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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Relevancia de una pareja consulta–pasaje\n\nUn 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.\n\nUtilice 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.\n\n### La edición v2 M3\n\nEl 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.\n\nEsta 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.\n\n### Prepare candidatos que puedan ordenarse de forma útil\n\nProporcione 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.\n\nPara 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.\n\n### Lea y normalice las puntuaciones\n\nEl 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.\n\nElija 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.\n\nPara 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bc0b95c3293184c3b03965dbc225d2bc988da86dab88cdb3aecbf4d4b1979de4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "bge-reranker-v2-m3Codificador cruzado multilingüe de BAAI para ordenar pasajes candidatos según una consulta. Lee conjuntamente cada pareja consulta–pasaje y devuelve una puntuación de relevancia, afinando una lista de búsqueda preseleccionada 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 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.
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.
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.
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.
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.
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 | ContratoIndica tu consulta real y una lista no vacía de documentos de texto originales. Los índices del resultado hacen referencia a esa lista 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 $0.00004 / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 originales de los documentos, las puntuaciones de relevancia, las cadenas de los documentos y el uso nativo de tokens. Conserva todos los campos reales de resultado y de 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 las cabeceras, 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 bajo tu titularidad y sus URL firmadas exactas de contenido; no vuelvas a enviar nunca una creación incierta.
| Campo | Tipo | Significado |
|---|---|---|
Campomodel | Tipostring | SignificadoModelo exacto de respuesta requerido por el consumidor configurado en el código fuente. |
Camporesults[].index | Tipointeger | SignificadoÍndice único del documento de entrada original. |
Camporesults[].relevance_score | Tiponumber | SignificadoPuntuación de relevancia finita. |
Camporesults[].document | Tipostring | SignificadoDocumento de texto original requerido por este consumidor de respuestas configurado. |
Campousage.total_tokens | Tipointeger | SignificadoNúmero nativo de tokens finito y no negativo requerido por la tarifa aceptada vigente. |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónEl cuerpo JSON o el ID canónico explícito del modelo no es válido. | 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 tiene acceso a este método. | Siguiente pasoConserva los detalles del error devueltos. |
Respuesta404 · not_found_error | CondiciónEl método seleccionado no tiene ninguna 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 necesita. | Siguiente pasoConserva la respuesta; utiliza la representación de entrada exigida por la tarifa aceptada. |
Respuesta503 · | CondiciónEl almacenamiento, la ruta, el precio del método o la reserva necesarios no están disponibles. | Siguiente pasoConserva la respuesta original completa. Una reserva incierta no autoriza un reenvío. |
Respuesta502 · billing_requires_check | CondiciónEs necesario comprobar el resultado original, el uso o la liquidación. | Siguiente pasoConserva el ID real de solicitud y la respuesta original. Consulta el registro existente bajo tu titularidad; no vuelvas a enviar la solicitud de creación. |
Ailoot Ultra bge-reranker-v2-m3
Usa las rutas de método indicadas arriba.