Cohere Rerank 4 Pro est le modèle de la famille Rerank 4 de Cohere axé sur la qualité. Il évalue des documents candidats par rapport à une requête et renvoie leur classement et leurs scores de pertinence. Il vise les tâches complexes de recherche documentaire, notamment les documents multilingues et les informations semi-structurées. Il intervient dans un processus de recherche ou de génération augmentée par récupération après qu’un système existant a recueilli des candidats: son résultat aide à choisir les passages à afficher ou à fournir comme éléments probants à l’étape suivante.
L’identifiant du producteur est rerank-v4.0-pro, distinct de rerank-v4.0-fast et de rerank-v3.5. Pro vise les cas complexes où la qualité de recherche prime, tandis que Fast cible une latence réduite et un débit supérieur. Les deux éditions Rerank 4 utilisent un contexte de 32 768 tokens. La requête et un document candidat partagent ce budget; ce n’est ni une fenêtre complète distincte pour chaque champ d’entrée ni une limite portant sur l’ensemble du corpus stocké.
Fournissez une requête claire et la liste des chaînes textuelles candidates. Chaque résultat retourné contient l’index du document d’origine et un score de pertinence; top_n permet de choisir le nombre de résultats classés à renvoyer, et son omission entraîne le retour de tous les résultats. Conservez un identifiant source à côté de chaque entrée pour relier le classement au passage exact. Pour une question d’assistance, précisez les conditions requises et fournissez les sections candidates de la politique, au lieu d’attendre du reclasseur qu’il retrouve des politiques absentes de la liste.
Le modèle prend en charge plus de 100 langues et peut reclasser des contenus anglophones ou non. Pour une requête comportant plusieurs exigences, précisez les conditions qui rendent un passage utile, comme le produit, la situation et la procédure nécessaire. Pour les enregistrements semi-structurés, Cohere recommande des chaînes YAML plutôt que des objets bruts dans la liste documentaire V2. Gardez les champs significatifs, comme le titre et le contenu, dans un ordre délibéré, car la troncature peut supprimer les champs placés à la fin. Cette préparation convient aux fiches produit, messages et métadonnées documentaires comme à la prose ordinaire.
Le guide de préparation propre au modèle limite la requête Rerank 4 aux 16 384 premiers tokens. Il décrit le traitement des documents longs par segments partageant le contexte de 32 768 tokens avec la requête et les tokens réservés. La référence V2 actuelle fixe séparément max_tokens_per_doc à 4096 par défaut et indique que les chaînes documentaires plus longues sont tronquées à cette valeur. Traitez la fenêtre du modèle et la troncature documentaire de la requête comme des contrôles distincts. Préparez des passages pertinents et concis ou choisissez un budget documentaire adapté au lieu de supposer que toute source longue est toujours lue en entier.
Pour les performances recommandées, Cohere déconseille d’envoyer plus de 1 000 documents à la fois. Conservez les identifiants candidats lorsque vous répartissez une liste plus grande en groupes maniables. Les scores de pertinence sont normalisés entre 0 et 1, mais dépendent de la requête et des candidats; ils ne mesurent pas linéairement l’exactitude factuelle. Utilisez l’ordre comme résultat principal de recherche documentaire. Si vous filtrez par seuil, établissez-le avec des requêtes représentatives et des passages de pertinence limite du domaine réel, sans supposer une limite universelle.
Un artefact final utile est une liste de candidats classés avec identifiants sources et scores, prête à alimenter un résultat de recherche ou une étape de sélection d’éléments probants. Un document très pertinent peut néanmoins être obsolète ou incorrect: conservez sa source et son contenu pour l’étape qui l’utilise. Pro juge la pertinence; il ne rédige pas une réponse libre et ne génère pas de représentations vectorielles. Gardez l’édition Pro exacte associée au résultat lors de la comparaison ou de l’affinage du processus de recherche documentaire.
", "aboutText": "Cohere Rerank 4 Pro est le modèle de la famille Rerank 4 de Cohere axé sur la qualité. Il évalue des documents candidats par rapport à une requête et renvoie leur classement et leurs scores de pertinence. Il vise les tâches complexes de recherche documentaire, notamment les documents multilingues et les informations semi-structurées. Il intervient dans un processus de recherche ou de génération augmentée par récupération après qu’un système existant a recueilli des candidats: son résultat aide à choisir les passages à afficher ou à fournir comme éléments probants à l’étape suivante.\n\nL’identifiant du producteur est rerank-v4.0-pro, distinct de rerank-v4.0-fast et de rerank-v3.5. Pro vise les cas complexes où la qualité de recherche prime, tandis que Fast cible une latence réduite et un débit supérieur. Les deux éditions Rerank 4 utilisent un contexte de 32 768 tokens. La requête et un document candidat partagent ce budget; ce n’est ni une fenêtre complète distincte pour chaque champ d’entrée ni une limite portant sur l’ensemble du corpus stocké.\n\nFournissez une requête claire et la liste des chaînes textuelles candidates. Chaque résultat retourné contient l’index du document d’origine et un score de pertinence; top_n permet de choisir le nombre de résultats classés à renvoyer, et son omission entraîne le retour de tous les résultats. Conservez un identifiant source à côté de chaque entrée pour relier le classement au passage exact. Pour une question d’assistance, précisez les conditions requises et fournissez les sections candidates de la politique, au lieu d’attendre du reclasseur qu’il retrouve des politiques absentes de la liste.\n\nLe modèle prend en charge plus de 100 langues et peut reclasser des contenus anglophones ou non. Pour une requête comportant plusieurs exigences, précisez les conditions qui rendent un passage utile, comme le produit, la situation et la procédure nécessaire. Pour les enregistrements semi-structurés, Cohere recommande des chaînes YAML plutôt que des objets bruts dans la liste documentaire V2. Gardez les champs significatifs, comme le titre et le contenu, dans un ordre délibéré, car la troncature peut supprimer les champs placés à la fin. Cette préparation convient aux fiches produit, messages et métadonnées documentaires comme à la prose ordinaire.\n\nLe guide de préparation propre au modèle limite la requête Rerank 4 aux 16 384 premiers tokens. Il décrit le traitement des documents longs par segments partageant le contexte de 32 768 tokens avec la requête et les tokens réservés. La référence V2 actuelle fixe séparément max_tokens_per_doc à 4096 par défaut et indique que les chaînes documentaires plus longues sont tronquées à cette valeur. Traitez la fenêtre du modèle et la troncature documentaire de la requête comme des contrôles distincts. Préparez des passages pertinents et concis ou choisissez un budget documentaire adapté au lieu de supposer que toute source longue est toujours lue en entier.\n\nPour les performances recommandées, Cohere déconseille d’envoyer plus de 1 000 documents à la fois. Conservez les identifiants candidats lorsque vous répartissez une liste plus grande en groupes maniables. Les scores de pertinence sont normalisés entre 0 et 1, mais dépendent de la requête et des candidats; ils ne mesurent pas linéairement l’exactitude factuelle. Utilisez l’ordre comme résultat principal de recherche documentaire. Si vous filtrez par seuil, établissez-le avec des requêtes représentatives et des passages de pertinence limite du domaine réel, sans supposer une limite universelle.\n\nUn artefact final utile est une liste de candidats classés avec identifiants sources et scores, prête à alimenter un résultat de recherche ou une étape de sélection d’éléments probants. Un document très pertinent peut néanmoins être obsolète ou incorrect: conservez sa source et son contenu pour l’étape qui l’utilise. Pro juge la pertinence; il ne rédige pas une réponse libre et ne génère pas de représentations vectorielles. Gardez l’édition Pro exacte associée au résultat lors de la comparaison ou de l’affinage du processus de recherche documentaire.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "71b44437d4845767a15029c6456ee44bca88b2e4f60a65fee4b8fe111f5855b5", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "cohere/rerank-4-proCohere Rerank 4 Pro classe des documents candidats selon leur pertinence pour une requête dans les processus de recherche et de génération augmentée par récupération documentaire. Cette édition Rerank 4 privilégie la qualité, avec un contexte de 32K, une couverture multilingue et la prise en charge de textes semi-structurés.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Cohere Rerank 4 Pro est le modèle de la famille Rerank 4 de Cohere axé sur la qualité. Il évalue des documents candidats par rapport à une requête et renvoie leur classement et leurs scores de pertinence. Il vise les tâches complexes de recherche documentaire, notamment les documents multilingues et les informations semi-structurées. Il intervient dans un processus de recherche ou de génération augmentée par récupération après qu’un système existant a recueilli des candidats: son résultat aide à choisir les passages à afficher ou à fournir comme éléments probants à l’étape suivante.
L’identifiant du producteur est rerank-v4.0-pro, distinct de rerank-v4.0-fast et de rerank-v3.5. Pro vise les cas complexes où la qualité de recherche prime, tandis que Fast cible une latence réduite et un débit supérieur. Les deux éditions Rerank 4 utilisent un contexte de 32 768 tokens. La requête et un document candidat partagent ce budget; ce n’est ni une fenêtre complète distincte pour chaque champ d’entrée ni une limite portant sur l’ensemble du corpus stocké.
Fournissez une requête claire et la liste des chaînes textuelles candidates. Chaque résultat retourné contient l’index du document d’origine et un score de pertinence; top_n permet de choisir le nombre de résultats classés à renvoyer, et son omission entraîne le retour de tous les résultats. Conservez un identifiant source à côté de chaque entrée pour relier le classement au passage exact. Pour une question d’assistance, précisez les conditions requises et fournissez les sections candidates de la politique, au lieu d’attendre du reclasseur qu’il retrouve des politiques absentes de la liste.
Le modèle prend en charge plus de 100 langues et peut reclasser des contenus anglophones ou non. Pour une requête comportant plusieurs exigences, précisez les conditions qui rendent un passage utile, comme le produit, la situation et la procédure nécessaire. Pour les enregistrements semi-structurés, Cohere recommande des chaînes YAML plutôt que des objets bruts dans la liste documentaire V2. Gardez les champs significatifs, comme le titre et le contenu, dans un ordre délibéré, car la troncature peut supprimer les champs placés à la fin. Cette préparation convient aux fiches produit, messages et métadonnées documentaires comme à la prose ordinaire.
Le guide de préparation propre au modèle limite la requête Rerank 4 aux 16 384 premiers tokens. Il décrit le traitement des documents longs par segments partageant le contexte de 32 768 tokens avec la requête et les tokens réservés. La référence V2 actuelle fixe séparément max_tokens_per_doc à 4096 par défaut et indique que les chaînes documentaires plus longues sont tronquées à cette valeur. Traitez la fenêtre du modèle et la troncature documentaire de la requête comme des contrôles distincts. Préparez des passages pertinents et concis ou choisissez un budget documentaire adapté au lieu de supposer que toute source longue est toujours lue en entier.
Pour les performances recommandées, Cohere déconseille d’envoyer plus de 1 000 documents à la fois. Conservez les identifiants candidats lorsque vous répartissez une liste plus grande en groupes maniables. Les scores de pertinence sont normalisés entre 0 et 1, mais dépendent de la requête et des candidats; ils ne mesurent pas linéairement l’exactitude factuelle. Utilisez l’ordre comme résultat principal de recherche documentaire. Si vous filtrez par seuil, établissez-le avec des requêtes représentatives et des passages de pertinence limite du domaine réel, sans supposer une limite universelle.
Un artefact final utile est une liste de candidats classés avec identifiants sources et scores, prête à alimenter un résultat de recherche ou une étape de sélection d’éléments probants. Un document très pertinent peut néanmoins être obsolète ou incorrect: conservez sa source et son contenu pour l’étape qui l’utilise. Pro juge la pertinence; il ne rédige pas une réponse libre et ne génère pas de représentations vectorielles. Gardez l’édition Pro exacte associée au résultat lors de la comparaison ou de l’affinage du processus de recherche documentaire.
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 cohere/rerank-4-pro | 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’identifiant 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 facturationpar unité de recherche | Coût total · unité de recherche $0.005 par unité de recherche |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "documents": [\n "Paris is the capital of France.",\n "Berlin is the capital of Germany."\n ],\n "model": "cohere/rerank-4-pro",\n "query": "What is the capital of France?",\n "top_n": 3\n}set -eu\n: "${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']='cohere/rerank-4-pro'\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 indice réel de résultat, chaque relevance_score fini et chaque objet de document d’origine est conservé. Les indices correspondent au tableau de documents d’origine. L’intégralité du JSON d’origine est enregistrée et renvoyée uniquement après la facturation définitive.
Conservez l’opération d’origine et la réponse complète ou partielle ; ne répétez 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 dans la requête. |
Ailoot Ultra cohere/rerank-4-pro
Utilisez les chemins de méthode indiqués ci-dessus.