BGE Reranker v2 M3 ist ein mehrsprachiges Relevanzmodell auf Basis von BGE-M3. Es erhält eine Suchanfrage gemeinsam mit einer Kandidatentextstelle und gibt einen Wert für ihre Beziehung zurück. BAAI positioniert diese Edition als effizienten mehrsprachigen Reranker, unter anderem für chinesische und englische Informationssuche, wenn eine Suchanwendung eine vorhandene Kandidatenliste verfeinern muss.
Ein Cross-Encoder verarbeitet beide Texte gemeinsam, sodass ihre Inhalte vor der Erzeugung des Relevanzwerts miteinander interagieren können. Das unterscheidet ihn von einem Embedding-Modell, das Texte unabhängig für wiederverwendbare Vektorvergleiche kodiert. Die Ausgabe des Rerankers ist ein skalarer Wert für ein bestimmtes Paar, kein Dokumentvektor und keine schriftliche Antwort.
Verwenden Sie das Modell, nachdem eine erste Suche plausible Textstellen ausgewählt hat. Verbinden Sie die Frage mit jedem Kandidaten und ordnen Sie die Kandidaten nach den resultierenden Werten. So konzentriert sich der genauere Vergleich auf eine überschaubare Auswahlliste, statt einen Cross-Encoder jede Textstelle in einer großen Sammlung prüfen zu lassen.
Der Hersteller nennt BGE-M3 als Basismodell und mehrsprachige Unterstützung als Hauptmerkmal. Innerhalb seiner v2-Reranker-Familie ist M3 die effiziente mehrsprachige Option; die Gemma-basierten Varianten und Varianten mit Schichtauswahl sind eigene Modelle mit anderen Implementierungsentscheidungen. Der Name M3 bedeutet hier nicht, dass der Reranker die dichten, dünn besetzten und Mehrvektor-Embeddings des ursprünglichen Embedding-Modells zurückgibt.
Diese Unterscheidung ist wichtig, wenn Sie das von Ihrer Anwendung benötigte Ergebnis wählen. Wählen Sie ein Embedding-Modell, um eine Dokumentensammlung zu repräsentieren und zu durchsuchen. Wählen Sie diesen Reranker, wenn bereits Kandidatentexte vorliegen und Sie entscheiden müssen, welche Textstelle für die aktuelle Suchanfrage am relevantesten ist.
Stellen Sie die tatsächliche Frage und den vollständigen Kandidatentext bereit, der zu ihrer Interpretation benötigt wird. Bewahren Sie Überschriften oder benachbarte Definitionen, wenn sie die Bedeutung einer Textstelle bestimmen. Im veröffentlichten Transformers-Beispiel werden Suchanfrage und Textstelle gemeinsam mit Abschneiden und max_length=512 tokenisiert. Das ist eine Beispieleinstellung, keine modellweite Grenze. Halten Sie die Frage und die benötigten Belege innerhalb des gewählten Paarbudgets und prüfen Sie, was durch das Abschneiden entfernt wird. Ein Ergebnis, das dasselbe Produkt wie die Suchanfrage nennt, kann dennoch irrelevant sein, wenn es die falsche Operation oder Bedingung betrifft; bereiten Sie zur Bewertung der Suchqualität Beispiele vor, die solche Fälle unterscheiden.
Halten Sie bei einem Dokumentassistenten die Kandidatenkennungen gemeinsam mit ihren Texten fest, bewerten Sie die Frage-Textstellen-Paare und geben Sie die ausgewählten Originaltextstellen an den Antwortschritt weiter. Das Antwortmodell erhält dann die Belege statt eines Relevanzwerts ohne Quelle. Dies ist ein beispielhafter Suchablauf; der Reranker selbst durchsucht weder eine externe Sammlung noch schreibt er die Antwort.
Der Hersteller gibt rohe Relevanzwerte zurück; höhere Werte bedeuten eine engere Übereinstimmung. Seine dokumentierte optionale Normalisierung wendet eine Sigmoidfunktion an, um den Wert zwischen 0 und 1 zu platzieren. Ein normalisierter Wert hat einen praktischen Wertebereich, doch diese Transformation allein begründet keine kalibrierte Wahrscheinlichkeit dafür, dass der Kandidat richtig ist.
Wählen Sie Schwellen für Rangfolge oder Filterung anhand repräsentativer Frage-Textstellen-Paare aus Ihrer Arbeitslast. Nehmen Sie sowohl Textstellen auf, die Schlüsselwörter teilen, aber eine andere Frage beantworten, als auch relevante Textstellen mit anderer Formulierung. Dadurch wird die gewählte Schwelle für die durchsuchte Sammlung aussagekräftig.
Definieren Sie bei einem Ailoot-API-Projekt, was der endgültige Kontext enthalten soll und wie viele Kandidaten effizient geprüft werden können. Das nützliche Ergebnis ist eine besser geordnete Belegsammlung für den nächsten Anwendungsschritt. Halten Sie die Relevanzausgabe dieser Edition von Dokument-Embeddings, erzeugter Prosa und den für andere Reranker dokumentierten Einstellungen zur Schichtauswahl getrennt.
", "aboutText": "BGE Reranker v2 M3 ist ein mehrsprachiges Relevanzmodell auf Basis von BGE-M3. Es erhält eine Suchanfrage gemeinsam mit einer Kandidatentextstelle und gibt einen Wert für ihre Beziehung zurück. BAAI positioniert diese Edition als effizienten mehrsprachigen Reranker, unter anderem für chinesische und englische Informationssuche, wenn eine Suchanwendung eine vorhandene Kandidatenliste verfeinern muss.\n\n### Relevanz aus einem Paar von Suchanfrage und Textstelle\n\nEin Cross-Encoder verarbeitet beide Texte gemeinsam, sodass ihre Inhalte vor der Erzeugung des Relevanzwerts miteinander interagieren können. Das unterscheidet ihn von einem Embedding-Modell, das Texte unabhängig für wiederverwendbare Vektorvergleiche kodiert. Die Ausgabe des Rerankers ist ein skalarer Wert für ein bestimmtes Paar, kein Dokumentvektor und keine schriftliche Antwort.\n\nVerwenden Sie das Modell, nachdem eine erste Suche plausible Textstellen ausgewählt hat. Verbinden Sie die Frage mit jedem Kandidaten und ordnen Sie die Kandidaten nach den resultierenden Werten. So konzentriert sich der genauere Vergleich auf eine überschaubare Auswahlliste, statt einen Cross-Encoder jede Textstelle in einer großen Sammlung prüfen zu lassen.\n\n### Die Edition v2 M3\n\nDer Hersteller nennt BGE-M3 als Basismodell und mehrsprachige Unterstützung als Hauptmerkmal. Innerhalb seiner v2-Reranker-Familie ist M3 die effiziente mehrsprachige Option; die Gemma-basierten Varianten und Varianten mit Schichtauswahl sind eigene Modelle mit anderen Implementierungsentscheidungen. Der Name M3 bedeutet hier nicht, dass der Reranker die dichten, dünn besetzten und Mehrvektor-Embeddings des ursprünglichen Embedding-Modells zurückgibt.\n\nDiese Unterscheidung ist wichtig, wenn Sie das von Ihrer Anwendung benötigte Ergebnis wählen. Wählen Sie ein Embedding-Modell, um eine Dokumentensammlung zu repräsentieren und zu durchsuchen. Wählen Sie diesen Reranker, wenn bereits Kandidatentexte vorliegen und Sie entscheiden müssen, welche Textstelle für die aktuelle Suchanfrage am relevantesten ist.\n\n### Kandidaten für eine aussagekräftige Rangfolge vorbereiten\n\nStellen Sie die tatsächliche Frage und den vollständigen Kandidatentext bereit, der zu ihrer Interpretation benötigt wird. Bewahren Sie Überschriften oder benachbarte Definitionen, wenn sie die Bedeutung einer Textstelle bestimmen. Im veröffentlichten Transformers-Beispiel werden Suchanfrage und Textstelle gemeinsam mit Abschneiden und max_length=512 tokenisiert. Das ist eine Beispieleinstellung, keine modellweite Grenze. Halten Sie die Frage und die benötigten Belege innerhalb des gewählten Paarbudgets und prüfen Sie, was durch das Abschneiden entfernt wird. Ein Ergebnis, das dasselbe Produkt wie die Suchanfrage nennt, kann dennoch irrelevant sein, wenn es die falsche Operation oder Bedingung betrifft; bereiten Sie zur Bewertung der Suchqualität Beispiele vor, die solche Fälle unterscheiden.\n\nHalten Sie bei einem Dokumentassistenten die Kandidatenkennungen gemeinsam mit ihren Texten fest, bewerten Sie die Frage-Textstellen-Paare und geben Sie die ausgewählten Originaltextstellen an den Antwortschritt weiter. Das Antwortmodell erhält dann die Belege statt eines Relevanzwerts ohne Quelle. Dies ist ein beispielhafter Suchablauf; der Reranker selbst durchsucht weder eine externe Sammlung noch schreibt er die Antwort.\n\n### Werte lesen und normalisieren\n\nDer Hersteller gibt rohe Relevanzwerte zurück; höhere Werte bedeuten eine engere Übereinstimmung. Seine dokumentierte optionale Normalisierung wendet eine Sigmoidfunktion an, um den Wert zwischen 0 und 1 zu platzieren. Ein normalisierter Wert hat einen praktischen Wertebereich, doch diese Transformation allein begründet keine kalibrierte Wahrscheinlichkeit dafür, dass der Kandidat richtig ist.\n\nWählen Sie Schwellen für Rangfolge oder Filterung anhand repräsentativer Frage-Textstellen-Paare aus Ihrer Arbeitslast. Nehmen Sie sowohl Textstellen auf, die Schlüsselwörter teilen, aber eine andere Frage beantworten, als auch relevante Textstellen mit anderer Formulierung. Dadurch wird die gewählte Schwelle für die durchsuchte Sammlung aussagekräftig.\n\nDefinieren Sie bei einem Ailoot-API-Projekt, was der endgültige Kontext enthalten soll und wie viele Kandidaten effizient geprüft werden können. Das nützliche Ergebnis ist eine besser geordnete Belegsammlung für den nächsten Anwendungsschritt. Halten Sie die Relevanzausgabe dieser Edition von Dokument-Embeddings, erzeugter Prosa und den für andere Reranker dokumentierten Einstellungen zur Schichtauswahl getrennt.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d7c01ed1f5f3fc9de4584494d5d478259bf01e55d8d57302f6f6635cb3241ecf", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "bge-reranker-v2-m3BAAIs mehrsprachiger Cross-Encoder zur Bewertung möglicher Textpassagen anhand einer Abfrage. Er liest jedes Paar aus Abfrage und Passage gemeinsam und gibt einen Relevanzwert zurück, um eine engere Suchauswahl zu verfeinern, ohne eine Antwort zu erzeugen oder Dokument-Embeddings zu erstellen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
BGE Reranker v2 M3 ist ein mehrsprachiges Relevanzmodell auf Basis von BGE-M3. Es erhält eine Suchanfrage gemeinsam mit einer Kandidatentextstelle und gibt einen Wert für ihre Beziehung zurück. BAAI positioniert diese Edition als effizienten mehrsprachigen Reranker, unter anderem für chinesische und englische Informationssuche, wenn eine Suchanwendung eine vorhandene Kandidatenliste verfeinern muss.
Ein Cross-Encoder verarbeitet beide Texte gemeinsam, sodass ihre Inhalte vor der Erzeugung des Relevanzwerts miteinander interagieren können. Das unterscheidet ihn von einem Embedding-Modell, das Texte unabhängig für wiederverwendbare Vektorvergleiche kodiert. Die Ausgabe des Rerankers ist ein skalarer Wert für ein bestimmtes Paar, kein Dokumentvektor und keine schriftliche Antwort.
Verwenden Sie das Modell, nachdem eine erste Suche plausible Textstellen ausgewählt hat. Verbinden Sie die Frage mit jedem Kandidaten und ordnen Sie die Kandidaten nach den resultierenden Werten. So konzentriert sich der genauere Vergleich auf eine überschaubare Auswahlliste, statt einen Cross-Encoder jede Textstelle in einer großen Sammlung prüfen zu lassen.
Der Hersteller nennt BGE-M3 als Basismodell und mehrsprachige Unterstützung als Hauptmerkmal. Innerhalb seiner v2-Reranker-Familie ist M3 die effiziente mehrsprachige Option; die Gemma-basierten Varianten und Varianten mit Schichtauswahl sind eigene Modelle mit anderen Implementierungsentscheidungen. Der Name M3 bedeutet hier nicht, dass der Reranker die dichten, dünn besetzten und Mehrvektor-Embeddings des ursprünglichen Embedding-Modells zurückgibt.
Diese Unterscheidung ist wichtig, wenn Sie das von Ihrer Anwendung benötigte Ergebnis wählen. Wählen Sie ein Embedding-Modell, um eine Dokumentensammlung zu repräsentieren und zu durchsuchen. Wählen Sie diesen Reranker, wenn bereits Kandidatentexte vorliegen und Sie entscheiden müssen, welche Textstelle für die aktuelle Suchanfrage am relevantesten ist.
Stellen Sie die tatsächliche Frage und den vollständigen Kandidatentext bereit, der zu ihrer Interpretation benötigt wird. Bewahren Sie Überschriften oder benachbarte Definitionen, wenn sie die Bedeutung einer Textstelle bestimmen. Im veröffentlichten Transformers-Beispiel werden Suchanfrage und Textstelle gemeinsam mit Abschneiden und max_length=512 tokenisiert. Das ist eine Beispieleinstellung, keine modellweite Grenze. Halten Sie die Frage und die benötigten Belege innerhalb des gewählten Paarbudgets und prüfen Sie, was durch das Abschneiden entfernt wird. Ein Ergebnis, das dasselbe Produkt wie die Suchanfrage nennt, kann dennoch irrelevant sein, wenn es die falsche Operation oder Bedingung betrifft; bereiten Sie zur Bewertung der Suchqualität Beispiele vor, die solche Fälle unterscheiden.
Halten Sie bei einem Dokumentassistenten die Kandidatenkennungen gemeinsam mit ihren Texten fest, bewerten Sie die Frage-Textstellen-Paare und geben Sie die ausgewählten Originaltextstellen an den Antwortschritt weiter. Das Antwortmodell erhält dann die Belege statt eines Relevanzwerts ohne Quelle. Dies ist ein beispielhafter Suchablauf; der Reranker selbst durchsucht weder eine externe Sammlung noch schreibt er die Antwort.
Der Hersteller gibt rohe Relevanzwerte zurück; höhere Werte bedeuten eine engere Übereinstimmung. Seine dokumentierte optionale Normalisierung wendet eine Sigmoidfunktion an, um den Wert zwischen 0 und 1 zu platzieren. Ein normalisierter Wert hat einen praktischen Wertebereich, doch diese Transformation allein begründet keine kalibrierte Wahrscheinlichkeit dafür, dass der Kandidat richtig ist.
Wählen Sie Schwellen für Rangfolge oder Filterung anhand repräsentativer Frage-Textstellen-Paare aus Ihrer Arbeitslast. Nehmen Sie sowohl Textstellen auf, die Schlüsselwörter teilen, aber eine andere Frage beantworten, als auch relevante Textstellen mit anderer Formulierung. Dadurch wird die gewählte Schwelle für die durchsuchte Sammlung aussagekräftig.
Definieren Sie bei einem Ailoot-API-Projekt, was der endgültige Kontext enthalten soll und wie viele Kandidaten effizient geprüft werden können. Das nützliche Ergebnis ist eine besser geordnete Belegsammlung für den nächsten Anwendungsschritt. Halten Sie die Relevanzausgabe dieser Edition von Dokument-Embeddings, erzeugter Prosa und den für andere Reranker dokumentierten Einstellungen zur Schichtauswahl getrennt.
POST /v1/reranktextrerank| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits bge-reranker-v2-m3 | Standard— |
Feldquery | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Felddocuments | Typarray | AnforderungErforderlich | Werte und Limits | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, documents |
Parametermaterial_types | Vertragtext |
Parametermaterial_conditions | VertragGeben Sie Ihre tatsächliche Suchanfrage und ein nicht leeres Array der ursprünglichen Textdokumente an. Die Ergebnisindizes beziehen sich auf dieses ursprüngliche Array. |
Lebenszyklus: synchronous_result_then_owned_library
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Abrechnungseinheit | Gebühr |
|---|---|---|---|
| KonfigurationBasistarife für Tokens | TarifstaffelGrundtarif | Abrechnungseinheit— | Gebühr Eingabe · Eingabetoken — / 1K Tokens Ausgabe · Ausgabetoken — / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationGesamttoken | Tarifstaffel— | Abrechnungseinheit/ 1K Tokens | Gebühr Eingabe · Gesamttoken $0.00004 / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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.\nVollständiges ursprüngliches natives JSON-Ergebnis mit dem konfigurierten Antwortmodell, den ursprünglichen Dokumentindizes, Relevanzwerten, Dokumentzeichenfolgen und dem nativen Tokenverbrauch. Bewahren Sie jedes tatsächliche Ergebnis- und Verbrauchsfeld auf.
GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Die vollständige Antwort und ihre Header, jede tatsächliche Ausgabe, die ursprünglich zurückgegebenen Kennungen und alle Nutzungsfelder aufbewahren. Den ursprünglichen Vorgang wiederaufnehmen, ohne die Erstellung erneut anzufordern.
Bewahren Sie die tatsächliche X-Client-Request-ID und die vollständige Antwort auf. Lesen Sie die ursprünglichen, Ihnen zugeordneten Assets und deren exakte signierte Inhalts-URLs; übermitteln Sie eine Erstellung mit unklarem Ergebnis niemals erneut.
| Feld | Typ | Bedeutung |
|---|---|---|
Feldmodel | Typstring | BedeutungExaktes Antwortmodell, das die im Quellcode konfigurierte Antwortverarbeitung benötigt. |
Feldresults[].index | Typinteger | BedeutungEindeutiger Index des ursprünglichen Eingabedokuments. |
Feldresults[].relevance_score | Typnumber | BedeutungEndlicher Relevanzwert. |
Feldresults[].document | Typstring | BedeutungUrsprüngliches Textdokument, das von diesem konfigurierten Antwort-Consumer benötigt wird. |
Feldusage.total_tokens | Typinteger | BedeutungEndliche, nicht negative native Tokenzahl, die der aktuell akzeptierte Tarif erfordert. |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungDer JSON-Inhalt oder die explizite kanonische Modell-ID ist ungültig. | Nächster SchrittBewahren Sie die Antwort auf und korrigieren Sie das angegebene Anfragefeld. |
Antwort401 · authentication_error | BedingungDer Ailoot API-Schlüssel ist ungültig. | Nächster SchrittVerwenden Sie Ihren autorisierten Ailoot API-Schlüssel. |
Antwort403 · permission_error | BedingungDie Schlüsselgruppe lässt diese Methode nicht zu. | Nächster SchrittBewahren Sie die zurückgegebenen Fehlerdetails auf. |
Antwort404 · not_found_error | BedingungFür die ausgewählte Methode ist keine Route zugelassen. | Nächster SchrittBewahren Sie die zurückgegebenen Fehlerdetails auf. |
Antwort422 · price_unavailable | BedingungDer akzeptierte Tarif kann seine erforderliche Eingabemenge oder Obergrenze nicht ermitteln. | Nächster SchrittBewahren Sie die Antwort auf; verwenden Sie die vom akzeptierten Tarif erforderte Eingabedarstellung. |
Antwort503 · | BedingungErforderlicher Speicher, Route, Methodenpreis oder Reservierung ist nicht verfügbar. | Nächster SchrittBewahren Sie die vollständige ursprüngliche Antwort auf. Eine unklare Reservierung berechtigt nicht zur erneuten Übermittlung. |
Antwort502 · billing_requires_check | BedingungDas ursprüngliche Ergebnis, der Verbrauch oder die Abrechnung muss geprüft werden. | Nächster SchrittBewahren Sie die tatsächliche Anfrage-ID und die ursprüngliche Antwort auf. Lesen Sie den bestehenden, Ihnen zugeordneten Datensatz; übermitteln Sie die Erstellung nicht erneut. |
Ailoot Ultra bge-reranker-v2-m3
Verwenden Sie die oben angezeigten Methodenpfade.