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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Pertinence d’une paire requête–passage\n\nUn 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.\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 plutôt que de demander à un encodeur croisé d’inspecter tous les passages d’une grande collection.\n\n### L’édition v2 M3\n\nLe 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.\n\nCette 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.\n\n### Préparer des candidats utiles au classement\n\nFournissez 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.\n\nPour 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.\n\n### Lire et normaliser les scores\n\nLe 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.\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 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.\n\nPour 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "fcc6953b6fc0dd23148b15270bb8a040f2a821f97cb6d772d97c1b2795af163e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "bge-reranker-v2-m3L’encodeur croisé multilingue de BAAI classe les passages candidats selon une requête. Il lit ensemble chaque paire requête–passage et renvoie un score de pertinence, pour affiner une présélection de recherche sans générer de réponse ni créer de plongements vectoriels 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 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.
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.
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.
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.
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.
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 | ContratDéfinissez votre requête réelle et un tableau non vide des documents texte d’origine. Les indices des résultats renvoient 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 · Jetons en entrée — / 1K jetons Sortie · Jetons en sortie — / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| Configurationtotal de jetons | Barème tarifaire— | Unité de facturation/ 1K jetons | Coût Entrée · total de jetons $0.00004 / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 indices de documents d’origine, les scores de pertinence, les chaînes de documents et l’utilisation native de jetons. Conservez chaque résultat réel et chaque champ d’utilisation.
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 le X-Client-Request-ID réel et la réponse complète. Consultez les ressources d’origine appartenant à votre compte et leurs URL exactes de contenu signées; ne soumettez jamais de nouveau une création incertaine.
| Champ | Type | Signification |
|---|---|---|
Champmodel | Typestring | SignificationModèle de réponse exact requis par le composant de traitement configuré de la source. |
Champresults[].index | Typeinteger | SignificationIndice unique du document d’entrée d’origine. |
Champresults[].relevance_score | Typenumber | SignificationScore de pertinence fini. |
Champresults[].document | Typestring | SignificationDocument texte d’origine requis par ce composant configuré de traitement des réponses. |
Champusage.total_tokens | Typeinteger | SignificationNombre natif de jetons fini et non négatif requis par le tarif accepté en vigueur. |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionLe corps JSON ou l’identifiant canonique explicite du modèle est invalide. | Étape suivanteConservez la réponse et corrigez le champ de demande indiqué. |
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 d’erreur retournés. |
Réponse404 · not_found_error | ConditionLa méthode sélectionnée ne possède aucune route autorisée. | Étape suivanteConservez les détails d’erreur retournés. |
Réponse422 · price_unavailable | ConditionLe tarif accepté ne peut pas obtenir la quantité d’entrée ou la borne dont il a besoin. | Étape suivanteConservez la réponse; utilisez la représentation d’entrée exigée par le tarif accepté. |
Réponse503 · | ConditionLe stockage, la route, le tarif de la méthode ou la réservation requis n’est pas disponible. | Étape suivanteConservez la réponse d’origine complète. Une réservation incertaine n’autorise pas une nouvelle soumission. |
Réponse502 · billing_requires_check | ConditionLe résultat d’origine, l’utilisation ou le règlement doit être vérifié. | Étape suivanteConservez l’identifiant réel de demande et la réponse d’origine. Consultez l’enregistrement existant appartenant à votre compte; ne soumettez pas de nouveau la demande de création. |
Ailoot Ultra bge-reranker-v2-m3
Utilisez les chemins de méthode indiqués ci-dessus.