BGE Reranker v2 M3 ist ein auf BGE-M3 aufgebautes mehrsprachiges Relevanzmodell. Es erhält gemeinsam eine Suchanfrage und eine potenziell passende Passage und gibt einen Wert für deren Beziehung zurück. BAAI positioniert diese Edition als effizienten mehrsprachigen Reranker, auch für chinesisch- und englischsprachige Suche, bei der eine Suchanwendung eine bestehende Kandidatenliste verfeinern muss.
Ein Cross-Encoder verarbeitet beide Texte gemeinsam, sodass ihre Inhalte miteinander interagieren können, bevor der Relevanzwert erzeugt wird. Das unterscheidet ihn von einem Embedding-Modell, das Texte unabhängig voneinander für wiederverwendbare Vektorvergleiche kodiert. Die Ausgabe des Rerankers ist ein skalarer Wert für ein bestimmtes Paar statt eines Dokumentvektors oder einer schriftlichen 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. Damit konzentriert sich der detailliertere Vergleich auf eine überschaubare Vorauswahl, statt einen Cross-Encoder jede Passage einer großen Sammlung untersuchen zu lassen.
Der Hersteller nennt BGE-M3 als Basismodell und mehrsprachige Unterstützung als ein Hauptmerkmal. Innerhalb seiner v2-Reranker-Familie ist M3 die effiziente mehrsprachige Option; die Gemma-basierten Varianten und Varianten mit Layer-Auswahl sind eigenständige Modelle mit anderen Implementierungsentscheidungen. Der Name M3 bedeutet hier nicht, dass der Reranker die Dense-, Sparse- und Multi-Vektor-Embeddings des ursprünglichen Embedding-Modells zurückgibt.
Diese Unterscheidung ist wichtig bei der Auswahl des von Ihrer Anwendung benötigten Ergebnisses. 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 Passage für die aktuelle Anfrage am relevantesten ist.
Geben Sie die tatsächliche Frage und den vollständigen Kandidatentext an, der zu ihrer Interpretation nötig ist. 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. Das ist eine Beispieleinstellung und keine modellweite Grenze. Halten Sie Frage und benötigte Belege innerhalb des gewählten Paarbudgets und prüfen Sie, was die Kürzung entfernt. Ein Ergebnis, das dasselbe Produkt wie eine 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 bei einem Dokumentassistenten die Kandidatenkennungen zusammen mit ihren Texten auf, bewerten Sie die Frage-Passage-Paare und geben Sie die ausgewählten Originalpassagen an den Antwortschritt weiter. Das antwortende Modell 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; ein höherer Wert weist auf eine engere Übereinstimmung hin. Seine dokumentierte optionale Normalisierung verwendet eine Sigmoidfunktion, um den Wert zwischen 0 und 1 abzubilden. Ein normalisierter Wert hat einen praktischen Wertebereich, doch diese Umwandlung allein begründet keine kalibrierte Wahrscheinlichkeit dafür, dass der Kandidat korrekt ist.
Wählen Sie Schwellenwerte für Rangfolge oder Filterung anhand repräsentativer Anfrage-Passage-Paare aus Ihrer Arbeitslast. Nehmen Sie sowohl Passagen auf, die Schlüsselwörter teilen, aber eine andere Frage beantworten, als auch relevante Passagen mit abweichenden Formulierungen. So erhält der gewählte Schwellenwert eine sinnvolle Bedeutung für die durchsuchte Sammlung.
Definieren Sie für ein Ailoot-API-Projekt, was der abschließende Kontext enthalten soll und wie viele Kandidaten sich effizient prüfen lassen. Das nützliche Ergebnis ist eine besser geordnete Belegsammlung für den nächsten Anwendungsschritt. Halten Sie die Relevanzausgabe dieser Edition getrennt von Dokument-Embeddings, erzeugter Prosa und den für andere Reranker dokumentierten Steuerelementen zur Layer-Auswahl.
", "aboutText": "BGE Reranker v2 M3 ist ein auf BGE-M3 aufgebautes mehrsprachiges Relevanzmodell. Es erhält gemeinsam eine Suchanfrage und eine potenziell passende Passage und gibt einen Wert für deren Beziehung zurück. BAAI positioniert diese Edition als effizienten mehrsprachigen Reranker, auch für chinesisch- und englischsprachige Suche, bei der eine Suchanwendung eine bestehende Kandidatenliste verfeinern muss.\n\n### Relevanz aus einem Anfrage-Passage-Paar\n\nEin Cross-Encoder verarbeitet beide Texte gemeinsam, sodass ihre Inhalte miteinander interagieren können, bevor der Relevanzwert erzeugt wird. Das unterscheidet ihn von einem Embedding-Modell, das Texte unabhängig voneinander für wiederverwendbare Vektorvergleiche kodiert. Die Ausgabe des Rerankers ist ein skalarer Wert für ein bestimmtes Paar statt eines Dokumentvektors oder einer schriftlichen 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. Damit konzentriert sich der detailliertere Vergleich auf eine überschaubare Vorauswahl, statt einen Cross-Encoder jede Passage einer großen Sammlung untersuchen zu lassen.\n\n### Die Edition v2 M3\n\nDer Hersteller nennt BGE-M3 als Basismodell und mehrsprachige Unterstützung als ein Hauptmerkmal. Innerhalb seiner v2-Reranker-Familie ist M3 die effiziente mehrsprachige Option; die Gemma-basierten Varianten und Varianten mit Layer-Auswahl sind eigenständige Modelle mit anderen Implementierungsentscheidungen. Der Name M3 bedeutet hier nicht, dass der Reranker die Dense-, Sparse- und Multi-Vektor-Embeddings des ursprünglichen Embedding-Modells zurückgibt.\n\nDiese Unterscheidung ist wichtig bei der Auswahl des von Ihrer Anwendung benötigten Ergebnisses. 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 Passage für die aktuelle Anfrage am relevantesten ist.\n\n### Kandidaten für eine sinnvolle Rangfolge vorbereiten\n\nGeben Sie die tatsächliche Frage und den vollständigen Kandidatentext an, der zu ihrer Interpretation nötig ist. 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. Das ist eine Beispieleinstellung und keine modellweite Grenze. Halten Sie Frage und benötigte Belege innerhalb des gewählten Paarbudgets und prüfen Sie, was die Kürzung entfernt. Ein Ergebnis, das dasselbe Produkt wie eine 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 bei einem Dokumentassistenten die Kandidatenkennungen zusammen mit ihren Texten auf, bewerten Sie die Frage-Passage-Paare und geben Sie die ausgewählten Originalpassagen an den Antwortschritt weiter. Das antwortende Modell 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; ein höherer Wert weist auf eine engere Übereinstimmung hin. Seine dokumentierte optionale Normalisierung verwendet eine Sigmoidfunktion, um den Wert zwischen 0 und 1 abzubilden. Ein normalisierter Wert hat einen praktischen Wertebereich, doch diese Umwandlung allein begründet keine kalibrierte Wahrscheinlichkeit dafür, dass der Kandidat korrekt ist.\n\nWählen Sie Schwellenwerte für Rangfolge oder Filterung anhand repräsentativer Anfrage-Passage-Paare aus Ihrer Arbeitslast. Nehmen Sie sowohl Passagen auf, die Schlüsselwörter teilen, aber eine andere Frage beantworten, als auch relevante Passagen mit abweichenden Formulierungen. So erhält der gewählte Schwellenwert eine sinnvolle Bedeutung für die durchsuchte Sammlung.\n\nDefinieren Sie für ein Ailoot-API-Projekt, was der abschließende Kontext enthalten soll und wie viele Kandidaten sich effizient prüfen lassen. Das nützliche Ergebnis ist eine besser geordnete Belegsammlung für den nächsten Anwendungsschritt. Halten Sie die Relevanzausgabe dieser Edition getrennt von Dokument-Embeddings, erzeugter Prosa und den für andere Reranker dokumentierten Steuerelementen zur Layer-Auswahl.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "4ae60b80220eb850ccda567c3479e7460cd62a69ecdb1d818e1bfadf589430b9", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "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 auf BGE-M3 aufgebautes mehrsprachiges Relevanzmodell. Es erhält gemeinsam eine Suchanfrage und eine potenziell passende Passage und gibt einen Wert für deren Beziehung zurück. BAAI positioniert diese Edition als effizienten mehrsprachigen Reranker, auch für chinesisch- und englischsprachige Suche, bei der eine Suchanwendung eine bestehende Kandidatenliste verfeinern muss.
Ein Cross-Encoder verarbeitet beide Texte gemeinsam, sodass ihre Inhalte miteinander interagieren können, bevor der Relevanzwert erzeugt wird. Das unterscheidet ihn von einem Embedding-Modell, das Texte unabhängig voneinander für wiederverwendbare Vektorvergleiche kodiert. Die Ausgabe des Rerankers ist ein skalarer Wert für ein bestimmtes Paar statt eines Dokumentvektors oder einer schriftlichen 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. Damit konzentriert sich der detailliertere Vergleich auf eine überschaubare Vorauswahl, statt einen Cross-Encoder jede Passage einer großen Sammlung untersuchen zu lassen.
Der Hersteller nennt BGE-M3 als Basismodell und mehrsprachige Unterstützung als ein Hauptmerkmal. Innerhalb seiner v2-Reranker-Familie ist M3 die effiziente mehrsprachige Option; die Gemma-basierten Varianten und Varianten mit Layer-Auswahl sind eigenständige Modelle mit anderen Implementierungsentscheidungen. Der Name M3 bedeutet hier nicht, dass der Reranker die Dense-, Sparse- und Multi-Vektor-Embeddings des ursprünglichen Embedding-Modells zurückgibt.
Diese Unterscheidung ist wichtig bei der Auswahl des von Ihrer Anwendung benötigten Ergebnisses. 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 Passage für die aktuelle Anfrage am relevantesten ist.
Geben Sie die tatsächliche Frage und den vollständigen Kandidatentext an, der zu ihrer Interpretation nötig ist. 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. Das ist eine Beispieleinstellung und keine modellweite Grenze. Halten Sie Frage und benötigte Belege innerhalb des gewählten Paarbudgets und prüfen Sie, was die Kürzung entfernt. Ein Ergebnis, das dasselbe Produkt wie eine 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 bei einem Dokumentassistenten die Kandidatenkennungen zusammen mit ihren Texten auf, bewerten Sie die Frage-Passage-Paare und geben Sie die ausgewählten Originalpassagen an den Antwortschritt weiter. Das antwortende Modell 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; ein höherer Wert weist auf eine engere Übereinstimmung hin. Seine dokumentierte optionale Normalisierung verwendet eine Sigmoidfunktion, um den Wert zwischen 0 und 1 abzubilden. Ein normalisierter Wert hat einen praktischen Wertebereich, doch diese Umwandlung allein begründet keine kalibrierte Wahrscheinlichkeit dafür, dass der Kandidat korrekt ist.
Wählen Sie Schwellenwerte für Rangfolge oder Filterung anhand repräsentativer Anfrage-Passage-Paare aus Ihrer Arbeitslast. Nehmen Sie sowohl Passagen auf, die Schlüsselwörter teilen, aber eine andere Frage beantworten, als auch relevante Passagen mit abweichenden Formulierungen. So erhält der gewählte Schwellenwert eine sinnvolle Bedeutung für die durchsuchte Sammlung.
Definieren Sie für ein Ailoot-API-Projekt, was der abschließende Kontext enthalten soll und wie viele Kandidaten sich effizient prüfen lassen. Das nützliche Ergebnis ist eine besser geordnete Belegsammlung für den nächsten Anwendungsschritt. Halten Sie die Relevanzausgabe dieser Edition getrennt von Dokument-Embeddings, erzeugter Prosa und den für andere Reranker dokumentierten Steuerelementen zur Layer-Auswahl.
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 Token | TarifstaffelGrundtarif | Abrechnungseinheit— | Gebühr Eingabe · Eingabetoken — / 1K Token Ausgabe · Ausgabetoken — / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationGesamttoken | Tarifstaffel— | Abrechnungseinheit/ 1K Token | Gebühr Eingabe · Gesamttoken $0.00004 / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${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, Dokumentzeichenfolgen und nativen Tokenverbrauchsdaten. 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 aus; übermitteln Sie eine Erstellung mit unklarem Ausgang niemals erneut.
| Feld | Typ | Bedeutung |
|---|---|---|
Feldmodel | Typstring | BedeutungExaktes Antwortmodell, das der konfigurierte Quellverarbeiter benötigt. |
Feldresults[].index | Typinteger | BedeutungEindeutiger Index des ursprünglichen Eingabedokuments. |
Feldresults[].relevance_score | Typnumber | BedeutungEndlicher Relevanzwert. |
Feldresults[].document | Typstring | BedeutungUrsprüngliches Textdokument, das dieser konfigurierte Antwortverarbeiter benötigt. |
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 ausdrücklich angegebene 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 | BedingungDie ausgewählte Methode hat keine zugelassene Route. | Nächster SchrittBewahren Sie die zurückgegebenen Fehlerdetails auf. |
Antwort422 · price_unavailable | BedingungDer akzeptierte Tarif kann 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 sind 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 müssen geprüft werden. | Nächster SchrittBewahren Sie die tatsächliche Anfrage-ID und die ursprüngliche Antwort auf. Lesen Sie den vorhandenen, Ihnen zugeordneten Datensatz aus; übermitteln Sie die Erstellung nicht erneut. |
Ailoot Ultra bge-reranker-v2-m3
Verwenden Sie die oben angezeigten Methodenpfade.