bge-reranker-v2-m3

BGE Reranker v2 M3 est un modèle multilingue de pertinence construit sur BGE-M3. Il reçoit ensemble une requête et un passage candidat et renvoie un score mesurant leur relation. BAAI présente cette édition comme un reranker 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 cross-encoder traite les deux textes conjointement, ce qui permet à leurs contenus d’interagir avant la production du score de pertinence. Il diffère d’un modèle de plongements vectoriels, qui encode les textes indépendamment pour une comparaison vectorielle réutilisable. La sortie du reranker est un score scalaire pour une paire donnée 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. La comparaison plus détaillée se concentre ainsi sur une présélection de taille maîtrisée plutôt que de demander à un cross-encoder d’examiner chaque passage d’un grand ensemble.

L’édition v2 M3

Le fabricant identifie BGE-M3 comme modèle de base et indique la prise en charge multilingue comme une fonction principale. Dans sa famille de rerankers v2, M3 est l’option multilingue efficace ; les variantes fondées sur Gemma et celles à sélection de couches sont des modèles distincts avec des choix d’implémentation différents. Le nom M3 ne signifie pas ici que le reranker renvoie les plongements denses, parcimonieux et multivectoriels du modèle de plongements d’origine.

Cette distinction compte lorsque vous choisissez le résultat nécessaire à votre application. Sélectionnez un modèle de plongements pour représenter un ensemble de documents et y effectuer des recherches. Sélectionnez ce reranker lorsque vous avez déjà des textes candidats et devez déterminer quel passage est le plus pertinent pour la requête actuelle.

Préparer des candidats permettant un classement utile

Fournissez la question réelle et le texte candidat complet nécessaire à son interprétation. Préservez 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. Il s’agit d’un réglage d’exemple plutôt que d’une limite globale du modèle. Gardez la question et les preuves requises dans le budget de paire choisi et vérifiez ce que supprime la troncature. Un résultat qui mentionne le même produit que la requête peut rester sans pertinence s’il concerne la mauvaise opération ou condition ; préparez des exemples qui distinguent ces cas lorsque vous évaluez la qualité de la recherche.

Pour un assistant documentaire, conservez les identifiants des candidats avec leurs textes, attribuez des scores aux paires question–passage et transmettez les passages originaux sélectionnés à l’étape de réponse. Le modèle de réponse reçoit alors les preuves plutôt qu’un score de pertinence sans sa source. Il s’agit d’un exemple de processus de recherche documentaire ; le reranker lui-même ne recherche pas dans un ensemble externe et ne rédige pas la réponse.

Lire et normaliser les scores

Le fabricant renvoie des scores de pertinence bruts, une valeur plus élevée indiquant une meilleure correspondance. La normalisation facultative documentée applique une fonction sigmoïde pour placer le score entre 0 et 1. Un score normalisé possède une plage pratique, mais cette transformation seule n’établit pas 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 travail. Incluez des passages qui partagent des mots clés mais répondent à une autre question, ainsi que des passages pertinents formulés différemment. Le seuil sélectionné prend ainsi un sens pour l’ensemble dans lequel vous effectuez la recherche.

Pour un projet d’API Ailoot, définissez ce que le contexte final doit contenir et le nombre de candidats qui 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 de documents, de la prose générée et des commandes de sélection de couches documentées pour d’autres rerankers.