Cohere Rerank 4 Pro est le modèle axé sur la qualité de la famille Rerank 4 de Cohere. Il évalue des documents candidats par rapport à une requête et renvoie leur classement et leurs scores de pertinence. Le modèle vise les tâches de recherche complexes, notamment les documents multilingues et les informations semi-structurées. Il s’intègre à un processus de recherche ou de génération augmentée par la recherche après qu’un système existant a recueilli les candidats : le résultat aide à choisir les passages à afficher ou à fournir comme éléments probants à l’étape suivante.
L’identifiant de l’éditeur est rerank-v4.0-pro, distinct de rerank-v4.0-fast et de rerank-v3.5. Pro est destiné aux cas complexes où la qualité de la recherche est prioritaire, tandis que Fast vise une latence plus faible et un débit plus élevé. Les deux éditions Rerank 4 utilisent un contexte de 32 768 tokens. La requête et un document candidat se partagent ce budget ; ce n’est ni une fenêtre complète distincte pour chaque champ d’entrée, ni une limite applicable à l’ensemble du corpus de recherche stocké.
Fournissez une requête claire et la liste des chaînes de texte candidates. Chaque résultat renvoyé comprend l’index du document d’origine et un score de pertinence, et top_n permet de choisir le nombre de résultats classés renvoyés ; sans ce paramètre, l’éditeur renvoie tous les résultats. Conservez un identifiant de source à côté de chaque entrée pour relier le classement au passage exact. Pour une question d’assistance, formulez les conditions requises et fournissez les sections candidates de la politique, plutôt que d’attendre du modèle de reclassement qu’il trouve des politiques absentes de la liste.
Le modèle prend en charge plus de 100 langues et peut reclasser des contenus en anglais comme dans d’autres langues. Pour une requête comportant plusieurs exigences, précisez les conditions qui rendent un passage utile, comme le produit, la situation et la procédure nécessaire. Pour les enregistrements semi-structurés, Cohere recommande des chaînes YAML plutôt que des objets bruts dans la liste de documents V2. Placez les champs significatifs, comme le titre et le contenu, dans un ordre délibéré, car la troncature peut supprimer les derniers champs. Cette préparation est utile pour les fiches produit, les messages et les métadonnées de documents, ainsi que pour la prose ordinaire.
Le guide de préparation spécifique au modèle limite la requête Rerank 4 aux 16 384 premiers tokens. Il décrit le traitement des documents plus longs au moyen de blocs qui partagent le contexte de 32 768 tokens avec la requête et les tokens réservés. La référence V2 actuelle définit séparément max_tokens_per_doc à 4096 par défaut et indique que les chaînes de document plus longues sont tronquées à cette valeur. Considérez la fenêtre du modèle et la troncature des documents dans la requête de l’éditeur comme deux contrôles distincts. Préparez des passages pertinents et concis ou choisissez un budget de document adapté, plutôt que de supposer que chaque longue source est toujours lue intégralement.
Pour les performances recommandées des requêtes, Cohere déconseille d’envoyer plus de 1 000 documents à la fois. Conservez les identifiants des candidats lorsque vous divisez une liste plus longue en groupes gérables. Les scores de pertinence sont normalisés entre 0 et 1, mais dépendent de la requête et des candidats ; ils ne mesurent pas linéairement l’exactitude factuelle. Utilisez l’ordre comme résultat principal de la recherche. Si vous filtrez selon un seuil de score, établissez-le à l’aide de requêtes représentatives et de passages à la limite de la pertinence issus du domaine réel, plutôt que de supposer un seuil universel.
Un livrable final utile est une liste de candidats classés avec leurs identifiants de source et leurs scores, prête pour un résultat de recherche ou une étape de sélection d’éléments probants. Un document au score de pertinence élevé peut encore contenir des informations obsolètes ou incorrectes ; conservez donc sa source et son contenu pour l’étape qui l’utilise. Pro sert à juger la pertinence, pas à rédiger une réponse libre ni à générer des embeddings. Gardez l’édition Pro exacte associée au résultat lorsque vous comparez ou affinez un processus de recherche.
", "aboutText": "Cohere Rerank 4 Pro est le modèle axé sur la qualité de la famille Rerank 4 de Cohere. Il évalue des documents candidats par rapport à une requête et renvoie leur classement et leurs scores de pertinence. Le modèle vise les tâches de recherche complexes, notamment les documents multilingues et les informations semi-structurées. Il s’intègre à un processus de recherche ou de génération augmentée par la recherche après qu’un système existant a recueilli les candidats : le résultat aide à choisir les passages à afficher ou à fournir comme éléments probants à l’étape suivante.\n\nL’identifiant de l’éditeur est rerank-v4.0-pro, distinct de rerank-v4.0-fast et de rerank-v3.5. Pro est destiné aux cas complexes où la qualité de la recherche est prioritaire, tandis que Fast vise une latence plus faible et un débit plus élevé. Les deux éditions Rerank 4 utilisent un contexte de 32 768 tokens. La requête et un document candidat se partagent ce budget ; ce n’est ni une fenêtre complète distincte pour chaque champ d’entrée, ni une limite applicable à l’ensemble du corpus de recherche stocké.\n\nFournissez une requête claire et la liste des chaînes de texte candidates. Chaque résultat renvoyé comprend l’index du document d’origine et un score de pertinence, et top_n permet de choisir le nombre de résultats classés renvoyés ; sans ce paramètre, l’éditeur renvoie tous les résultats. Conservez un identifiant de source à côté de chaque entrée pour relier le classement au passage exact. Pour une question d’assistance, formulez les conditions requises et fournissez les sections candidates de la politique, plutôt que d’attendre du modèle de reclassement qu’il trouve des politiques absentes de la liste.\n\nLe modèle prend en charge plus de 100 langues et peut reclasser des contenus en anglais comme dans d’autres langues. Pour une requête comportant plusieurs exigences, précisez les conditions qui rendent un passage utile, comme le produit, la situation et la procédure nécessaire. Pour les enregistrements semi-structurés, Cohere recommande des chaînes YAML plutôt que des objets bruts dans la liste de documents V2. Placez les champs significatifs, comme le titre et le contenu, dans un ordre délibéré, car la troncature peut supprimer les derniers champs. Cette préparation est utile pour les fiches produit, les messages et les métadonnées de documents, ainsi que pour la prose ordinaire.\n\nLe guide de préparation spécifique au modèle limite la requête Rerank 4 aux 16 384 premiers tokens. Il décrit le traitement des documents plus longs au moyen de blocs qui partagent le contexte de 32 768 tokens avec la requête et les tokens réservés. La référence V2 actuelle définit séparément max_tokens_per_doc à 4096 par défaut et indique que les chaînes de document plus longues sont tronquées à cette valeur. Considérez la fenêtre du modèle et la troncature des documents dans la requête de l’éditeur comme deux contrôles distincts. Préparez des passages pertinents et concis ou choisissez un budget de document adapté, plutôt que de supposer que chaque longue source est toujours lue intégralement.\n\nPour les performances recommandées des requêtes, Cohere déconseille d’envoyer plus de 1 000 documents à la fois. Conservez les identifiants des candidats lorsque vous divisez une liste plus longue en groupes gérables. Les scores de pertinence sont normalisés entre 0 et 1, mais dépendent de la requête et des candidats ; ils ne mesurent pas linéairement l’exactitude factuelle. Utilisez l’ordre comme résultat principal de la recherche. Si vous filtrez selon un seuil de score, établissez-le à l’aide de requêtes représentatives et de passages à la limite de la pertinence issus du domaine réel, plutôt que de supposer un seuil universel.\n\nUn livrable final utile est une liste de candidats classés avec leurs identifiants de source et leurs scores, prête pour un résultat de recherche ou une étape de sélection d’éléments probants. Un document au score de pertinence élevé peut encore contenir des informations obsolètes ou incorrectes ; conservez donc sa source et son contenu pour l’étape qui l’utilise. Pro sert à juger la pertinence, pas à rédiger une réponse libre ni à générer des embeddings. Gardez l’édition Pro exacte associée au résultat lorsque vous comparez ou affinez un processus de recherche.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2c5492bd938c4296908865367c2ba1f4488dc19d2b846dbf0064150ee309e9e1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "cohere/rerank-4-proCohere Rerank 4 Pro classe des documents candidats selon leur pertinence pour une requête, dans des processus de recherche et de génération augmentée par la recherche. Il s’agit de l’édition Rerank 4 axée sur la qualité, avec un contexte de 32K, une couverture multilingue et la prise en charge de textes semi-structurés.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Cohere Rerank 4 Pro est le modèle axé sur la qualité de la famille Rerank 4 de Cohere. Il évalue des documents candidats par rapport à une requête et renvoie leur classement et leurs scores de pertinence. Le modèle vise les tâches de recherche complexes, notamment les documents multilingues et les informations semi-structurées. Il s’intègre à un processus de recherche ou de génération augmentée par la recherche après qu’un système existant a recueilli les candidats : le résultat aide à choisir les passages à afficher ou à fournir comme éléments probants à l’étape suivante.
L’identifiant de l’éditeur est rerank-v4.0-pro, distinct de rerank-v4.0-fast et de rerank-v3.5. Pro est destiné aux cas complexes où la qualité de la recherche est prioritaire, tandis que Fast vise une latence plus faible et un débit plus élevé. Les deux éditions Rerank 4 utilisent un contexte de 32 768 tokens. La requête et un document candidat se partagent ce budget ; ce n’est ni une fenêtre complète distincte pour chaque champ d’entrée, ni une limite applicable à l’ensemble du corpus de recherche stocké.
Fournissez une requête claire et la liste des chaînes de texte candidates. Chaque résultat renvoyé comprend l’index du document d’origine et un score de pertinence, et top_n permet de choisir le nombre de résultats classés renvoyés ; sans ce paramètre, l’éditeur renvoie tous les résultats. Conservez un identifiant de source à côté de chaque entrée pour relier le classement au passage exact. Pour une question d’assistance, formulez les conditions requises et fournissez les sections candidates de la politique, plutôt que d’attendre du modèle de reclassement qu’il trouve des politiques absentes de la liste.
Le modèle prend en charge plus de 100 langues et peut reclasser des contenus en anglais comme dans d’autres langues. Pour une requête comportant plusieurs exigences, précisez les conditions qui rendent un passage utile, comme le produit, la situation et la procédure nécessaire. Pour les enregistrements semi-structurés, Cohere recommande des chaînes YAML plutôt que des objets bruts dans la liste de documents V2. Placez les champs significatifs, comme le titre et le contenu, dans un ordre délibéré, car la troncature peut supprimer les derniers champs. Cette préparation est utile pour les fiches produit, les messages et les métadonnées de documents, ainsi que pour la prose ordinaire.
Le guide de préparation spécifique au modèle limite la requête Rerank 4 aux 16 384 premiers tokens. Il décrit le traitement des documents plus longs au moyen de blocs qui partagent le contexte de 32 768 tokens avec la requête et les tokens réservés. La référence V2 actuelle définit séparément max_tokens_per_doc à 4096 par défaut et indique que les chaînes de document plus longues sont tronquées à cette valeur. Considérez la fenêtre du modèle et la troncature des documents dans la requête de l’éditeur comme deux contrôles distincts. Préparez des passages pertinents et concis ou choisissez un budget de document adapté, plutôt que de supposer que chaque longue source est toujours lue intégralement.
Pour les performances recommandées des requêtes, Cohere déconseille d’envoyer plus de 1 000 documents à la fois. Conservez les identifiants des candidats lorsque vous divisez une liste plus longue en groupes gérables. Les scores de pertinence sont normalisés entre 0 et 1, mais dépendent de la requête et des candidats ; ils ne mesurent pas linéairement l’exactitude factuelle. Utilisez l’ordre comme résultat principal de la recherche. Si vous filtrez selon un seuil de score, établissez-le à l’aide de requêtes représentatives et de passages à la limite de la pertinence issus du domaine réel, plutôt que de supposer un seuil universel.
Un livrable final utile est une liste de candidats classés avec leurs identifiants de source et leurs scores, prête pour un résultat de recherche ou une étape de sélection d’éléments probants. Un document au score de pertinence élevé peut encore contenir des informations obsolètes ou incorrectes ; conservez donc sa source et son contenu pour l’étape qui l’utilise. Pro sert à juger la pertinence, pas à rédiger une réponse libre ni à générer des embeddings. Gardez l’édition Pro exacte associée au résultat lorsque vous comparez ou affinez un processus de recherche.
POST /v1/reranktextrerank| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champdocuments | Typearray | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites cohere/rerank-4-pro | Par défaut— |
Champprovider | Typeschema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champquery | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champsession_id | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtop_n | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 | Par défaut— |
Champtrace | Typeschema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champuser | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champdocuments[].text | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champdocuments[].image | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
text_rerank · Obligatoire : query, documents array with minItems1
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, query, documents |
Paramètrematerial_types | Contrattext |
Paramètreoptional_controls | Contratprovider, session_id, top_n, trace, user |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous
Envoyez l’ID exact du modèle et conservez la réponse native complète.
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 |
| ConfigurationUltra | Barème tarifaire— | Unité de facturationpar unité de recherche | Coût total · unité de recherche $0.005 par unité de recherche |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "documents": [\n "Paris is the capital of France.",\n "Berlin is the capital of Germany."\n ],\n "model": "cohere/rerank-4-pro",\n "query": "What is the capital of France?",\n "top_n": 3\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='cohere/rerank-4-pro'\nPath('request.json').write_text(json.dumps(p,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 result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Chaque index de résultat réel, chaque relevance_score fini et chaque objet document d’origine sont conservés. Les index renvoient au tableau de documents d’origine. L’intégralité du JSON d’origine est stockée et renvoyée uniquement après le règlement.
Conservez l’opération d’origine ainsi que la réponse complète ou partielle ; ne rejouez pas le POST.
| Champ | Type |
|---|---|
Champmodel | Typestring |
Champid | Typestring |
Champprovider | Typestring |
Champresults[].index | Typeinteger |
Champresults[].relevance_score | Typenumber |
Champresults[].document.text | Typestring |
Champresults[].document.image | Typestring |
Champusage.search_units | Typeinteger |
Champusage.total_tokens | Typeinteger |
Champusage.cost | Typenumber |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamp obligatoire, représentation ou valeur invalide | Étape suivanteCorrigez le champ indiqué de la requête. |
Ailoot Ultra cohere/rerank-4-pro
Utilisez les chemins de méthode indiqués ci-dessus.