rerank-2.5-lite est le membre léger de la gamme de reclassement 2.5 de Voyage AI. Le concepteur le décrit comme un modèle généraliste équilibrant latence et qualité de pertinence, avec un suivi des consignes en langage naturel et une prise en charge multilingue. Son entrée est une requête et des textes candidats ; sa sortie est un ordre affiné de ces candidats avec des scores de pertinence.
Le modèle Lite traite conjointement chaque paire requête-document comme un encodeur croisé. Il peut suivre une première recherche par embeddings ou lexicale et affiner les passages sélectionnés par cette étape. Cela diffère de la préparation d’un index d’embeddings réutilisable : le modèle de reclassement examine ensemble la requête soumise et le texte du document pour la décision de pertinence actuelle.
Pour une recherche d’aide interactive, soumettez les explications candidates susceptibles de répondre à la question de l’utilisateur. Gardez assez de chaque passage pour transmettre le comportement et ses conditions, et préservez l’association entre l’indice d’entrée et l’élément source. Un ensemble de candidats ciblé rend la tâche de reclassement claire tout en gardant les éléments récupérés exploitables pour l’affichage ou une réponse ultérieure.
Comme rerank-2.5, Lite accepte des consignes en langage naturel avant ou après la requête. Les exemples du concepteur les utilisent pour mettre l’accent sur des parties de documents, sélectionner un type de source préféré ou ajouter du contexte à un mot ambigu. Une application peut fournir une préférence permanente de pertinence, ou la question actuelle peut en inclure une plus spécifique.
Un exemple de requête d’assistance peut demander quel passage explique une erreur, avec une consigne de priorité aux étapes de dépannage plutôt qu’aux descriptions générales du produit. Une recherche documentaire peut demander la formulation originale d’une politique plutôt qu’une discussion de celle-ci. Décrivez les éléments attendus et gardez la consigne concise. Les consignes influencent les scores de pertinence ; préparez les éventuelles restrictions strictes de version, de date ou de droits dans la sélection des candidats au lieu de traiter une préférence de pertinence comme un filtre garanti.
La sortie est triée par pertinence décroissante. Chaque résultat comprend l’indice d’origine du document et un score à virgule flottante ; le paramètre facultatif return-documents renvoie aussi le texte d’entrée correspondant. L’option top-k détermine le nombre de premiers résultats renvoyés, tandis que son omission renvoie le classement de tous les candidats soumis.
Utilisez ces indices pour retrouver le passage source et son identifiant. Un candidat reclassé peut devenir un résultat de recherche ou un élément pour l’étape RAG suivante, mais la sortie est un classement du texte fourni et non une réponse réécrite. Évaluez si les premiers passages satisfont à la fois la question et la consigne de pertinence, notamment pour les langues et types de documents réellement présents dans la collection.
L’édition 2.5 Lite dispose d’un maximum documenté de 8 000 tokens pour la requête et d’une limite de 32 000 tokens pour la requête et chaque document individuel. Elle se distingue de l’ancien modèle rerank-2-lite et de son contexte plus petit. Au plus 1 000 documents peuvent être soumis, et l’entrée totale est limitée à 600 000 tokens selon la formule : tokens de la requête multipliés par le nombre de candidats, plus la somme des tokens des documents candidats.
Pour les usages sensibles à la latence, la FAQ du concepteur recommande rerank-2.5-lite avec au plus 200 000 tokens totaux par requête. Il s’agit d’un conseil pratique inférieur au maximum annoncé, et non d’une fenêtre différente par document. Une requête ou une consigne plus longue est comptée une fois pour chaque paire candidate ; le nombre de candidats et la longueur de requête influencent donc tous deux le total.
La troncature est activée par défaut et raccourcit les entrées requête/document trop longues pour qu’elles tiennent ; la désactiver renvoie une erreur pour une requête ou une paire trop longue. Préparez délibérément des candidats compacts contenant la réponse afin que les éléments utiles ne restent pas au-delà d’une limite tronquée. Sélectionner moins de résultats de sortie avec top-k ne retire pas les autres candidats fournis du calcul de tokens. Examinez les passages sources renvoyés et affinez la préparation des entrées autour des questions réelles auxquelles l’interface de recherche doit répondre.
", "aboutText": "rerank-2.5-lite est le membre léger de la gamme de reclassement 2.5 de Voyage AI. Le concepteur le décrit comme un modèle généraliste équilibrant latence et qualité de pertinence, avec un suivi des consignes en langage naturel et une prise en charge multilingue. Son entrée est une requête et des textes candidats ; sa sortie est un ordre affiné de ces candidats avec des scores de pertinence.\n\n### Une décision légère de pertinence en deuxième étape\n\nLe modèle Lite traite conjointement chaque paire requête-document comme un encodeur croisé. Il peut suivre une première recherche par embeddings ou lexicale et affiner les passages sélectionnés par cette étape. Cela diffère de la préparation d’un index d’embeddings réutilisable : le modèle de reclassement examine ensemble la requête soumise et le texte du document pour la décision de pertinence actuelle.\n\nPour une recherche d’aide interactive, soumettez les explications candidates susceptibles de répondre à la question de l’utilisateur. Gardez assez de chaque passage pour transmettre le comportement et ses conditions, et préservez l’association entre l’indice d’entrée et l’élément source. Un ensemble de candidats ciblé rend la tâche de reclassement claire tout en gardant les éléments récupérés exploitables pour l’affichage ou une réponse ultérieure.\n\n### Les consignes expriment les priorités de l’utilisateur\n\nComme rerank-2.5, Lite accepte des consignes en langage naturel avant ou après la requête. Les exemples du concepteur les utilisent pour mettre l’accent sur des parties de documents, sélectionner un type de source préféré ou ajouter du contexte à un mot ambigu. Une application peut fournir une préférence permanente de pertinence, ou la question actuelle peut en inclure une plus spécifique.\n\nUn exemple de requête d’assistance peut demander quel passage explique une erreur, avec une consigne de priorité aux étapes de dépannage plutôt qu’aux descriptions générales du produit. Une recherche documentaire peut demander la formulation originale d’une politique plutôt qu’une discussion de celle-ci. Décrivez les éléments attendus et gardez la consigne concise. Les consignes influencent les scores de pertinence ; préparez les éventuelles restrictions strictes de version, de date ou de droits dans la sélection des candidats au lieu de traiter une préférence de pertinence comme un filtre garanti.\n\n### Lisez le classement et renvoyez le passage source\n\nLa sortie est triée par pertinence décroissante. Chaque résultat comprend l’indice d’origine du document et un score à virgule flottante ; le paramètre facultatif return-documents renvoie aussi le texte d’entrée correspondant. L’option top-k détermine le nombre de premiers résultats renvoyés, tandis que son omission renvoie le classement de tous les candidats soumis.\n\nUtilisez ces indices pour retrouver le passage source et son identifiant. Un candidat reclassé peut devenir un résultat de recherche ou un élément pour l’étape RAG suivante, mais la sortie est un classement du texte fourni et non une réponse réécrite. Évaluez si les premiers passages satisfont à la fois la question et la consigne de pertinence, notamment pour les langues et types de documents réellement présents dans la collection.\n\n### Limites et budget pratique de candidats\n\nL’édition 2.5 Lite dispose d’un maximum documenté de 8 000 tokens pour la requête et d’une limite de 32 000 tokens pour la requête et chaque document individuel. Elle se distingue de l’ancien modèle rerank-2-lite et de son contexte plus petit. Au plus 1 000 documents peuvent être soumis, et l’entrée totale est limitée à 600 000 tokens selon la formule : tokens de la requête multipliés par le nombre de candidats, plus la somme des tokens des documents candidats.\n\nPour les usages sensibles à la latence, la FAQ du concepteur recommande rerank-2.5-lite avec au plus 200 000 tokens totaux par requête. Il s’agit d’un conseil pratique inférieur au maximum annoncé, et non d’une fenêtre différente par document. Une requête ou une consigne plus longue est comptée une fois pour chaque paire candidate ; le nombre de candidats et la longueur de requête influencent donc tous deux le total.\n\nLa troncature est activée par défaut et raccourcit les entrées requête/document trop longues pour qu’elles tiennent ; la désactiver renvoie une erreur pour une requête ou une paire trop longue. Préparez délibérément des candidats compacts contenant la réponse afin que les éléments utiles ne restent pas au-delà d’une limite tronquée. Sélectionner moins de résultats de sortie avec top-k ne retire pas les autres candidats fournis du calcul de tokens. Examinez les passages sources renvoyés et affinez la préparation des entrées autour des questions réelles auxquelles l’interface de recherche doit répondre.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2edbfc833c95225b6cc695b14566b4cfc8cf25fa2f4850314f83d7439b6cc007", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "voyageai/rerank-2.5-litererank-2.5-lite est le modèle de reclassement de Voyage AI axé sur la latence et le suivi des consignes pour un ensemble fourni de candidats textuels. Il conserve un contexte requête-document de 32 000 tokens et la prise en charge multilingue, et renvoie une liste ordonnée de scores de pertinence avec les indices d’origine des documents.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
rerank-2.5-lite est le membre léger de la gamme de reclassement 2.5 de Voyage AI. Le concepteur le décrit comme un modèle généraliste équilibrant latence et qualité de pertinence, avec un suivi des consignes en langage naturel et une prise en charge multilingue. Son entrée est une requête et des textes candidats ; sa sortie est un ordre affiné de ces candidats avec des scores de pertinence.
Le modèle Lite traite conjointement chaque paire requête-document comme un encodeur croisé. Il peut suivre une première recherche par embeddings ou lexicale et affiner les passages sélectionnés par cette étape. Cela diffère de la préparation d’un index d’embeddings réutilisable : le modèle de reclassement examine ensemble la requête soumise et le texte du document pour la décision de pertinence actuelle.
Pour une recherche d’aide interactive, soumettez les explications candidates susceptibles de répondre à la question de l’utilisateur. Gardez assez de chaque passage pour transmettre le comportement et ses conditions, et préservez l’association entre l’indice d’entrée et l’élément source. Un ensemble de candidats ciblé rend la tâche de reclassement claire tout en gardant les éléments récupérés exploitables pour l’affichage ou une réponse ultérieure.
Comme rerank-2.5, Lite accepte des consignes en langage naturel avant ou après la requête. Les exemples du concepteur les utilisent pour mettre l’accent sur des parties de documents, sélectionner un type de source préféré ou ajouter du contexte à un mot ambigu. Une application peut fournir une préférence permanente de pertinence, ou la question actuelle peut en inclure une plus spécifique.
Un exemple de requête d’assistance peut demander quel passage explique une erreur, avec une consigne de priorité aux étapes de dépannage plutôt qu’aux descriptions générales du produit. Une recherche documentaire peut demander la formulation originale d’une politique plutôt qu’une discussion de celle-ci. Décrivez les éléments attendus et gardez la consigne concise. Les consignes influencent les scores de pertinence ; préparez les éventuelles restrictions strictes de version, de date ou de droits dans la sélection des candidats au lieu de traiter une préférence de pertinence comme un filtre garanti.
La sortie est triée par pertinence décroissante. Chaque résultat comprend l’indice d’origine du document et un score à virgule flottante ; le paramètre facultatif return-documents renvoie aussi le texte d’entrée correspondant. L’option top-k détermine le nombre de premiers résultats renvoyés, tandis que son omission renvoie le classement de tous les candidats soumis.
Utilisez ces indices pour retrouver le passage source et son identifiant. Un candidat reclassé peut devenir un résultat de recherche ou un élément pour l’étape RAG suivante, mais la sortie est un classement du texte fourni et non une réponse réécrite. Évaluez si les premiers passages satisfont à la fois la question et la consigne de pertinence, notamment pour les langues et types de documents réellement présents dans la collection.
L’édition 2.5 Lite dispose d’un maximum documenté de 8 000 tokens pour la requête et d’une limite de 32 000 tokens pour la requête et chaque document individuel. Elle se distingue de l’ancien modèle rerank-2-lite et de son contexte plus petit. Au plus 1 000 documents peuvent être soumis, et l’entrée totale est limitée à 600 000 tokens selon la formule : tokens de la requête multipliés par le nombre de candidats, plus la somme des tokens des documents candidats.
Pour les usages sensibles à la latence, la FAQ du concepteur recommande rerank-2.5-lite avec au plus 200 000 tokens totaux par requête. Il s’agit d’un conseil pratique inférieur au maximum annoncé, et non d’une fenêtre différente par document. Une requête ou une consigne plus longue est comptée une fois pour chaque paire candidate ; le nombre de candidats et la longueur de requête influencent donc tous deux le total.
La troncature est activée par défaut et raccourcit les entrées requête/document trop longues pour qu’elles tiennent ; la désactiver renvoie une erreur pour une requête ou une paire trop longue. Préparez délibérément des candidats compacts contenant la réponse afin que les éléments utiles ne restent pas au-delà d’une limite tronquée. Sélectionner moins de résultats de sortie avec top-k ne retire pas les autres candidats fournis du calcul de tokens. Examinez les passages sources renvoyés et affinez la préparation des entrées autour des questions réelles auxquelles l’interface de recherche doit répondre.
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 voyageai/rerank-2.5-lite | 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 facturation/ 1K tokens | Coût Entrée $0.00004 / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "documents": [\n "Paris is the capital of France.",\n "Berlin is the capital of Germany."\n ],\n "model": "voyageai/rerank-2.5-lite",\n "query": "What is the capital of France?",\n "top_n": 3\n}set -eu\n: "${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']='voyageai/rerank-2.5-lite'\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 voyageai/rerank-2.5-lite
Utilisez les chemins de méthode indiqués ci-dessus.