Cohere: Rerank v3.5

Cohere Rerank 3.5 est un modèle multilingue de classement par pertinence de documents candidats et de textes semi-structurés. Il évalue chaque candidat par rapport à une requête et renvoie une liste de résultats réordonnée, accompagnée de scores de pertinence. Il peut affiner des candidats issus d’une recherche par mots-clés ou sémantique et sélectionner des passages pour une réponse augmentée par la recherche. Sa tâche consiste à améliorer l’ordre des éléments probants plutôt qu’à générer une réponse libre ou à créer un nouvel index de corpus.

L’identifiant exact de l’éditeur est rerank-v3.5. Son contexte est de 4 096 tokens, distinct du contexte de 32K de Rerank 4 Pro et Fast. Les tokens de la requête et du document sont comptabilisés ensemble dans cette fenêtre propre à chaque candidat. Le guide de préparation spécifique au modèle tronque une requête au-delà de ses 2 048 premiers tokens et décrit des blocs de document de 4 093 tokens avant la prise en compte de la requête. Gardez une requête ciblée et préparez des passages candidats contenant les informations nécessaires pour juger la relation recherchée.

Fournissez la requête et une liste de chaînes de texte candidates. Chaque résultat comporte un index indiquant la position du document d’origine et un score de pertinence ; top_n détermine le nombre de résultats classés à conserver. En son absence, le processus documenté par l’éditeur renvoie tous les résultats. Conservez les identifiants des documents indépendamment du score, afin de pouvoir toujours relier le premier passage à la politique, à la fiche produit ou au message d’origine.

Rerank 3.5 prend en charge plus de 100 langues, avec des contenus en anglais et dans d’autres langues. Une requête peut contenir plusieurs aspects du besoin, comme le produit, la situation de l’utilisateur et la procédure souhaitée. Pour les enregistrements structurés, la version V2 a supprimé les objets document bruts et recommande des chaînes YAML. Placez les champs utiles dans un ordre délibéré, avec le contenu décisif avant les métadonnées moins pertinentes, car les chaînes longues peuvent être tronquées. Cela convient aux titres et aux contenus, aux attributs de produits ou à l’objet et au corps d’un message.

La référence V2 de l’éditeur utilise max_tokens_per_doc pour tronquer les documents, avec une valeur par défaut de 4096. Le guide de préparation de Cohere décrit également le découpage des documents longs ; l’entrée effective dépend du processus choisi et de ses paramètres de document. Pour mieux maîtriser le résultat, préparez vous-même des passages identifiables plutôt que de supposer que chaque section d’une longue source reste visible. Conservez suffisamment de contexte environnant pour distinguer un passage qui contient la réponse d’un passage qui en partage seulement le vocabulaire.

Pour les performances des requêtes, la référence actuelle recommande de ne pas envoyer plus de 1 000 documents à la fois. Les scores de pertinence sont normalisés entre 0 et 1, mais leurs valeurs dépendent de la requête et des candidats et ne constituent pas une échelle linéaire d’exactitude. Utilisez le classement pour repérer les éléments probants utiles. Si un seuil de score est nécessaire, choisissez des requêtes représentatives du domaine et des passages à la limite de la pertinence, afin que ce seuil reflète la tâche de recherche réelle.

Un processus pratique d’assistance peut reclasser des sections candidates de politique de retour pour une question concernant un article endommagé, puis transmettre le texte source retenu à une étape de rédaction de réponse. Une recherche d’e-mails peut classer les messages selon un problème précis et conserver l’identifiant du message d’origine avec chaque résultat. Le livrable utile est la liste ordonnée des éléments probants. Gardez le contexte plus court de Rerank 3.5 et la préparation des documents V2 associés à ce résultat, sans leur substituer les limites de modèles ultérieurs.