BGE Reranker v2 M3 ist ein mehrsprachiges Relevanzmodell auf Grundlage von BGE-M3. Es verarbeitet eine Anfrage und eine Kandidatenpassage gemeinsam und gibt einen Wert für ihre Beziehung zurück. BAAI positioniert diese Version als effizienten mehrsprachigen Reranker, auch 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 Ermittlung des Relevanzwerts miteinander interagieren können. Dies unterscheidet ihn von einem Embedding-Modell, das Texte unabhängig für wiederverwendbare Vektorvergleiche codiert. Der Reranker gibt einen skalaren Wert für ein bestimmtes Paar aus, keinen Dokumentvektor und keine schriftliche Antwort.
Verwenden Sie das Modell, nachdem eine erste Suche plausible Passagen ausgewählt hat. Kombinieren Sie die Frage mit jedem Kandidaten und ordnen Sie die Kandidaten nach den erhaltenen Werten. Dadurch konzentriert sich der detailliertere Vergleich auf eine überschaubare Auswahl, statt einen Cross-Encoder jede Passage einer grossen Sammlung prüfen zu lassen.
Der Hersteller nennt BGE-M3 als Basismodell und Mehrsprachigkeit als Hauptmerkmal. Innerhalb seiner v2-Reranker-Familie ist M3 die effiziente mehrsprachige Option; die Gemma-basierten Varianten und Varianten mit Ebenenauswahl sind eigenständige Modelle mit anderen Implementierungsentscheidungen. Der Name M3 bedeutet hier nicht, dass der Reranker die dichten, dünn besetzten und Multi-Vektor-Embeddings des ursprünglichen Embedding-Modells zurückgibt.
Diese Unterscheidung ist bei der Wahl des von Ihrer Anwendung benötigten Ergebnisses wichtig. Wählen Sie ein Embedding-Modell, um eine Dokumentensammlung darzustellen und zu durchsuchen. Wählen Sie diesen Reranker, wenn bereits Kandidatentexte vorliegen und entschieden werden soll, welche Passage für die aktuelle Anfrage am relevantesten ist.
Stellen Sie die tatsächliche Frage und den vollständigen, für ihre Interpretation benötigten Kandidatentext bereit. Bewahren Sie Überschriften oder benachbarte Definitionen, wenn sie die Bedeutung einer Passage bestimmen. Im veröffentlichten Transformers-Beispiel werden Anfrage und Passage gemeinsam mit Kürzung und max_length=512 tokenisiert. Dies ist eine Beispieleinstellung, keine modellweite Grenze. Halten Sie Frage und erforderliche Belege innerhalb des gewählten Paarbudgets und prüfen Sie, was durch Kürzung entfernt wird. Ein Ergebnis, das dasselbe Produkt wie die Anfrage nennt, kann dennoch irrelevant sein, wenn es die falsche Operation oder Bedingung behandelt; bereiten Sie bei der Bewertung der Suchqualität Beispiele vor, die solche Fälle unterscheiden.
Bewahren Sie für einen Dokumentassistenten die Kandidatenkennungen zusammen mit den Texten auf, bewerten Sie die Frage-Passage-Paare und geben Sie die ausgewählten Originalpassagen an den Antwortschritt weiter. Das Antwortmodell erhält so 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; ein höherer Wert bedeutet eine engere Übereinstimmung. Die dokumentierte optionale Normalisierung verwendet eine Sigmoidfunktion, um den Wert zwischen 0 und 1 abzubilden. Ein normalisierter Wert hat einen praktischen Bereich, doch diese Transformation allein begründet keine kalibrierte Wahrscheinlichkeit, dass der Kandidat korrekt ist.
Wählen Sie Schwellenwerte für Rangfolge oder Filterung anhand repräsentativer Anfrage-Passage-Paare aus Ihrer Arbeitslast. Berücksichtigen Sie sowohl Passagen mit gemeinsamen Schlüsselwörtern, die eine andere Frage beantworten, als auch relevante Passagen mit anderen Formulierungen. Dadurch erhält der gewählte Schwellenwert Bedeutung für die durchsuchte Sammlung.
Definieren Sie für ein Ailoot-API-Projekt den Inhalt des endgültigen Kontexts und die Anzahl effizient prüfbarer Kandidaten. Das nutzbare Ergebnis ist ein besser geordneter Belegsatz für den nächsten Anwendungsschritt. Trennen Sie die Relevanzausgabe dieser Version von Dokument-Embeddings, generiertem Fliesstext und den für andere Reranker dokumentierten Reglern zur Ebenenauswahl.
", "aboutText": "BGE Reranker v2 M3 ist ein mehrsprachiges Relevanzmodell auf Grundlage von BGE-M3. Es verarbeitet eine Anfrage und eine Kandidatenpassage gemeinsam und gibt einen Wert für ihre Beziehung zurück. BAAI positioniert diese Version als effizienten mehrsprachigen Reranker, auch für chinesische und englische Informationssuche, wenn eine Suchanwendung eine vorhandene Kandidatenliste verfeinern muss.\n\n### Relevanz aus einem Anfrage-Passage-Paar\n\nEin Cross-Encoder verarbeitet beide Texte gemeinsam, sodass ihre Inhalte vor der Ermittlung des Relevanzwerts miteinander interagieren können. Dies unterscheidet ihn von einem Embedding-Modell, das Texte unabhängig für wiederverwendbare Vektorvergleiche codiert. Der Reranker gibt einen skalaren Wert für ein bestimmtes Paar aus, keinen Dokumentvektor und keine schriftliche Antwort.\n\nVerwenden Sie das Modell, nachdem eine erste Suche plausible Passagen ausgewählt hat. Kombinieren Sie die Frage mit jedem Kandidaten und ordnen Sie die Kandidaten nach den erhaltenen Werten. Dadurch konzentriert sich der detailliertere Vergleich auf eine überschaubare Auswahl, statt einen Cross-Encoder jede Passage einer grossen Sammlung prüfen zu lassen.\n\n### Die Version v2 M3\n\nDer Hersteller nennt BGE-M3 als Basismodell und Mehrsprachigkeit als Hauptmerkmal. Innerhalb seiner v2-Reranker-Familie ist M3 die effiziente mehrsprachige Option; die Gemma-basierten Varianten und Varianten mit Ebenenauswahl sind eigenständige Modelle mit anderen Implementierungsentscheidungen. Der Name M3 bedeutet hier nicht, dass der Reranker die dichten, dünn besetzten und Multi-Vektor-Embeddings des ursprünglichen Embedding-Modells zurückgibt.\n\nDiese Unterscheidung ist bei der Wahl des von Ihrer Anwendung benötigten Ergebnisses wichtig. Wählen Sie ein Embedding-Modell, um eine Dokumentensammlung darzustellen und zu durchsuchen. Wählen Sie diesen Reranker, wenn bereits Kandidatentexte vorliegen und entschieden werden soll, welche Passage für die aktuelle Anfrage am relevantesten ist.\n\n### Kandidaten für eine sinnvolle Rangfolge vorbereiten\n\nStellen Sie die tatsächliche Frage und den vollständigen, für ihre Interpretation benötigten Kandidatentext bereit. Bewahren Sie Überschriften oder benachbarte Definitionen, wenn sie die Bedeutung einer Passage bestimmen. Im veröffentlichten Transformers-Beispiel werden Anfrage und Passage gemeinsam mit Kürzung und max_length=512 tokenisiert. Dies ist eine Beispieleinstellung, keine modellweite Grenze. Halten Sie Frage und erforderliche Belege innerhalb des gewählten Paarbudgets und prüfen Sie, was durch Kürzung entfernt wird. Ein Ergebnis, das dasselbe Produkt wie die Anfrage nennt, kann dennoch irrelevant sein, wenn es die falsche Operation oder Bedingung behandelt; bereiten Sie bei der Bewertung der Suchqualität Beispiele vor, die solche Fälle unterscheiden.\n\nBewahren Sie für einen Dokumentassistenten die Kandidatenkennungen zusammen mit den Texten auf, bewerten Sie die Frage-Passage-Paare und geben Sie die ausgewählten Originalpassagen an den Antwortschritt weiter. Das Antwortmodell erhält so 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; ein höherer Wert bedeutet eine engere Übereinstimmung. Die dokumentierte optionale Normalisierung verwendet eine Sigmoidfunktion, um den Wert zwischen 0 und 1 abzubilden. Ein normalisierter Wert hat einen praktischen Bereich, doch diese Transformation allein begründet keine kalibrierte Wahrscheinlichkeit, dass der Kandidat korrekt ist.\n\nWählen Sie Schwellenwerte für Rangfolge oder Filterung anhand repräsentativer Anfrage-Passage-Paare aus Ihrer Arbeitslast. Berücksichtigen Sie sowohl Passagen mit gemeinsamen Schlüsselwörtern, die eine andere Frage beantworten, als auch relevante Passagen mit anderen Formulierungen. Dadurch erhält der gewählte Schwellenwert Bedeutung für die durchsuchte Sammlung.\n\nDefinieren Sie für ein Ailoot-API-Projekt den Inhalt des endgültigen Kontexts und die Anzahl effizient prüfbarer Kandidaten. Das nutzbare Ergebnis ist ein besser geordneter Belegsatz für den nächsten Anwendungsschritt. Trennen Sie die Relevanzausgabe dieser Version von Dokument-Embeddings, generiertem Fliesstext und den für andere Reranker dokumentierten Reglern zur Ebenenauswahl.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d04bde3442a72a47464de2781e5ec03dcb27e6d985a4b594a3d8bb991843e133", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "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 Grundlage von BGE-M3. Es verarbeitet eine Anfrage und eine Kandidatenpassage gemeinsam und gibt einen Wert für ihre Beziehung zurück. BAAI positioniert diese Version als effizienten mehrsprachigen Reranker, auch 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 Ermittlung des Relevanzwerts miteinander interagieren können. Dies unterscheidet ihn von einem Embedding-Modell, das Texte unabhängig für wiederverwendbare Vektorvergleiche codiert. Der Reranker gibt einen skalaren Wert für ein bestimmtes Paar aus, keinen Dokumentvektor und keine schriftliche Antwort.
Verwenden Sie das Modell, nachdem eine erste Suche plausible Passagen ausgewählt hat. Kombinieren Sie die Frage mit jedem Kandidaten und ordnen Sie die Kandidaten nach den erhaltenen Werten. Dadurch konzentriert sich der detailliertere Vergleich auf eine überschaubare Auswahl, statt einen Cross-Encoder jede Passage einer grossen Sammlung prüfen zu lassen.
Der Hersteller nennt BGE-M3 als Basismodell und Mehrsprachigkeit als Hauptmerkmal. Innerhalb seiner v2-Reranker-Familie ist M3 die effiziente mehrsprachige Option; die Gemma-basierten Varianten und Varianten mit Ebenenauswahl sind eigenständige Modelle mit anderen Implementierungsentscheidungen. Der Name M3 bedeutet hier nicht, dass der Reranker die dichten, dünn besetzten und Multi-Vektor-Embeddings des ursprünglichen Embedding-Modells zurückgibt.
Diese Unterscheidung ist bei der Wahl des von Ihrer Anwendung benötigten Ergebnisses wichtig. Wählen Sie ein Embedding-Modell, um eine Dokumentensammlung darzustellen und zu durchsuchen. Wählen Sie diesen Reranker, wenn bereits Kandidatentexte vorliegen und entschieden werden soll, welche Passage für die aktuelle Anfrage am relevantesten ist.
Stellen Sie die tatsächliche Frage und den vollständigen, für ihre Interpretation benötigten Kandidatentext bereit. Bewahren Sie Überschriften oder benachbarte Definitionen, wenn sie die Bedeutung einer Passage bestimmen. Im veröffentlichten Transformers-Beispiel werden Anfrage und Passage gemeinsam mit Kürzung und max_length=512 tokenisiert. Dies ist eine Beispieleinstellung, keine modellweite Grenze. Halten Sie Frage und erforderliche Belege innerhalb des gewählten Paarbudgets und prüfen Sie, was durch Kürzung entfernt wird. Ein Ergebnis, das dasselbe Produkt wie die Anfrage nennt, kann dennoch irrelevant sein, wenn es die falsche Operation oder Bedingung behandelt; bereiten Sie bei der Bewertung der Suchqualität Beispiele vor, die solche Fälle unterscheiden.
Bewahren Sie für einen Dokumentassistenten die Kandidatenkennungen zusammen mit den Texten auf, bewerten Sie die Frage-Passage-Paare und geben Sie die ausgewählten Originalpassagen an den Antwortschritt weiter. Das Antwortmodell erhält so 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; ein höherer Wert bedeutet eine engere Übereinstimmung. Die dokumentierte optionale Normalisierung verwendet eine Sigmoidfunktion, um den Wert zwischen 0 und 1 abzubilden. Ein normalisierter Wert hat einen praktischen Bereich, doch diese Transformation allein begründet keine kalibrierte Wahrscheinlichkeit, dass der Kandidat korrekt ist.
Wählen Sie Schwellenwerte für Rangfolge oder Filterung anhand repräsentativer Anfrage-Passage-Paare aus Ihrer Arbeitslast. Berücksichtigen Sie sowohl Passagen mit gemeinsamen Schlüsselwörtern, die eine andere Frage beantworten, als auch relevante Passagen mit anderen Formulierungen. Dadurch erhält der gewählte Schwellenwert Bedeutung für die durchsuchte Sammlung.
Definieren Sie für ein Ailoot-API-Projekt den Inhalt des endgültigen Kontexts und die Anzahl effizient prüfbarer Kandidaten. Das nutzbare Ergebnis ist ein besser geordneter Belegsatz für den nächsten Anwendungsschritt. Trennen Sie die Relevanzausgabe dieser Version von Dokument-Embeddings, generiertem Fliesstext und den für andere Reranker dokumentierten Reglern zur Ebenenauswahl.
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 |
|---|---|---|---|
| KonfigurationToken-Basistarife | TarifstaffelGrundtarif | Abrechnungseinheit— | Gebühr Eingabe · Eingabetoken — / 1K Tokens Ausgabe · Ausgabetoken — / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · Cache schreiben — / 1K Tokens Eingabe · 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, ursprünglichen Dokumentindizes, Relevanzwerten, Dokumentzeichenketten und nativem 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 ihre exakten signierten Inhalts-URLs; reichen Sie eine Erstellung mit unklarem Ausgang niemals erneut ein.
| Feld | Typ | Bedeutung |
|---|---|---|
Feldmodel | Typstring | BedeutungExaktes Antwortmodell, das der konfigurierte Verarbeiter im Quellcode benötigt. |
Feldresults[].index | Typinteger | BedeutungEindeutiger Index des ursprünglichen Eingabedokuments. |
Feldresults[].relevance_score | Typnumber | BedeutungEndlicher Relevanzwert. |
Feldresults[].document | Typstring | BedeutungUrsprüngliches Textdokument, das der konfigurierte Antwortverarbeiter benötigt. |
Feldusage.total_tokens | Typinteger | BedeutungEndliche, nicht negative native Tokenanzahl, die der derzeit akzeptierte Tarif verlangt. |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungDer JSON-Anfragetext oder die explizite kanonische Modell-ID ist ungültig. | Nächster SchrittBewahren Sie die Antwort auf und korrigieren Sie das angegebene Anfragefeld. |
Antwort401 · authentication_error | BedingungDer API-Schlüssel von Ailoot ist ungültig. | Nächster SchrittVerwenden Sie Ihren autorisierten API-Schlüssel von Ailoot. |
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 gibt es keine zugelassene Route. | Nächster SchrittBewahren Sie die zurückgegebenen Fehlerdetails auf. |
Antwort422 · price_unavailable | BedingungFür den akzeptierten Tarif lässt sich die erforderliche Eingabemenge oder deren Grenze nicht ermitteln. | Nächster SchrittBewahren Sie die Antwort auf; verwenden Sie die vom akzeptierten Tarif verlangte Eingabedarstellung. |
Antwort503 · | BedingungErforderlicher Speicher, Route, Methodenpreis oder Reservierung ist nicht verfügbar. | Nächster SchrittBewahren Sie die vollständige ursprüngliche Antwort auf. Eine Reservierung mit unklarem Zustand ist keine Erlaubnis zum erneuten Einreichen. |
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 Eintrag; reichen Sie die Erstellung nicht erneut ein. |
Ailoot Ultra bge-reranker-v2-m3
Verwenden Sie die oben angezeigten Methodenpfade.