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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### Pertinence d’une paire requête–passage\n\nUn 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.\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. 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.\n\n### L’édition v2 M3\n\nLe 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.\n\nCette 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.\n\n### Préparer des candidats permettant un classement utile\n\nFournissez 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.\n\nPour 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.\n\n### Lire et normaliser les scores\n\nLe 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.\n\nChoisissez 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.\n\nPour 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c78805a33993b5b2e85cc22c53ac26af68372f2da27d906c467b6647f19af149", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "bge-reranker-v2-m3Cross-encoder multilingue de BAAI pour classer des passages candidats par rapport à une requête. Il lit ensemble chaque paire requête–passage et renvoie un score de pertinence, affinant 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 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.
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.
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.
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.
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.
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 | ContratIndiquez votre requête réelle et un tableau non vide de documents textuels d’origine. Les indices des résultats se rapportent 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 · 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 |
| Configurationtotal de jetons | Barème tarifaire— | Unité de facturation/ 1K tokens | Coût Entrée · total de jetons $0.00004 / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 des documents d’origine, les scores de pertinence, les chaînes des documents et la consommation native de jetons. Conservez chaque champ réel de résultat et de consommation.
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 dont vous êtes propriétaire et leurs liens de contenu signés exacts ; ne renvoyez jamais une demande de création incertaine.
| Champ | Type | Signification |
|---|---|---|
Champmodel | Typestring | SignificationModèle exact de réponse requis par le composant Source configuré de traitement des réponses. |
Champresults[].index | Typeinteger | SignificationIndice unique du document d’entrée d’origine. |
Champresults[].relevance_score | Typenumber | SignificationScore de pertinence fini. |
Champresults[].document | Typestring | SignificationDocument textuel 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 actuellement accepté. |
| 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 indiqué dans la requête. |
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 de l’erreur renvoyée. |
Réponse404 · not_found_error | ConditionLa méthode sélectionnée ne dispose d’aucune route autorisée. | Étape suivanteConservez les détails de l’erreur renvoyée. |
Réponse422 · price_unavailable | ConditionLe tarif accepté ne peut pas déterminer la quantité d’entrée requise ou sa borne. | Étape suivanteConservez la réponse ; utilisez la représentation d’entrée requise par le tarif accepté. |
Réponse503 · | ConditionLe stockage, la route, le tarif de la méthode ou la réservation requis est indisponible. | Étape suivanteConservez la réponse d’origine complète. Une réservation incertaine n’autorise pas le renvoi de la demande. |
Réponse502 · billing_requires_check | ConditionLe résultat d’origine, la consommation ou la facturation définitive nécessite une vérification. | Étape suivanteConservez l’identifiant réel de la requête et la réponse d’origine. Consultez l’enregistrement existant dont vous êtes propriétaire ; ne renvoyez pas la demande de création. |
Ailoot Ultra bge-reranker-v2-m3
Utilisez les chemins de méthode indiqués ci-dessus.