter bevarelse af et eksisterende hentetrin og en eksisterende registreringskobling. Sammenlign meningsfulde resultatrækkefølger og eventuelle scoregrænser på det aktuelle korpus, før du stoler på migreringen. Hold rerank-3 og rerank-3-lite som særskilte valg: fælles grænser og instruktionsefterlevelse gør ikke deres kvalitets- og latensprioriteter identiske.
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-3 | 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 $0.0001 / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "documents": [\n "Paris is the capital of France.",\n "Berlin is the capital of Germany."\n ],\n "model": "voyageai/rerank-3",\n "query": "What is the capital of France?",\n "top_n": 3\n}set -eu\n: "${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-3'\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-3
Brug metodestierne vist ovenfor.