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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Relevancia a partir de una pareja consulta–pasaje\n\nUn 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.\n\nUsa 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.\n\n### La edición v2 M3\n\nEl 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.\n\nEsta 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.\n\n### Prepara candidatos que puedan clasificarse de forma útil\n\nProporciona 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.\n\nPara 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.\n\n### Lee y normaliza las puntuaciones\n\nEl 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.\n\nElige 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.\n\nPara 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bf15a4a43d5cc1c82b701aded9dff9f73fbb78d013dfe4a671fb9eb77a3d05eb", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "bge-reranker-v2-m3Cross-encoder multilingüe de BAAI para clasificar pasajes candidatos frente a una consulta. Lee conjuntamente cada pareja consulta–pasaje y devuelve una puntuación de relevancia, refinando una lista corta de búsqueda sin generar una respuesta ni crear embeddings de documentos.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
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.
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.
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.
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.
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.
POST /v1/reranktextrerank| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites bge-reranker-v2-m3 | Predeterminado— |
Campoquery | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campodocuments | Tipoarray | RequisitoObligatorio | Valores y límites | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, documents |
Parámetromaterial_types | Contratotext |
Parámetromaterial_conditions | ContratoDefine tu consulta real y un arreglo no vacío de documentos de texto originales. Los índices del resultado se refieren a ese arreglo original. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Unidad de facturación | Cargo |
|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Unidad de facturación— | Cargo Entrada · Tokens de entrada — / 1K tokens Salida · Tokens de salida — / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| Configuracióntoken total | Tabla de tarifas— | Unidad de facturación/ 1K tokens | Cargo Entrada · token total $0.00004 / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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.\nResultado JSON nativo original completo con el modelo de respuesta configurado, los índices de los documentos originales, las puntuaciones de relevancia, las cadenas de documentos y el uso nativo de tokens. Conserva cada campo real de resultado y uso.
GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva la respuesta completa y los encabezados, todas las salidas reales, los identificadores originales devueltos y todos los campos de uso. Recupera la operación original sin volver a enviar la solicitud de creación.
Conserva el X-Client-Request-ID real y la respuesta completa. Consulta los recursos originales que te pertenecen y sus URL exactas de contenido firmadas; nunca vuelvas a enviar una creación incierta.
| Campo | Tipo | Significado |
|---|---|---|
Campomodel | Tipostring | SignificadoModelo exacto de respuesta requerido por el consumidor configurado de la fuente. |
Camporesults[].index | Tipointeger | SignificadoÍndice único del documento de entrada original. |
Camporesults[].relevance_score | Tiponumber | SignificadoPuntuación finita de relevancia. |
Camporesults[].document | Tipostring | SignificadoDocumento de texto original requerido por este consumidor de respuestas configurado. |
Campousage.total_tokens | Tipointeger | SignificadoCantidad nativa de tokens finita y no negativa requerida por la tarifa aceptada vigente. |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónEl cuerpo JSON o el ID canónico explícito del modelo no son válidos. | Siguiente pasoConserva la respuesta y corrige el campo indicado de la solicitud. |
Respuesta401 · authentication_error | CondiciónLa clave API de Ailoot no es válida. | Siguiente pasoUsa tu clave API autorizada de Ailoot. |
Respuesta403 · permission_error | CondiciónEl grupo de la clave no admite este método. | Siguiente pasoConserva los detalles del error devueltos. |
Respuesta404 · not_found_error | CondiciónEl método seleccionado no tiene una ruta admitida. | Siguiente pasoConserva los detalles del error devueltos. |
Respuesta422 · price_unavailable | CondiciónLa tarifa aceptada no puede obtener la cantidad de entrada o el límite que requiere. | Siguiente pasoConserva la respuesta; usa la representación de entrada que requiere la tarifa aceptada. |
Respuesta503 · | CondiciónEl almacenamiento requerido, la ruta, el precio del método o la reserva de fondos no están disponibles. | Siguiente pasoConserva la respuesta original completa. Una reserva incierta no autoriza un reenvío. |
Respuesta502 · billing_requires_check | CondiciónEl resultado original, el uso o la liquidación del cargo requieren verificación. | Siguiente pasoConserva el ID real de solicitud y la respuesta original. Consulta el registro existente que te pertenece; no vuelvas a enviar la creación. |
Ailoot Ultra bge-reranker-v2-m3
Usa las rutas de método indicadas arriba.