bge-reranker-v2-m3

BGE Reranker v2 M3 es un modelo de relevancia multilingüe basado en BGE-M3. Recibe conjuntamente una consulta y un pasaje candidato y devuelve una puntuación de su relación. BAAI presenta esta edición como un reranker multilingüe eficiente, útil también para la recuperación en chino e inglés cuando una aplicación de búsqueda necesita afinar una lista existente de candidatos.

Relevancia de una pareja consulta–pasaje

Un codificador cruzado procesa conjuntamente ambos textos, permitiendo que su contenido interactúe antes de producir la puntuación de relevancia. Esto difiere de un modelo de embeddings, que codifica los textos de forma independiente para comparaciones vectoriales reutilizables. La salida del reranker es una puntuación escalar para una pareja concreta, en lugar de un vector documental o una respuesta escrita.

Utilice el modelo después de que una búsqueda inicial haya seleccionado pasajes plausibles. Empareje la pregunta con cada candidato y ordene los candidatos según las puntuaciones resultantes. Esto centra la comparación más detallada en una lista manejable en lugar de pedir a un codificador cruzado que inspeccione todos los pasajes de una colección extensa.

La edición v2 M3

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

Esta distinción importa al elegir el resultado que necesita su aplicación. Seleccione un modelo de embeddings para representar y buscar una colección documental. Seleccione este reranker cuando ya tenga texto candidato y necesite decidir qué pasaje es más relevante para la consulta actual.

Prepare candidatos que puedan ordenarse de forma útil

Proporcione la pregunta real y el texto candidato completo necesario para interpretarla. Conserve 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 del ejemplo y no un límite de todo el modelo. Mantenga la pregunta y las pruebas necesarias dentro del presupuesto elegido para la pareja y compruebe qué elimina el truncamiento. Un resultado que mencione el mismo producto que una consulta aún puede ser irrelevante si aborda una operación o condición incorrectas; prepare ejemplos que distingan esos casos al evaluar la calidad de recuperación.

Para un asistente documental, mantenga los identificadores de candidatos junto a su texto, puntúe las parejas pregunta–pasaje y pase los pasajes originales seleccionados al paso de respuesta. El modelo que responde recibe entonces las pruebas 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.

Lea y normalice las puntuaciones

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

Elija umbrales de ordenación o filtrado utilizando parejas consulta–pasaje representativas de su carga de trabajo. Incluya pasajes que compartan palabras clave pero respondan a una pregunta distinta, así como pasajes pertinentes con otra redacción. Esto da significado al umbral seleccionado para la colección en la que se busca.

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