rerank-2.5-lite ist das leichtgewichtige Mitglied der Reranker-Veröffentlichung 2.5 von Voyage AI. Der Hersteller beschreibt es als allgemeines Modell, das Latenz und Relevanzqualität ausbalanciert, mit natürlichsprachlichem Befolgen von Anweisungen und mehrsprachiger Unterstützung. Seine Eingabe sind eine Anfrage und Kandidatentexte, seine Ausgabe ist eine verfeinerte Reihenfolge dieser Kandidaten mit Relevanzwerten.
Das Lite-Modell verarbeitet jedes Anfrage-Dokument-Paar gemeinsam als Cross-Encoder. Es kann auf eine erste Embedding- oder lexikalische Suchstufe folgen und die von dieser Stufe ausgewählten Textstellen verfeinern. Dies unterscheidet sich vom Vorbereiten eines wiederverwendbaren Embedding-Index: Der Reranker untersucht eingereichte Anfrage und Dokumenttext gemeinsam für die aktuelle Relevanzentscheidung.
Reichen Sie für eine interaktive Hilfesuche die möglichen Erklärungen ein, die die Nutzerfrage beantworten könnten. Behalten Sie genügend von jeder Textstelle bei, um Verhalten und zugehörige Bedingungen zu vermitteln, und bewahren Sie die Zuordnung zwischen Eingabeindex und Quellelement. Eine gezielte Kandidatenmenge hilft, die Reranking-Aufgabe klar zu machen, während die abgerufenen Belege für die Anzeige oder eine spätere Antwort nutzbar bleiben.
Wie rerank-2.5 akzeptiert Lite natürlichsprachliche Anweisungen vor oder nach der Anfrage. Die Beispiele des Herstellers verwenden sie, um Dokumentbestandteile hervorzuheben, einen bevorzugten Quellentyp auszuwählen oder ein mehrdeutiges Wort mit Kontext zu ergänzen. Eine Anwendung kann eine dauerhafte Relevanzpräferenz vorgeben, oder die aktuelle Frage kann eine spezifischere enthalten.
Eine beispielhafte Supportanfrage kann danach fragen, welche Textstelle einen Fehler erklärt, mit einer Anweisung, Schritte zur Fehlerbehebung gegenüber allgemeinen Produktbeschreibungen zu priorisieren. Eine Dokumentsuche kann den ursprünglichen Wortlaut einer Richtlinie statt einer Erörterung darüber verlangen. Beschreiben Sie die gewünschten Belege und halten Sie die Anweisung knapp. Anweisungen beeinflussen Relevanzwerte; setzen Sie strikte Versions-, Datums- oder Berechtigungsvorgaben bei der Kandidatenauswahl um, statt eine Relevanzpräferenz als garantierten Filter zu behandeln.
Die Ausgabe ist nach absteigender Relevanz sortiert. Jedes Ergebnis enthält den ursprünglichen Dokumentindex und einen Gleitkommawert; die optionale Einstellung return-documents gibt außerdem den entsprechenden Eingabetext zurück. Die Option top-k bestimmt die Anzahl der zurückgegebenen besten Ergebnisse; ohne sie wird die Rangfolge aller eingereichten Kandidaten zurückgegeben.
Verwenden Sie diese Indizes, um die Quelltextstelle und ihre Kennung wiederzufinden. Ein neu gereihter Kandidat kann zum Suchergebnis oder Beleg für den nächsten RAG-Schritt werden; die Ausgabe ist jedoch eine Reihenfolge bereitgestellter Texte und keine umformulierte Antwort. Bewerten Sie, ob die führenden Textstellen sowohl die Frage als auch die Relevanzanweisung erfüllen, einschließlich der tatsächlich in der Sammlung vorhandenen Sprachen und Dokumenttypen.
Für die Ausgabe 2.5 Lite sind maximal 8.000 Token für die Anfrage und eine Grenze von 32.000 Token für die Anfrage plus jedes einzelne Dokument dokumentiert. Sie unterscheidet sich vom früheren Modell rerank-2-lite und dessen kleinerem Kontext. Es können höchstens 1.000 Dokumente eingereicht werden; die gesamte Eingabe ist auf 600.000 Token nach folgender Formel begrenzt: Anfrage-Token multipliziert mit Kandidatenanzahl plus die Summe der Token aller Kandidatendokumente.
Für latenzempfindliche Nutzung empfiehlt die FAQ des Herstellers rerank-2.5-lite mit höchstens 200.000 Token insgesamt pro Anfrage. Dies ist eine praktische Empfehlung unterhalb des angegebenen Maximums, kein anderes Fenster pro Dokument. Eine längere Anfrage oder Anweisung wird für jedes Kandidatenpaar einmal gezählt, sodass sowohl Kandidatenanzahl als auch Anfragelänge die Gesamtsumme beeinflussen.
Kürzung ist standardmäßig aktiviert und verkürzt zu lange Anfrage-/Dokumenteingaben auf die passende Länge; ihre Deaktivierung führt bei einer zu langen Anfrage oder einem zu langen Paar zu einem Fehler. Bereiten Sie kompakte Kandidaten mit antwortrelevanten Inhalten gezielt vor, damit hilfreiche Belege nicht jenseits einer Kürzungsgrenze liegen. Die Auswahl weniger Ausgabeergebnisse über top-k entfernt die übrigen bereitgestellten Kandidaten nicht aus der Tokenberechnung. Prüfen Sie die zurückgegebenen Quelltextstellen und verfeinern Sie die Eingabevorbereitung anhand der tatsächlichen Fragen, die die Suchoberfläche beantworten muss.
", "aboutText": "rerank-2.5-lite ist das leichtgewichtige Mitglied der Reranker-Veröffentlichung 2.5 von Voyage AI. Der Hersteller beschreibt es als allgemeines Modell, das Latenz und Relevanzqualität ausbalanciert, mit natürlichsprachlichem Befolgen von Anweisungen und mehrsprachiger Unterstützung. Seine Eingabe sind eine Anfrage und Kandidatentexte, seine Ausgabe ist eine verfeinerte Reihenfolge dieser Kandidaten mit Relevanzwerten.\n\n### Eine leichtgewichtige Relevanzentscheidung in der zweiten Stufe\n\nDas Lite-Modell verarbeitet jedes Anfrage-Dokument-Paar gemeinsam als Cross-Encoder. Es kann auf eine erste Embedding- oder lexikalische Suchstufe folgen und die von dieser Stufe ausgewählten Textstellen verfeinern. Dies unterscheidet sich vom Vorbereiten eines wiederverwendbaren Embedding-Index: Der Reranker untersucht eingereichte Anfrage und Dokumenttext gemeinsam für die aktuelle Relevanzentscheidung.\n\nReichen Sie für eine interaktive Hilfesuche die möglichen Erklärungen ein, die die Nutzerfrage beantworten könnten. Behalten Sie genügend von jeder Textstelle bei, um Verhalten und zugehörige Bedingungen zu vermitteln, und bewahren Sie die Zuordnung zwischen Eingabeindex und Quellelement. Eine gezielte Kandidatenmenge hilft, die Reranking-Aufgabe klar zu machen, während die abgerufenen Belege für die Anzeige oder eine spätere Antwort nutzbar bleiben.\n\n### Anweisungen drücken aus, was für Nutzende Vorrang haben soll\n\nWie rerank-2.5 akzeptiert Lite natürlichsprachliche Anweisungen vor oder nach der Anfrage. Die Beispiele des Herstellers verwenden sie, um Dokumentbestandteile hervorzuheben, einen bevorzugten Quellentyp auszuwählen oder ein mehrdeutiges Wort mit Kontext zu ergänzen. Eine Anwendung kann eine dauerhafte Relevanzpräferenz vorgeben, oder die aktuelle Frage kann eine spezifischere enthalten.\n\nEine beispielhafte Supportanfrage kann danach fragen, welche Textstelle einen Fehler erklärt, mit einer Anweisung, Schritte zur Fehlerbehebung gegenüber allgemeinen Produktbeschreibungen zu priorisieren. Eine Dokumentsuche kann den ursprünglichen Wortlaut einer Richtlinie statt einer Erörterung darüber verlangen. Beschreiben Sie die gewünschten Belege und halten Sie die Anweisung knapp. Anweisungen beeinflussen Relevanzwerte; setzen Sie strikte Versions-, Datums- oder Berechtigungsvorgaben bei der Kandidatenauswahl um, statt eine Relevanzpräferenz als garantierten Filter zu behandeln.\n\n### Die Rangfolge lesen und die Quelltextstelle zurückgeben\n\nDie Ausgabe ist nach absteigender Relevanz sortiert. Jedes Ergebnis enthält den ursprünglichen Dokumentindex und einen Gleitkommawert; die optionale Einstellung return-documents gibt außerdem den entsprechenden Eingabetext zurück. Die Option top-k bestimmt die Anzahl der zurückgegebenen besten Ergebnisse; ohne sie wird die Rangfolge aller eingereichten Kandidaten zurückgegeben.\n\nVerwenden Sie diese Indizes, um die Quelltextstelle und ihre Kennung wiederzufinden. Ein neu gereihter Kandidat kann zum Suchergebnis oder Beleg für den nächsten RAG-Schritt werden; die Ausgabe ist jedoch eine Reihenfolge bereitgestellter Texte und keine umformulierte Antwort. Bewerten Sie, ob die führenden Textstellen sowohl die Frage als auch die Relevanzanweisung erfüllen, einschließlich der tatsächlich in der Sammlung vorhandenen Sprachen und Dokumenttypen.\n\n### Grenzen und ein praktisches Kandidatenbudget\n\nFür die Ausgabe 2.5 Lite sind maximal 8.000 Token für die Anfrage und eine Grenze von 32.000 Token für die Anfrage plus jedes einzelne Dokument dokumentiert. Sie unterscheidet sich vom früheren Modell rerank-2-lite und dessen kleinerem Kontext. Es können höchstens 1.000 Dokumente eingereicht werden; die gesamte Eingabe ist auf 600.000 Token nach folgender Formel begrenzt: Anfrage-Token multipliziert mit Kandidatenanzahl plus die Summe der Token aller Kandidatendokumente.\n\nFür latenzempfindliche Nutzung empfiehlt die FAQ des Herstellers rerank-2.5-lite mit höchstens 200.000 Token insgesamt pro Anfrage. Dies ist eine praktische Empfehlung unterhalb des angegebenen Maximums, kein anderes Fenster pro Dokument. Eine längere Anfrage oder Anweisung wird für jedes Kandidatenpaar einmal gezählt, sodass sowohl Kandidatenanzahl als auch Anfragelänge die Gesamtsumme beeinflussen.\n\nKürzung ist standardmäßig aktiviert und verkürzt zu lange Anfrage-/Dokumenteingaben auf die passende Länge; ihre Deaktivierung führt bei einer zu langen Anfrage oder einem zu langen Paar zu einem Fehler. Bereiten Sie kompakte Kandidaten mit antwortrelevanten Inhalten gezielt vor, damit hilfreiche Belege nicht jenseits einer Kürzungsgrenze liegen. Die Auswahl weniger Ausgabeergebnisse über top-k entfernt die übrigen bereitgestellten Kandidaten nicht aus der Tokenberechnung. Prüfen Sie die zurückgegebenen Quelltextstellen und verfeinern Sie die Eingabevorbereitung anhand der tatsächlichen Fragen, die die Suchoberfläche beantworten muss.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d7bf4631cc45e4d2a79f4888c97ff172d8637e3358ed59d8b71a4addf37585d1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "voyageai/rerank-2.5-litererank-2.5-lite ist der latenzorientierte, anweisungsfolgende Reranker von Voyage AI für eine bereitgestellte Menge von Textkandidaten. Er behält einen Anfrage-Dokument-Kontext von 32.000 Token und mehrsprachige Unterstützung bei und gibt eine geordnete Liste von Relevanzwerten und ursprünglichen Dokumentindizes zurück.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
rerank-2.5-lite ist das leichtgewichtige Mitglied der Reranker-Veröffentlichung 2.5 von Voyage AI. Der Hersteller beschreibt es als allgemeines Modell, das Latenz und Relevanzqualität ausbalanciert, mit natürlichsprachlichem Befolgen von Anweisungen und mehrsprachiger Unterstützung. Seine Eingabe sind eine Anfrage und Kandidatentexte, seine Ausgabe ist eine verfeinerte Reihenfolge dieser Kandidaten mit Relevanzwerten.
Das Lite-Modell verarbeitet jedes Anfrage-Dokument-Paar gemeinsam als Cross-Encoder. Es kann auf eine erste Embedding- oder lexikalische Suchstufe folgen und die von dieser Stufe ausgewählten Textstellen verfeinern. Dies unterscheidet sich vom Vorbereiten eines wiederverwendbaren Embedding-Index: Der Reranker untersucht eingereichte Anfrage und Dokumenttext gemeinsam für die aktuelle Relevanzentscheidung.
Reichen Sie für eine interaktive Hilfesuche die möglichen Erklärungen ein, die die Nutzerfrage beantworten könnten. Behalten Sie genügend von jeder Textstelle bei, um Verhalten und zugehörige Bedingungen zu vermitteln, und bewahren Sie die Zuordnung zwischen Eingabeindex und Quellelement. Eine gezielte Kandidatenmenge hilft, die Reranking-Aufgabe klar zu machen, während die abgerufenen Belege für die Anzeige oder eine spätere Antwort nutzbar bleiben.
Wie rerank-2.5 akzeptiert Lite natürlichsprachliche Anweisungen vor oder nach der Anfrage. Die Beispiele des Herstellers verwenden sie, um Dokumentbestandteile hervorzuheben, einen bevorzugten Quellentyp auszuwählen oder ein mehrdeutiges Wort mit Kontext zu ergänzen. Eine Anwendung kann eine dauerhafte Relevanzpräferenz vorgeben, oder die aktuelle Frage kann eine spezifischere enthalten.
Eine beispielhafte Supportanfrage kann danach fragen, welche Textstelle einen Fehler erklärt, mit einer Anweisung, Schritte zur Fehlerbehebung gegenüber allgemeinen Produktbeschreibungen zu priorisieren. Eine Dokumentsuche kann den ursprünglichen Wortlaut einer Richtlinie statt einer Erörterung darüber verlangen. Beschreiben Sie die gewünschten Belege und halten Sie die Anweisung knapp. Anweisungen beeinflussen Relevanzwerte; setzen Sie strikte Versions-, Datums- oder Berechtigungsvorgaben bei der Kandidatenauswahl um, statt eine Relevanzpräferenz als garantierten Filter zu behandeln.
Die Ausgabe ist nach absteigender Relevanz sortiert. Jedes Ergebnis enthält den ursprünglichen Dokumentindex und einen Gleitkommawert; die optionale Einstellung return-documents gibt außerdem den entsprechenden Eingabetext zurück. Die Option top-k bestimmt die Anzahl der zurückgegebenen besten Ergebnisse; ohne sie wird die Rangfolge aller eingereichten Kandidaten zurückgegeben.
Verwenden Sie diese Indizes, um die Quelltextstelle und ihre Kennung wiederzufinden. Ein neu gereihter Kandidat kann zum Suchergebnis oder Beleg für den nächsten RAG-Schritt werden; die Ausgabe ist jedoch eine Reihenfolge bereitgestellter Texte und keine umformulierte Antwort. Bewerten Sie, ob die führenden Textstellen sowohl die Frage als auch die Relevanzanweisung erfüllen, einschließlich der tatsächlich in der Sammlung vorhandenen Sprachen und Dokumenttypen.
Für die Ausgabe 2.5 Lite sind maximal 8.000 Token für die Anfrage und eine Grenze von 32.000 Token für die Anfrage plus jedes einzelne Dokument dokumentiert. Sie unterscheidet sich vom früheren Modell rerank-2-lite und dessen kleinerem Kontext. Es können höchstens 1.000 Dokumente eingereicht werden; die gesamte Eingabe ist auf 600.000 Token nach folgender Formel begrenzt: Anfrage-Token multipliziert mit Kandidatenanzahl plus die Summe der Token aller Kandidatendokumente.
Für latenzempfindliche Nutzung empfiehlt die FAQ des Herstellers rerank-2.5-lite mit höchstens 200.000 Token insgesamt pro Anfrage. Dies ist eine praktische Empfehlung unterhalb des angegebenen Maximums, kein anderes Fenster pro Dokument. Eine längere Anfrage oder Anweisung wird für jedes Kandidatenpaar einmal gezählt, sodass sowohl Kandidatenanzahl als auch Anfragelänge die Gesamtsumme beeinflussen.
Kürzung ist standardmäßig aktiviert und verkürzt zu lange Anfrage-/Dokumenteingaben auf die passende Länge; ihre Deaktivierung führt bei einer zu langen Anfrage oder einem zu langen Paar zu einem Fehler. Bereiten Sie kompakte Kandidaten mit antwortrelevanten Inhalten gezielt vor, damit hilfreiche Belege nicht jenseits einer Kürzungsgrenze liegen. Die Auswahl weniger Ausgabeergebnisse über top-k entfernt die übrigen bereitgestellten Kandidaten nicht aus der Tokenberechnung. Prüfen Sie die zurückgegebenen Quelltextstellen und verfeinern Sie die Eingabevorbereitung anhand der tatsächlichen Fragen, die die Suchoberfläche beantworten muss.
POST /v1/reranktextrerank| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Felddocuments | Typarray | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits voyageai/rerank-2.5-lite | Standard— |
Feldprovider | Typschema | AnforderungOptional | Werte und Limits | Standard— |
Feldquery | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldsession_id | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtop_n | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 | Standard— |
Feldtrace | Typschema | AnforderungOptional | Werte und Limits | Standard— |
Felduser | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Felddocuments[].text | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Felddocuments[].image | Typstring | AnforderungOptional | Werte und Limits | Standard— |
text_rerank · Erforderlich: query, documents array with minItems1
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, query, documents |
Parametermaterial_types | Vertragtext |
Parameteroptional_controls | Vertragprovider, session_id, top_n, trace, user |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous
Senden Sie die exakte Modell-ID und bewahren Sie die vollständige native Antwort auf.
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 |
| KonfigurationUltra | Tarifstaffel— | Abrechnungseinheit/ 1K Tokens | Gebühr Eingabe $0.00004 / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "documents": [\n "Paris is the capital of France.",\n "Berlin is the capital of Germany."\n ],\n "model": "voyageai/rerank-2.5-lite",\n "query": "What is the capital of France?",\n "top_n": 3\n}set -eu\n: "${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
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Jeder tatsächliche Ergebnisindex, jeder endliche relevance_score und jedes ursprüngliche Dokumentobjekt bleiben erhalten. Die Indizes verweisen auf das ursprüngliche Dokumentarray. Das gesamte ursprüngliche JSON wird gespeichert und erst nach der Abrechnung zurückgegeben.
Bewahren Sie den ursprünglichen Vorgang und die vollständige oder teilweise Antwort auf; wiederholen Sie POST nicht.
| Feld | Typ |
|---|---|
Feldmodel | Typstring |
Feldid | Typstring |
Feldprovider | Typstring |
Feldresults[].index | Typinteger |
Feldresults[].relevance_score | Typnumber |
Feldresults[].document.text | Typstring |
Feldresults[].document.image | Typstring |
Feldusage.search_units | Typinteger |
Feldusage.total_tokens | Typinteger |
Feldusage.cost | Typnumber |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungUngültiges Pflichtfeld, ungültige Darstellung oder ungültiger Wert | Nächster SchrittKorrigieren Sie das angegebene Anfragefeld. |
Ailoot Ultra voyageai/rerank-2.5-lite
Verwenden Sie die oben angezeigten Methodenpfade.