bge-reranker-v2-m3

BGE Reranker v2 M3 est un modèle multilingue de pertinence fondé 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 de recherche doit affiner une liste existante de candidats.

Pertinence d’une paire requête–passage

Un encodeur croisé traite conjointement les deux textes, ce qui permet à leurs contenus d’interagir avant la production du score de pertinence. Cela diffère d’un modèle de plongement vectoriel, qui encode les textes indépendamment pour une comparaison vectorielle réutilisable. La sortie du reclasseur est un score scalaire pour une paire particulière 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 plutôt que de demander à un encodeur croisé d’inspecter tous les passages d’une grande collection.

L’édition v2 M3

Le fabricant identifie BGE-M3 comme modèle de base et indique la prise en charge multilingue comme caractéristique principale. Dans sa famille de reclasseurs v2, M3 est l’option multilingue efficace; les variantes fondées sur Gemma et celles avec sélection de couches sont des modèles distincts avec d’autres choix d’implémentation. Le nom M3 ne signifie pas ici que le reclasseur renvoie les plongements denses, clairsemés et multivecteurs du modèle de plongement original.

Cette distinction compte lorsque vous choisissez le résultat nécessaire à votre application. Choisissez un modèle de plongement vectoriel pour représenter et rechercher une collection de documents. Choisissez ce reclasseur lorsque vous disposez déjà de textes candidats et devez déterminer quel passage est le plus pertinent pour la requête actuelle.

Préparer des candidats utiles au classement

Fournissez la question réelle et le texte candidat complet nécessaire à son interprétation. Conservez 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. C’est un réglage d’exemple plutôt qu’une limite générale du modèle. Gardez la question et les preuves requises dans le budget choisi pour la paire et vérifiez ce que la troncature supprime. Un résultat qui mentionne le même produit qu’une requête peut néanmoins être sans pertinence s’il traite de la mauvaise opération ou condition; préparez des exemples distinguant ces cas lors de l’évaluation de la qualité de recherche.

Pour un assistant documentaire, conservez les identifiants des candidats avec leur texte, attribuez des scores aux paires question–passage et transmettez les passages originaux retenus à l’étape de réponse. Le modèle de réponse reçoit alors les preuves plutôt qu’un score de pertinence dépourvu de source. Il s’agit d’un exemple de processus de recherche; le reclasseur ne recherche pas lui-même dans une collection externe et n’écrit pas la réponse.

Lire et normaliser les scores

Le fabricant renvoie des scores bruts de pertinence; une valeur supérieure indique une correspondance plus étroite. La normalisation facultative documentée applique une fonction sigmoïde pour placer le score entre 0 et 1. Un score normalisé a une plage pratique, mais cette transformation ne suffit pas à établir 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 les mêmes mots-clés mais répondant à une autre question, ainsi que des passages pertinents formulés autrement. Le seuil choisi devient ainsi significatif pour la collection recherchée.

Pour un projet d’API Ailoot, 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 suivante de l’application. Gardez la sortie de pertinence de cette édition distincte des plongements vectoriels de documents, de la prose générée et des commandes de sélection de couches documentées pour d’autres reclasseurs.