rerank-2.5 ist Voyage AIs anweisungsbefolgender Reranker zur Verfeinerung einer Menge von Suchkandidaten. Er untersucht Anfrage und jedes Dokument gemeinsam als Cross-Encoder und gibt anschliessend eine Relevanzreihenfolge zurück. Die Herstellerveröffentlichung betont die natürlichsprachliche Steuerung dessen, was als relevant gilt, den mehrsprachigen Abruf und einen längeren Anfrage-Dokument-Kontext als bei der vorangegangenen Ausgabe rerank-2.
Die Eingabe ist eine Anfrage und eine Liste von Textdokumentkandidaten. Das können Passagen sein, die durch Embedding-Suche oder eine lexikalische erste Suchstufe ausgewählt wurden. Der Reranker bewertet den bereitgestellten Text, statt Korpus-Embeddings zu erstellen. Seine praktische Aufgabe ist deshalb die Verfeinerung der Kandidaten, die die erste Suche bereits gefunden hat.
Bewahren Sie bei der Vorbereitung dieser Liste die ursprüngliche Kandidatenreihenfolge und Quellenkennungen. Die zurückgegebenen Indizes beziehen sich auf diese Eingabepositionen. Bei einer RAG-Aufgabe liefern Sie die Passagen, die die Antwortstufe tatsächlich nutzen könnte, einschliesslich Titel oder Bedingungen, die für ihre Interpretation nötig sind. Ein relevantes Dokument, das in der eingereichten Kandidatenmenge fehlt, kann nicht als neu gefundenes Reranking-Ergebnis erscheinen.
Anweisungen lassen sich der Anfrage voranstellen oder anhängen. Die Veröffentlichung beschreibt drei hilfreiche Rollen: einen bestimmten Dokumentteil hervorheben, einen Quellentyp bevorzugen und die Anfrage mit Anwendungskontext eindeutiger machen. Sie verändern die dem Modell vorgelegte Relevanzaufgabe.
Bei einer technischen Suche lautet eine beispielhafte Anweisung: «Priorisiere Passagen, die Fehler- und Wiederherstellungsverhalten erklären; einführende Übersichten sind zweitrangig.» Bei einer Recherchesammlung geben Sie an, ob Titel, Methode oder Ergebnis am wichtigsten ist. Bei einem mehrdeutigen Begriff nennen Sie das Themengebiet der Suche. Halten Sie Frage und Anweisung miteinander vereinbar, damit nicht die eine nach einem breiten Thema fragt, während die andere unbemerkt die Aufgabe verändert.
Diese Präferenzen lenken die Relevanzbewertung. Hat die Anwendung strikte Zulassungsanforderungen, etwa Quellversion, Datum oder Zugriffsbereich, bereiten Sie die zulässige Kandidatenmenge separat vor. Die Relevanzanweisung des Modells und eine deterministische Sammlungsbeschränkung dienen unterschiedlichen Zwecken.
Ergebnisse sind nach absteigender Relevanz geordnet und enthalten einen Gleitkomma-Relevanzwert sowie den ursprünglichen Eingabeindex des Kandidaten. Die Option top-k legt fest, wie viele führende Ergebnisse zurückgegeben werden; ohne sie liefert die Herstellerspezifikation Ergebnisse für alle eingereichten Kandidaten. Eine optionale Einstellung return-documents fügt den entsprechenden Quelltext hinzu; andernfalls enthält die Antwort Indizes und Werte.
Verwenden Sie die Reihenfolge, um Passagen für die Anzeige oder eine spätere Antwortstufe auszuwählen, und bewahren Sie ihre Quellenidentität. Prüfen Sie bei der Bewertung der Rangfolge den tatsächlichen Text: Der Wert misst die Relevanz zur eingereichten Anfrage, ist keine generierte Antwort und bestätigt nicht die Richtigkeit der Dokumentaussagen. Dadurch eignet sich das Modell zur Verfeinerung technischer, juristischer, finanzieller, medizinischer, dialogbezogener und mehrsprachiger Suchmaterialien, ohne die Rangfolge in eine fachliche Schlussfolgerung umzudeuten.
Die dokumentierte Anfragegrenze beträgt 8’000 Token einschliesslich der in die Anfrage eingefügten Anweisungen. Die Anfrage plus ein einzelnes Kandidatendokument muss innerhalb von 32’000 Token bleiben, und die Dokumentliste darf höchstens 1’000 Elemente enthalten. Das Gesamtbudget beträgt 600’000 Token, gezählt als Anfrage-Token multipliziert mit der Anzahl der Dokumente plus alle Dokument-Token. Eine lange Anweisung wird deshalb über die Kandidatenpaare hinweg mehrfach gezählt.
Die Anzahl der top-k-Ausgaben verändert die Kandidatenanzahl in dieser Eingabe-Token-Berechnung nicht. Standardmässige Kürzung verkürzt zu lange Anfragen oder Dokumente zur Einhaltung der Kontextgrenze; bei Deaktivierung liefert eine zu lange Anfrage oder ein zu langes Paar einen Fehler. Bereiten Sie antworttragende Passagen gezielt vor und halten Sie relevante Bedingungen innerhalb des Texts, den das Modell sieht. Bewerten Sie die verfeinerte Reihenfolge anhand repräsentativer Fragen und Anweisungen und übergeben Sie anschliessend die ausgewählten Originalpassagen an die nächste Stufe.
", "aboutText": "rerank-2.5 ist Voyage AIs anweisungsbefolgender Reranker zur Verfeinerung einer Menge von Suchkandidaten. Er untersucht Anfrage und jedes Dokument gemeinsam als Cross-Encoder und gibt anschliessend eine Relevanzreihenfolge zurück. Die Herstellerveröffentlichung betont die natürlichsprachliche Steuerung dessen, was als relevant gilt, den mehrsprachigen Abruf und einen längeren Anfrage-Dokument-Kontext als bei der vorangegangenen Ausgabe rerank-2.\n\n### Dem Modell die zu vergleichenden Kandidaten geben\n\nDie Eingabe ist eine Anfrage und eine Liste von Textdokumentkandidaten. Das können Passagen sein, die durch Embedding-Suche oder eine lexikalische erste Suchstufe ausgewählt wurden. Der Reranker bewertet den bereitgestellten Text, statt Korpus-Embeddings zu erstellen. Seine praktische Aufgabe ist deshalb die Verfeinerung der Kandidaten, die die erste Suche bereits gefunden hat.\n\nBewahren Sie bei der Vorbereitung dieser Liste die ursprüngliche Kandidatenreihenfolge und Quellenkennungen. Die zurückgegebenen Indizes beziehen sich auf diese Eingabepositionen. Bei einer RAG-Aufgabe liefern Sie die Passagen, die die Antwortstufe tatsächlich nutzen könnte, einschliesslich Titel oder Bedingungen, die für ihre Interpretation nötig sind. Ein relevantes Dokument, das in der eingereichten Kandidatenmenge fehlt, kann nicht als neu gefundenes Reranking-Ergebnis erscheinen.\n\n### Die gewünschte Bedeutung von Relevanz festlegen\n\nAnweisungen lassen sich der Anfrage voranstellen oder anhängen. Die Veröffentlichung beschreibt drei hilfreiche Rollen: einen bestimmten Dokumentteil hervorheben, einen Quellentyp bevorzugen und die Anfrage mit Anwendungskontext eindeutiger machen. Sie verändern die dem Modell vorgelegte Relevanzaufgabe.\n\nBei einer technischen Suche lautet eine beispielhafte Anweisung: «Priorisiere Passagen, die Fehler- und Wiederherstellungsverhalten erklären; einführende Übersichten sind zweitrangig.» Bei einer Recherchesammlung geben Sie an, ob Titel, Methode oder Ergebnis am wichtigsten ist. Bei einem mehrdeutigen Begriff nennen Sie das Themengebiet der Suche. Halten Sie Frage und Anweisung miteinander vereinbar, damit nicht die eine nach einem breiten Thema fragt, während die andere unbemerkt die Aufgabe verändert.\n\nDiese Präferenzen lenken die Relevanzbewertung. Hat die Anwendung strikte Zulassungsanforderungen, etwa Quellversion, Datum oder Zugriffsbereich, bereiten Sie die zulässige Kandidatenmenge separat vor. Die Relevanzanweisung des Modells und eine deterministische Sammlungsbeschränkung dienen unterschiedlichen Zwecken.\n\n### Geordnete Ausgabe und spätere Ergebnisnutzung\n\nErgebnisse sind nach absteigender Relevanz geordnet und enthalten einen Gleitkomma-Relevanzwert sowie den ursprünglichen Eingabeindex des Kandidaten. Die Option top-k legt fest, wie viele führende Ergebnisse zurückgegeben werden; ohne sie liefert die Herstellerspezifikation Ergebnisse für alle eingereichten Kandidaten. Eine optionale Einstellung return-documents fügt den entsprechenden Quelltext hinzu; andernfalls enthält die Antwort Indizes und Werte.\n\nVerwenden Sie die Reihenfolge, um Passagen für die Anzeige oder eine spätere Antwortstufe auszuwählen, und bewahren Sie ihre Quellenidentität. Prüfen Sie bei der Bewertung der Rangfolge den tatsächlichen Text: Der Wert misst die Relevanz zur eingereichten Anfrage, ist keine generierte Antwort und bestätigt nicht die Richtigkeit der Dokumentaussagen. Dadurch eignet sich das Modell zur Verfeinerung technischer, juristischer, finanzieller, medizinischer, dialogbezogener und mehrsprachiger Suchmaterialien, ohne die Rangfolge in eine fachliche Schlussfolgerung umzudeuten.\n\n### Kontext, Gesamt-Token-Budget und Kürzung\n\nDie dokumentierte Anfragegrenze beträgt 8’000 Token einschliesslich der in die Anfrage eingefügten Anweisungen. Die Anfrage plus ein einzelnes Kandidatendokument muss innerhalb von 32’000 Token bleiben, und die Dokumentliste darf höchstens 1’000 Elemente enthalten. Das Gesamtbudget beträgt 600’000 Token, gezählt als Anfrage-Token multipliziert mit der Anzahl der Dokumente plus alle Dokument-Token. Eine lange Anweisung wird deshalb über die Kandidatenpaare hinweg mehrfach gezählt.\n\nDie Anzahl der top-k-Ausgaben verändert die Kandidatenanzahl in dieser Eingabe-Token-Berechnung nicht. Standardmässige Kürzung verkürzt zu lange Anfragen oder Dokumente zur Einhaltung der Kontextgrenze; bei Deaktivierung liefert eine zu lange Anfrage oder ein zu langes Paar einen Fehler. Bereiten Sie antworttragende Passagen gezielt vor und halten Sie relevante Bedingungen innerhalb des Texts, den das Modell sieht. Bewerten Sie die verfeinerte Reihenfolge anhand repräsentativer Fragen und Anweisungen und übergeben Sie anschliessend die ausgewählten Originalpassagen an die nächste Stufe.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6a0d9f0c2dbaa9d085bb0b43de56f55dd9fda6f634788bae1f56f5f3468b1645", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "voyageai/rerank-2.5rerank-2.5 ordnet eine bereitgestellte Menge von Textkandidaten nach Relevanz zu einer Anfrage und optionalen natürlichsprachlichen Anweisungen neu. Es ist ein mehrsprachiger, qualitätsorientierter Reranker mit einem Anfrage-Dokument-Kontext von 32’000 Token und Rangwerten, die den ursprünglichen Kandidatenindizes zugeordnet sind.
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 ist Voyage AIs anweisungsbefolgender Reranker zur Verfeinerung einer Menge von Suchkandidaten. Er untersucht Anfrage und jedes Dokument gemeinsam als Cross-Encoder und gibt anschliessend eine Relevanzreihenfolge zurück. Die Herstellerveröffentlichung betont die natürlichsprachliche Steuerung dessen, was als relevant gilt, den mehrsprachigen Abruf und einen längeren Anfrage-Dokument-Kontext als bei der vorangegangenen Ausgabe rerank-2.
Die Eingabe ist eine Anfrage und eine Liste von Textdokumentkandidaten. Das können Passagen sein, die durch Embedding-Suche oder eine lexikalische erste Suchstufe ausgewählt wurden. Der Reranker bewertet den bereitgestellten Text, statt Korpus-Embeddings zu erstellen. Seine praktische Aufgabe ist deshalb die Verfeinerung der Kandidaten, die die erste Suche bereits gefunden hat.
Bewahren Sie bei der Vorbereitung dieser Liste die ursprüngliche Kandidatenreihenfolge und Quellenkennungen. Die zurückgegebenen Indizes beziehen sich auf diese Eingabepositionen. Bei einer RAG-Aufgabe liefern Sie die Passagen, die die Antwortstufe tatsächlich nutzen könnte, einschliesslich Titel oder Bedingungen, die für ihre Interpretation nötig sind. Ein relevantes Dokument, das in der eingereichten Kandidatenmenge fehlt, kann nicht als neu gefundenes Reranking-Ergebnis erscheinen.
Anweisungen lassen sich der Anfrage voranstellen oder anhängen. Die Veröffentlichung beschreibt drei hilfreiche Rollen: einen bestimmten Dokumentteil hervorheben, einen Quellentyp bevorzugen und die Anfrage mit Anwendungskontext eindeutiger machen. Sie verändern die dem Modell vorgelegte Relevanzaufgabe.
Bei einer technischen Suche lautet eine beispielhafte Anweisung: «Priorisiere Passagen, die Fehler- und Wiederherstellungsverhalten erklären; einführende Übersichten sind zweitrangig.» Bei einer Recherchesammlung geben Sie an, ob Titel, Methode oder Ergebnis am wichtigsten ist. Bei einem mehrdeutigen Begriff nennen Sie das Themengebiet der Suche. Halten Sie Frage und Anweisung miteinander vereinbar, damit nicht die eine nach einem breiten Thema fragt, während die andere unbemerkt die Aufgabe verändert.
Diese Präferenzen lenken die Relevanzbewertung. Hat die Anwendung strikte Zulassungsanforderungen, etwa Quellversion, Datum oder Zugriffsbereich, bereiten Sie die zulässige Kandidatenmenge separat vor. Die Relevanzanweisung des Modells und eine deterministische Sammlungsbeschränkung dienen unterschiedlichen Zwecken.
Ergebnisse sind nach absteigender Relevanz geordnet und enthalten einen Gleitkomma-Relevanzwert sowie den ursprünglichen Eingabeindex des Kandidaten. Die Option top-k legt fest, wie viele führende Ergebnisse zurückgegeben werden; ohne sie liefert die Herstellerspezifikation Ergebnisse für alle eingereichten Kandidaten. Eine optionale Einstellung return-documents fügt den entsprechenden Quelltext hinzu; andernfalls enthält die Antwort Indizes und Werte.
Verwenden Sie die Reihenfolge, um Passagen für die Anzeige oder eine spätere Antwortstufe auszuwählen, und bewahren Sie ihre Quellenidentität. Prüfen Sie bei der Bewertung der Rangfolge den tatsächlichen Text: Der Wert misst die Relevanz zur eingereichten Anfrage, ist keine generierte Antwort und bestätigt nicht die Richtigkeit der Dokumentaussagen. Dadurch eignet sich das Modell zur Verfeinerung technischer, juristischer, finanzieller, medizinischer, dialogbezogener und mehrsprachiger Suchmaterialien, ohne die Rangfolge in eine fachliche Schlussfolgerung umzudeuten.
Die dokumentierte Anfragegrenze beträgt 8’000 Token einschliesslich der in die Anfrage eingefügten Anweisungen. Die Anfrage plus ein einzelnes Kandidatendokument muss innerhalb von 32’000 Token bleiben, und die Dokumentliste darf höchstens 1’000 Elemente enthalten. Das Gesamtbudget beträgt 600’000 Token, gezählt als Anfrage-Token multipliziert mit der Anzahl der Dokumente plus alle Dokument-Token. Eine lange Anweisung wird deshalb über die Kandidatenpaare hinweg mehrfach gezählt.
Die Anzahl der top-k-Ausgaben verändert die Kandidatenanzahl in dieser Eingabe-Token-Berechnung nicht. Standardmässige Kürzung verkürzt zu lange Anfragen oder Dokumente zur Einhaltung der Kontextgrenze; bei Deaktivierung liefert eine zu lange Anfrage oder ein zu langes Paar einen Fehler. Bereiten Sie antworttragende Passagen gezielt vor und halten Sie relevante Bedingungen innerhalb des Texts, den das Modell sieht. Bewerten Sie die verfeinerte Reihenfolge anhand repräsentativer Fragen und Anweisungen und übergeben Sie anschliessend die ausgewählten Originalpassagen an die nächste Stufe.
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 | 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 |
|---|---|---|---|
| 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 |
| KonfigurationUltra | Tarifstaffel— | Abrechnungseinheit/ 1K Tokens | Gebühr Eingabe $0.0001 / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "documents": [\n "Paris is the capital of France.",\n "Berlin is the capital of Germany."\n ],\n "model": "voyageai/rerank-2.5",\n "query": "What is the capital of France?",\n "top_n": 3\n}set -eu\n: "${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'\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 das ursprüngliche Dokumentobjekt bleiben erhalten. Die Indizes verweisen auf das ursprüngliche Dokumentarray. Das vollständige ursprüngliche JSON wird gespeichert und erst nach der Abrechnung zurückgegeben.
Bewahren Sie den ursprünglichen Vorgang sowie 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
Verwenden Sie die oben angezeigten Methodenpfade.