BGE Reranker v2 M3 est un modèle multilingue de pertinence construit sur BGE-M3. Il reçoit ensemble une requête et un passage candidat et renvoie un score de leur relation. BAAI positionne cette édition comme un reclasseur multilingue efficace, notamment pour la recherche en chinois et en anglais, lorsqu’une application doit affiner une liste existante de candidats.
Un encodeur croisé traite conjointement les deux textes, permettant à leurs contenus d’interagir avant la production du score de pertinence. Cela diffère d’un modèle d’embeddings, qui encode les textes indépendamment pour des comparaisons vectorielles réutilisables. La sortie du reclasseur est un score scalaire pour une paire précise, plutôt qu’un vecteur de document ou une réponse écrite.
Utilisez le modèle après qu’une recherche initiale a sélectionné des passages plausibles. Associez la question à chaque candidat et ordonnez les candidats selon les scores obtenus. Cela concentre la comparaison plus détaillée sur une présélection gérable au lieu de demander à un encodeur croisé d’inspecter chaque passage d’un grand ensemble.
Le concepteur identifie BGE-M3 comme modèle de base et fait de la prise en charge multilingue une caractéristique principale. Dans sa famille de reclasseurs v2, M3 est l’option multilingue efficace ; les variantes fondées sur Gemma et à sélection de couches sont des modèles distincts, avec des choix d’implémentation différents. Le nom M3 ne signifie pas ici que le reclasseur renvoie les embeddings denses, parcimonieux et multivecteurs du modèle d’embeddings original.
Cette distinction compte pour choisir le résultat nécessaire à votre application. Sélectionnez un modèle d’embeddings pour représenter et parcourir un ensemble de documents. Sélectionnez ce reclasseur lorsque vous disposez déjà de textes candidats et devez déterminer quel passage est le plus pertinent pour la requête actuelle.
Fournissez la question réelle et le texte candidat complet nécessaire à son interprétation. Préservez les titres ou les définitions voisines lorsqu’ils déterminent le sens d’un passage. Dans l’exemple Transformers publié, la requête et le passage sont tokenisés ensemble avec troncature et max_length=512. Il s’agit d’un réglage d’exemple plutôt que d’une limite globale du modèle. Gardez la question et les preuves requises dans le budget de paire sélectionné, et vérifiez ce que la troncature supprime. Un résultat mentionnant le même produit qu’une requête peut rester sans pertinence s’il porte sur la mauvaise opération ou condition ; préparez des exemples qui distinguent ces cas pour évaluer la qualité de récupération.
Pour un assistant documentaire, gardez les identifiants candidats avec leurs textes, attribuez un score aux paires question–passage et transmettez les passages originaux sélectionnés à l’étape de réponse. Le modèle de réponse reçoit alors les preuves plutôt qu’un score de pertinence sans sa source. Il s’agit d’un exemple de flux de récupération ; le reclasseur lui-même ne cherche pas dans une collection externe et ne rédige pas la réponse.
Le fabricant renvoie des scores bruts de pertinence, une valeur supérieure indiquant une correspondance plus forte. Sa normalisation facultative documentée applique une fonction sigmoïde pour placer le score entre 0 et 1. Un score normalisé possède une plage pratique, mais cette transformation seule n’établit pas une probabilité calibrée que le candidat soit correct.
Choisissez les seuils de classement ou de filtrage à partir de paires requête–passage représentatives de votre charge de travail. Incluez des passages partageant des mots-clés mais répondant à une autre question, ainsi que des passages pertinents formulés différemment. Cela donne au seuil sélectionné un sens pour l’ensemble parcouru.
Pour un projet Ailoot API, définissez ce que le contexte final doit contenir et combien de candidats peuvent être examinés efficacement. Le résultat utile est un ensemble de preuves mieux ordonné pour l’étape applicative suivante. Gardez la sortie de pertinence de cette édition séparée des embeddings de documents, de la prose générée et des réglages de sélection de couches documentés pour d’autres reclasseurs.
", "aboutText": "BGE Reranker v2 M3 est un modèle multilingue de pertinence construit sur BGE-M3. Il reçoit ensemble une requête et un passage candidat et renvoie un score de leur relation. BAAI positionne cette édition comme un reclasseur multilingue efficace, notamment pour la recherche en chinois et en anglais, lorsqu’une application doit affiner une liste existante de candidats.\n\n### Pertinence d’une paire requête–passage\n\nUn encodeur croisé traite conjointement les deux textes, permettant à leurs contenus d’interagir avant la production du score de pertinence. Cela diffère d’un modèle d’embeddings, qui encode les textes indépendamment pour des comparaisons vectorielles réutilisables. La sortie du reclasseur est un score scalaire pour une paire précise, plutôt qu’un vecteur de document ou une réponse écrite.\n\nUtilisez le modèle après qu’une recherche initiale a sélectionné des passages plausibles. Associez la question à chaque candidat et ordonnez les candidats selon les scores obtenus. Cela concentre la comparaison plus détaillée sur une présélection gérable au lieu de demander à un encodeur croisé d’inspecter chaque passage d’un grand ensemble.\n\n### L’édition v2 M3\n\nLe concepteur identifie BGE-M3 comme modèle de base et fait de la prise en charge multilingue une caractéristique principale. Dans sa famille de reclasseurs v2, M3 est l’option multilingue efficace ; les variantes fondées sur Gemma et à sélection de couches sont des modèles distincts, avec des choix d’implémentation différents. Le nom M3 ne signifie pas ici que le reclasseur renvoie les embeddings denses, parcimonieux et multivecteurs du modèle d’embeddings original.\n\nCette distinction compte pour choisir le résultat nécessaire à votre application. Sélectionnez un modèle d’embeddings pour représenter et parcourir un ensemble de documents. Sélectionnez ce reclasseur lorsque vous disposez déjà de textes candidats et devez déterminer quel passage est le plus pertinent pour la requête actuelle.\n\n### Préparer des candidats à classer utilement\n\nFournissez la question réelle et le texte candidat complet nécessaire à son interprétation. Préservez les titres ou les définitions voisines lorsqu’ils déterminent le sens d’un passage. Dans l’exemple Transformers publié, la requête et le passage sont tokenisés ensemble avec troncature et max_length=512. Il s’agit d’un réglage d’exemple plutôt que d’une limite globale du modèle. Gardez la question et les preuves requises dans le budget de paire sélectionné, et vérifiez ce que la troncature supprime. Un résultat mentionnant le même produit qu’une requête peut rester sans pertinence s’il porte sur la mauvaise opération ou condition ; préparez des exemples qui distinguent ces cas pour évaluer la qualité de récupération.\n\nPour un assistant documentaire, gardez les identifiants candidats avec leurs textes, attribuez un score aux paires question–passage et transmettez les passages originaux sélectionnés à l’étape de réponse. Le modèle de réponse reçoit alors les preuves plutôt qu’un score de pertinence sans sa source. Il s’agit d’un exemple de flux de récupération ; le reclasseur lui-même ne cherche pas dans une collection externe et ne rédige pas la réponse.\n\n### Lire et normaliser les scores\n\nLe fabricant renvoie des scores bruts de pertinence, une valeur supérieure indiquant une correspondance plus forte. Sa normalisation facultative documentée applique une fonction sigmoïde pour placer le score entre 0 et 1. Un score normalisé possède une plage pratique, mais cette transformation seule n’établit pas une probabilité calibrée que le candidat soit correct.\n\nChoisissez les seuils de classement ou de filtrage à partir de paires requête–passage représentatives de votre charge de travail. Incluez des passages partageant des mots-clés mais répondant à une autre question, ainsi que des passages pertinents formulés différemment. Cela donne au seuil sélectionné un sens pour l’ensemble parcouru.\n\nPour un projet Ailoot API, définissez ce que le contexte final doit contenir et combien de candidats peuvent être examinés efficacement. Le résultat utile est un ensemble de preuves mieux ordonné pour l’étape applicative suivante. Gardez la sortie de pertinence de cette édition séparée des embeddings de documents, de la prose générée et des réglages de sélection de couches documentés pour d’autres reclasseurs.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "08cecdb6dead9831bec162a0e720a371f40819425888fa5e92ae86d74669b8e5", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "bge-reranker-v2-m3L’encodeur croisé multilingue de BAAI classe les passages candidats selon une requête. Il lit chaque paire requête–passage ensemble et renvoie un score de pertinence, affinant une présélection de recherche sans générer de réponse ni créer de représentations vectorielles de documents.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
BGE Reranker v2 M3 est un modèle multilingue de pertinence construit sur BGE-M3. Il reçoit ensemble une requête et un passage candidat et renvoie un score de leur relation. BAAI positionne cette édition comme un reclasseur multilingue efficace, notamment pour la recherche en chinois et en anglais, lorsqu’une application doit affiner une liste existante de candidats.
Un encodeur croisé traite conjointement les deux textes, permettant à leurs contenus d’interagir avant la production du score de pertinence. Cela diffère d’un modèle d’embeddings, qui encode les textes indépendamment pour des comparaisons vectorielles réutilisables. La sortie du reclasseur est un score scalaire pour une paire précise, plutôt qu’un vecteur de document ou une réponse écrite.
Utilisez le modèle après qu’une recherche initiale a sélectionné des passages plausibles. Associez la question à chaque candidat et ordonnez les candidats selon les scores obtenus. Cela concentre la comparaison plus détaillée sur une présélection gérable au lieu de demander à un encodeur croisé d’inspecter chaque passage d’un grand ensemble.
Le concepteur identifie BGE-M3 comme modèle de base et fait de la prise en charge multilingue une caractéristique principale. Dans sa famille de reclasseurs v2, M3 est l’option multilingue efficace ; les variantes fondées sur Gemma et à sélection de couches sont des modèles distincts, avec des choix d’implémentation différents. Le nom M3 ne signifie pas ici que le reclasseur renvoie les embeddings denses, parcimonieux et multivecteurs du modèle d’embeddings original.
Cette distinction compte pour choisir le résultat nécessaire à votre application. Sélectionnez un modèle d’embeddings pour représenter et parcourir un ensemble de documents. Sélectionnez ce reclasseur lorsque vous disposez déjà de textes candidats et devez déterminer quel passage est le plus pertinent pour la requête actuelle.
Fournissez la question réelle et le texte candidat complet nécessaire à son interprétation. Préservez les titres ou les définitions voisines lorsqu’ils déterminent le sens d’un passage. Dans l’exemple Transformers publié, la requête et le passage sont tokenisés ensemble avec troncature et max_length=512. Il s’agit d’un réglage d’exemple plutôt que d’une limite globale du modèle. Gardez la question et les preuves requises dans le budget de paire sélectionné, et vérifiez ce que la troncature supprime. Un résultat mentionnant le même produit qu’une requête peut rester sans pertinence s’il porte sur la mauvaise opération ou condition ; préparez des exemples qui distinguent ces cas pour évaluer la qualité de récupération.
Pour un assistant documentaire, gardez les identifiants candidats avec leurs textes, attribuez un score aux paires question–passage et transmettez les passages originaux sélectionnés à l’étape de réponse. Le modèle de réponse reçoit alors les preuves plutôt qu’un score de pertinence sans sa source. Il s’agit d’un exemple de flux de récupération ; le reclasseur lui-même ne cherche pas dans une collection externe et ne rédige pas la réponse.
Le fabricant renvoie des scores bruts de pertinence, une valeur supérieure indiquant une correspondance plus forte. Sa normalisation facultative documentée applique une fonction sigmoïde pour placer le score entre 0 et 1. Un score normalisé possède une plage pratique, mais cette transformation seule n’établit pas une probabilité calibrée que le candidat soit correct.
Choisissez les seuils de classement ou de filtrage à partir de paires requête–passage représentatives de votre charge de travail. Incluez des passages partageant des mots-clés mais répondant à une autre question, ainsi que des passages pertinents formulés différemment. Cela donne au seuil sélectionné un sens pour l’ensemble parcouru.
Pour un projet Ailoot API, définissez ce que le contexte final doit contenir et combien de candidats peuvent être examinés efficacement. Le résultat utile est un ensemble de preuves mieux ordonné pour l’étape applicative suivante. Gardez la sortie de pertinence de cette édition séparée des embeddings de documents, de la prose générée et des réglages de sélection de couches documentés pour d’autres reclasseurs.
POST /v1/reranktextrerank| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites bge-reranker-v2-m3 | Par défaut— |
Champquery | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champdocuments | Typearray | ExigenceObligatoire | Valeurs et limites | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, documents |
Paramètrematerial_types | Contrattext |
Paramètrematerial_conditions | ContratRenseignez votre requête réelle et un tableau non vide de documents textuels d’origine. Les index des résultats se rapportent à ce tableau d’origine. |
Cycle de vie : synchronous_result_then_owned_library
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Unité de facturation | Coût |
|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Unité de facturation— | Coût Entrée · Tokens en entrée — / 1K tokens Sortie · Tokens en sortie — / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| Configurationtotal de jetons | Barème tarifaire— | Unité de facturation/ 1K tokens | Coût Entrée · total de jetons $0.00004 / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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.\nRésultat JSON natif d’origine complet avec le modèle de réponse configuré, les index des documents d’origine, les scores de pertinence, les chaînes des documents et la consommation native de jetons. Conservez chaque résultat réel et chaque champ de consommation.
GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez la réponse complète et les en-têtes, chaque sortie effective, les identifiants initialement renvoyés et tous les champs d’utilisation. Récupérez l’opération d’origine sans soumettre à nouveau sa création.
Conservez la valeur réelle X-Client-Request-ID et la réponse complète. Consultez les ressources d’origine dont vous êtes propriétaire et leurs URL de contenu signées exactes ; ne soumettez jamais de nouveau une création incertaine.
| Champ | Type | Signification |
|---|---|---|
Champmodel | Typestring | SignificationModèle de réponse exact requis par le composant Source configuré qui exploite cette réponse. |
Champresults[].index | Typeinteger | SignificationIndex unique du document d’entrée d’origine. |
Champresults[].relevance_score | Typenumber | SignificationScore de pertinence fini. |
Champresults[].document | Typestring | SignificationDocument textuel d’origine requis par le composant configuré qui exploite cette réponse. |
Champusage.total_tokens | Typeinteger | SignificationNombre natif de jetons fini et non négatif requis par le tarif actuellement accepté. |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionLe corps JSON ou l’ID canonique explicite du modèle est invalide. | Étape suivanteConservez la réponse et corrigez le champ indiqué de la requête. |
Réponse401 · authentication_error | ConditionLa clé API Ailoot est invalide. | Étape suivanteUtilisez votre clé API Ailoot autorisée. |
Réponse403 · permission_error | ConditionLe groupe de la clé n’autorise pas cette méthode. | Étape suivanteConservez les détails de l’erreur renvoyés. |
Réponse404 · not_found_error | ConditionLa méthode sélectionnée ne dispose d’aucune route autorisée. | Étape suivanteConservez les détails de l’erreur renvoyés. |
Réponse422 · price_unavailable | ConditionLe tarif accepté ne permet pas d’obtenir la quantité d’entrée ou la borne requise. | Étape suivanteConservez la réponse ; utilisez la représentation d’entrée requise par le tarif accepté. |
Réponse503 · | ConditionLe stockage, la route, le tarif de la méthode ou la réservation requis est indisponible. | Étape suivanteConservez la réponse d’origine complète. Une réservation incertaine n’autorise pas une nouvelle soumission. |
Réponse502 · billing_requires_check | ConditionLe résultat, la consommation ou le règlement d’origine nécessite une vérification. | Étape suivanteConservez l’ID réel de la requête et la réponse d’origine. Consultez l’enregistrement existant dont vous êtes propriétaire ; ne soumettez pas de nouveau la création. |
Ailoot Ultra bge-reranker-v2-m3
Utilisez les chemins de méthode indiqués ci-dessus.