bge-reranker-v2-m3

BGE Reranker v2 M3 es un modelo multilingüe de relevancia construido sobre BGE-M3. Recibe juntos una consulta y un pasaje candidato y devuelve una puntuación de su relación. BAAI presenta esta edición como un reranker multilingüe eficiente, incluso para recuperación en chino e inglés, cuando una aplicación de búsqueda necesita refinar una lista existente de candidatos.

Relevancia a partir de una pareja consulta–pasaje

Un cross-encoder procesa ambos textos conjuntamente, permitiendo que sus contenidos interactúen antes de producir la puntuación de relevancia. Esto difiere de un modelo de embeddings, que codifica textos de forma independiente para comparación vectorial reutilizable. La salida del reranker es una puntuación escalar para una pareja concreta, no un vector de documento ni una respuesta escrita.

Usa el modelo después de que una búsqueda inicial haya seleccionado pasajes plausibles. Empareja la pregunta con cada candidato y ordena los candidatos según las puntuaciones resultantes. Esto enfoca la comparación más detallada en una lista corta manejable en lugar de pedir a un cross-encoder inspeccionar cada pasaje de una colección grande.

La edición v2 M3

El creador identifica BGE-M3 como modelo base e incluye la compatibilidad multilingüe como una característica principal. Dentro de su familia de rerankers v2, M3 es la opción multilingüe eficiente; las variantes basadas en Gemma y con selección de capas son modelos distintos con diferentes elecciones de implementación. El nombre M3 aquí no significa que el reranker devuelva los embeddings densos, dispersos y multivectoriales del modelo de embeddings original.

Esta distinción importa al elegir el resultado que requiere tu aplicación. Selecciona un modelo de embeddings para representar y buscar una colección de documentos. Selecciona este reranker cuando ya tengas texto candidato y necesites decidir qué pasaje es más pertinente para la consulta actual.

Prepara candidatos que puedan clasificarse de forma útil

Proporciona la pregunta real y el texto candidato completo necesario para interpretarla. Conserva encabezados o definiciones cercanas cuando determinen el significado de un pasaje. En el ejemplo publicado de Transformers, la consulta y el pasaje se tokenizan juntos con truncamiento y max_length=512. Es un ajuste de ejemplo, no un límite de todo el modelo. Mantén la pregunta y la evidencia requerida dentro del presupuesto seleccionado para la pareja y comprueba qué elimina el truncamiento. Un resultado que mencione el mismo producto que una consulta todavía puede ser irrelevante si aborda la operación o condición equivocada; prepara ejemplos que distingan esos casos al evaluar la calidad de recuperación.

Para un asistente documental, conserva los identificadores de candidatos junto con su texto, puntúa las parejas pregunta–pasaje y pasa los pasajes originales seleccionados al paso de respuesta. El modelo de respuesta recibe así la evidencia en lugar de una puntuación de relevancia sin su fuente. Este es un flujo ilustrativo de recuperación; el reranker en sí no busca en una colección externa ni escribe la respuesta.

Lee y normaliza las puntuaciones

El fabricante devuelve puntuaciones de relevancia sin procesar; un valor más alto indica una coincidencia más cercana. Su normalización opcional documentada aplica una función sigmoide para colocar la puntuación entre 0 y 1. Una puntuación normalizada tiene un rango conveniente, pero esa transformación por sí sola no establece una probabilidad calibrada de que el candidato sea correcto.

Elige umbrales de clasificación o filtrado usando parejas consulta–pasaje representativas de tu carga de trabajo. Incluye pasajes que compartan palabras clave pero respondan otra pregunta, así como pasajes pertinentes con una redacción distinta. Esto vuelve significativo el umbral seleccionado para la colección en la que se busca.

Para un proyecto con Ailoot API, define qué debe contener el contexto final y cuántos candidatos se pueden examinar de forma eficiente. El resultado útil es un conjunto de evidencia mejor ordenado para el siguiente paso de la aplicación. Mantén la salida de relevancia de esta edición separada de los embeddings de documentos, la prosa generada y los controles de selección de capas documentados para otros rerankers.