{ "aboutHtml": "

Voyage rerank-3-lite est l’édition de la série Rerank 3 de Voyage centrée sur la latence. Il reçoit une requête textuelle et des documents candidats, évalue conjointement chaque paire requête-document et retourne des scores de pertinence dans l’ordre du classement. Il intervient au deuxième stade de la recherche : un moteur de récupération par embeddings ou par mots-clés trouve les candidats, puis Lite affine leur ordre. Le résultat est un classement utilisable dans la recherche ou dans un processus de génération augmentée par récupération.

Les changements de Rerank 3 Lite Le producteur met l’accent sur une meilleure récupération dans les documents longs et le code par rapport à rerank-2.5-lite. Les deux éditions Rerank 3 conservent le suivi d’instructions et la même classe de contexte de 32K, tandis que Lite est conçu pour les applications sensibles à la latence. C’est donc un candidat pratique pour la recherche interactive dans une base de connaissances, la récupération de documents d’assistance et la recherche de code lorsque les utilisateurs ont besoin rapidement de résultats pertinents. Choisissez-le selon les exigences de qualité et de temps de réponse de la collection réelle, sans supposer qu’une édition plus petite implique une fenêtre de contexte plus petite.

Guider la pertinence avec la requête Des consignes en langage naturel peuvent accompagner la requête pour expliquer ce qui est pertinent. Gardez la question et la préférence de pertinence concises et cohérentes. Pour une recherche d’assistance logicielle, utilisez « Trouvez la procédure de réinitialisation d’un appareil ; privilégiez les instructions pour la révision matérielle indiquée. » Pour un nom de produit ambigu, incluez la catégorie de produit afin que des sens sans rapport ne dominent pas. Une préférence dans la requête guide le score sémantique ; utilisez des métadonnées explicites de la collection pour sélectionner le bon produit, la bonne version de document ou le bon périmètre d’accès avant de construire la liste des candidats.

Préparer une présélection de textes candidats Les documents d’entrée sont des chaînes de caractères. Extrayez le texte lisible du contenu source et conservez les titres, les en-têtes, les identifiants et le contexte environnant utiles. Gardez une correspondance stable entre chaque position d’entrée et l’enregistrement d’origine. Pour un article de dépannage, incluez le symptôme et la procédure pertinente, plutôt qu’une simple phrase isolée. Pour la recherche dans du code source, incluez la fonction et les informations proches nécessaires pour la distinguer de fonctions aux noms similaires. Supprimez la navigation répétitive ou le contenu standard lorsqu’ils prennent la place du passage utile.

Le modèle de reclassement ne peut réordonner que les documents qu’il reçoit. Si la recherche initiale ne récupère jamais l’article pertinent, cette étape ne peut pas retrouver ce candidat manquant. Examinez à la fois la présélection et le classement final lorsqu’un résultat semble erroné. Lorsqu’un long document couvre de nombreux sujets, séparez des sections cohérentes et conservez leurs références au document parent pour pouvoir sélectionner une section pertinente sans perdre sa source.

Contexte et limites de requête Le guide actuel du fabricant indique un maximum de 8 000 tokens pour la requête et un maximum combiné de 32 000 tokens pour la requête et chaque document individuel. Il autorise jusqu’à 1 000 documents candidats et un budget total de requête de 600 000 tokens, calculé comme le nombre de tokens de la requête multiplié par le nombre de documents, plus tous les tokens des documents. Une longue requête consomme donc de l’espace dans chaque paire et contribue plusieurs fois au budget global. Comptez le texte envoyé avec le tokenizer approprié du modèle au lieu de considérer les caractères, les mots et les tokens comme interchangeables.

Par exemple, une requête de 500 tokens avec 100 documents de 4 000 tokens chacun représente 450 000 tokens d’entrée selon cette formule. Cela illustre la budgétisation, et non une taille de présélection recommandée ou un résultat de vitesse mesuré. L’option de troncature documentée est activée par défaut ; un texte trop long peut être raccourci avant l’attribution des scores. Préparez délibérément les sections importantes pour que la troncature ne supprime pas précisément le passage à retrouver.

Lire et utiliser le résultat Les résultats sont triés du score de pertinence le plus élevé au plus faible. Chaque résultat identifie la position d’entrée d’origine du document, ce qui permet à l’application de joindre son titre, son identifiant d’enregistrement et sa source. Le réglage top_k contrôle le nombre de candidats classés retournés ; sans lui, tous les candidats sont retournés. L’interface REST du fabricant peut aussi retourner le texte du document. Conservez les identifiants d’origine avec les résultats sélectionnés lors de l’affichage d’une page de recherche ou de la transmission d’éléments probants à une étape de génération de réponse.

Un score de pertinence exprime à quel point un candidat correspond à la requête ; il n’établit pas que les affirmations du candidat sont correctes. Comparez les éléments les mieux classés à la question réelle de l’utilisateur, y compris les exclusions et les différences de version des documents. Si tous les candidats sont non pertinents, il existe tout de même un élément classé premier. Définissez comment votre application traite ce cas à l’aide de requêtes représentatives de la collection.

Mettre à niveau et choisir l’édition Le fabricant décrit rerank-3-lite comme une mise à niveau de rerank-2.5-lite avec une sémantique API inchangée et des scores calibrés sur la distribution du prédécesseur correspondant. Préservez la correspondance existante des enregistrements et l’étape de récupération, puis comparez l’ordre obtenu sur des requêtes significatives avant de vous fier à un seuil de score établi. Utilisez Lite pour une expérience de recherche où le temps de réponse compte ; utilisez l’édition rerank-3 centrée sur la qualité comme point de comparaison lorsque la pertinence des candidats difficiles est la priorité principale.

", "aboutText": "Voyage rerank-3-lite est l’édition de la série Rerank 3 de Voyage centrée sur la latence. Il reçoit une requête textuelle et des documents candidats, évalue conjointement chaque paire requête-document et retourne des scores de pertinence dans l’ordre du classement. Il intervient au deuxième stade de la recherche : un moteur de récupération par embeddings ou par mots-clés trouve les candidats, puis Lite affine leur ordre. Le résultat est un classement utilisable dans la recherche ou dans un processus de génération augmentée par récupération.\n\nLes changements de Rerank 3 Lite\nLe producteur met l’accent sur une meilleure récupération dans les documents longs et le code par rapport à rerank-2.5-lite. Les deux éditions Rerank 3 conservent le suivi d’instructions et la même classe de contexte de 32K, tandis que Lite est conçu pour les applications sensibles à la latence. C’est donc un candidat pratique pour la recherche interactive dans une base de connaissances, la récupération de documents d’assistance et la recherche de code lorsque les utilisateurs ont besoin rapidement de résultats pertinents. Choisissez-le selon les exigences de qualité et de temps de réponse de la collection réelle, sans supposer qu’une édition plus petite implique une fenêtre de contexte plus petite.\n\nGuider la pertinence avec la requête\nDes consignes en langage naturel peuvent accompagner la requête pour expliquer ce qui est pertinent. Gardez la question et la préférence de pertinence concises et cohérentes. Pour une recherche d’assistance logicielle, utilisez « Trouvez la procédure de réinitialisation d’un appareil ; privilégiez les instructions pour la révision matérielle indiquée. » Pour un nom de produit ambigu, incluez la catégorie de produit afin que des sens sans rapport ne dominent pas. Une préférence dans la requête guide le score sémantique ; utilisez des métadonnées explicites de la collection pour sélectionner le bon produit, la bonne version de document ou le bon périmètre d’accès avant de construire la liste des candidats.\n\nPréparer une présélection de textes candidats\nLes documents d’entrée sont des chaînes de caractères. Extrayez le texte lisible du contenu source et conservez les titres, les en-têtes, les identifiants et le contexte environnant utiles. Gardez une correspondance stable entre chaque position d’entrée et l’enregistrement d’origine. Pour un article de dépannage, incluez le symptôme et la procédure pertinente, plutôt qu’une simple phrase isolée. Pour la recherche dans du code source, incluez la fonction et les informations proches nécessaires pour la distinguer de fonctions aux noms similaires. Supprimez la navigation répétitive ou le contenu standard lorsqu’ils prennent la place du passage utile.\n\nLe modèle de reclassement ne peut réordonner que les documents qu’il reçoit. Si la recherche initiale ne récupère jamais l’article pertinent, cette étape ne peut pas retrouver ce candidat manquant. Examinez à la fois la présélection et le classement final lorsqu’un résultat semble erroné. Lorsqu’un long document couvre de nombreux sujets, séparez des sections cohérentes et conservez leurs références au document parent pour pouvoir sélectionner une section pertinente sans perdre sa source.\n\nContexte et limites de requête\nLe guide actuel du fabricant indique un maximum de 8 000 tokens pour la requête et un maximum combiné de 32 000 tokens pour la requête et chaque document individuel. Il autorise jusqu’à 1 000 documents candidats et un budget total de requête de 600 000 tokens, calculé comme le nombre de tokens de la requête multiplié par le nombre de documents, plus tous les tokens des documents. Une longue requête consomme donc de l’espace dans chaque paire et contribue plusieurs fois au budget global. Comptez le texte envoyé avec le tokenizer approprié du modèle au lieu de considérer les caractères, les mots et les tokens comme interchangeables.\n\nPar exemple, une requête de 500 tokens avec 100 documents de 4 000 tokens chacun représente 450 000 tokens d’entrée selon cette formule. Cela illustre la budgétisation, et non une taille de présélection recommandée ou un résultat de vitesse mesuré. L’option de troncature documentée est activée par défaut ; un texte trop long peut être raccourci avant l’attribution des scores. Préparez délibérément les sections importantes pour que la troncature ne supprime pas précisément le passage à retrouver.\n\nLire et utiliser le résultat\nLes résultats sont triés du score de pertinence le plus élevé au plus faible. Chaque résultat identifie la position d’entrée d’origine du document, ce qui permet à l’application de joindre son titre, son identifiant d’enregistrement et sa source. Le réglage top_k contrôle le nombre de candidats classés retournés ; sans lui, tous les candidats sont retournés. L’interface REST du fabricant peut aussi retourner le texte du document. Conservez les identifiants d’origine avec les résultats sélectionnés lors de l’affichage d’une page de recherche ou de la transmission d’éléments probants à une étape de génération de réponse.\n\nUn score de pertinence exprime à quel point un candidat correspond à la requête ; il n’établit pas que les affirmations du candidat sont correctes. Comparez les éléments les mieux classés à la question réelle de l’utilisateur, y compris les exclusions et les différences de version des documents. Si tous les candidats sont non pertinents, il existe tout de même un élément classé premier. Définissez comment votre application traite ce cas à l’aide de requêtes représentatives de la collection.\n\nMettre à niveau et choisir l’édition\nLe fabricant décrit rerank-3-lite comme une mise à niveau de rerank-2.5-lite avec une sémantique API inchangée et des scores calibrés sur la distribution du prédécesseur correspondant. Préservez la correspondance existante des enregistrements et l’étape de récupération, puis comparez l’ordre obtenu sur des requêtes significatives avant de vous fier à un seuil de score établi. Utilisez Lite pour une expérience de recherche où le temps de réponse compte ; utilisez l’édition rerank-3 centrée sur la qualité comme point de comparaison lorsque la pertinence des candidats difficiles est la priorité principale.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "919a7ba8f26c70909558f1abeabb09616faab20181d8b9ce16c51c952df54ea6", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "
•

VoyageAI by MongoDB: rerank-3-lite

VoyageAI by MongoDB /voyageai/rerank-3-lite

Premiers pas

Voyage rerank-3-lite attribue des scores aux documents textuels candidats et les réordonne pour une requête, avec un accent sur la réactivité de la recherche. Il prend en charge les consignes de pertinence et une fenêtre requête-document de 32 000 tokens, utile après une récupération vectorielle ou par mots-clés dans les processus de recherche et de RAG.

Entrées acceptées
Texte
Résultats
Résultats classés
À propos du modèle

Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.

Voyage rerank-3-lite est l’édition de la série Rerank 3 de Voyage centrée sur la latence. Il reçoit une requête textuelle et des documents candidats, évalue conjointement chaque paire requête-document et retourne des scores de pertinence dans l’ordre du classement. Il intervient au deuxième stade de la recherche : un moteur de récupération par embeddings ou par mots-clés trouve les candidats, puis Lite affine leur ordre. Le résultat est un classement utilisable dans la recherche ou dans un processus de génération augmentée par récupération.

Les changements de Rerank 3 Lite Le producteur met l’accent sur une meilleure récupération dans les documents longs et le code par rapport à rerank-2.5-lite. Les deux éditions Rerank 3 conservent le suivi d’instructions et la même classe de contexte de 32K, tandis que Lite est conçu pour les applications sensibles à la latence. C’est donc un candidat pratique pour la recherche interactive dans une base de connaissances, la récupération de documents d’assistance et la recherche de code lorsque les utilisateurs ont besoin rapidement de résultats pertinents. Choisissez-le selon les exigences de qualité et de temps de réponse de la collection réelle, sans supposer qu’une édition plus petite implique une fenêtre de contexte plus petite.

Guider la pertinence avec la requête Des consignes en langage naturel peuvent accompagner la requête pour expliquer ce qui est pertinent. Gardez la question et la préférence de pertinence concises et cohérentes. Pour une recherche d’assistance logicielle, utilisez « Trouvez la procédure de réinitialisation d’un appareil ; privilégiez les instructions pour la révision matérielle indiquée. » Pour un nom de produit ambigu, incluez la catégorie de produit afin que des sens sans rapport ne dominent pas. Une préférence dans la requête guide le score sémantique ; utilisez des métadonnées explicites de la collection pour sélectionner le bon produit, la bonne version de document ou le bon périmètre d’accès avant de construire la liste des candidats.

Préparer une présélection de textes candidats Les documents d’entrée sont des chaînes de caractères. Extrayez le texte lisible du contenu source et conservez les titres, les en-têtes, les identifiants et le contexte environnant utiles. Gardez une correspondance stable entre chaque position d’entrée et l’enregistrement d’origine. Pour un article de dépannage, incluez le symptôme et la procédure pertinente, plutôt qu’une simple phrase isolée. Pour la recherche dans du code source, incluez la fonction et les informations proches nécessaires pour la distinguer de fonctions aux noms similaires. Supprimez la navigation répétitive ou le contenu standard lorsqu’ils prennent la place du passage utile.

Le modèle de reclassement ne peut réordonner que les documents qu’il reçoit. Si la recherche initiale ne récupère jamais l’article pertinent, cette étape ne peut pas retrouver ce candidat manquant. Examinez à la fois la présélection et le classement final lorsqu’un résultat semble erroné. Lorsqu’un long document couvre de nombreux sujets, séparez des sections cohérentes et conservez leurs références au document parent pour pouvoir sélectionner une section pertinente sans perdre sa source.

Contexte et limites de requête Le guide actuel du fabricant indique un maximum de 8 000 tokens pour la requête et un maximum combiné de 32 000 tokens pour la requête et chaque document individuel. Il autorise jusqu’à 1 000 documents candidats et un budget total de requête de 600 000 tokens, calculé comme le nombre de tokens de la requête multiplié par le nombre de documents, plus tous les tokens des documents. Une longue requête consomme donc de l’espace dans chaque paire et contribue plusieurs fois au budget global. Comptez le texte envoyé avec le tokenizer approprié du modèle au lieu de considérer les caractères, les mots et les tokens comme interchangeables.

Par exemple, une requête de 500 tokens avec 100 documents de 4 000 tokens chacun représente 450 000 tokens d’entrée selon cette formule. Cela illustre la budgétisation, et non une taille de présélection recommandée ou un résultat de vitesse mesuré. L’option de troncature documentée est activée par défaut ; un texte trop long peut être raccourci avant l’attribution des scores. Préparez délibérément les sections importantes pour que la troncature ne supprime pas précisément le passage à retrouver.

Lire et utiliser le résultat Les résultats sont triés du score de pertinence le plus élevé au plus faible. Chaque résultat identifie la position d’entrée d’origine du document, ce qui permet à l’application de joindre son titre, son identifiant d’enregistrement et sa source. Le réglage top_k contrôle le nombre de candidats classés retournés ; sans lui, tous les candidats sont retournés. L’interface REST du fabricant peut aussi retourner le texte du document. Conservez les identifiants d’origine avec les résultats sélectionnés lors de l’affichage d’une page de recherche ou de la transmission d’éléments probants à une étape de génération de réponse.

Un score de pertinence exprime à quel point un candidat correspond à la requête ; il n’établit pas que les affirmations du candidat sont correctes. Comparez les éléments les mieux classés à la question réelle de l’utilisateur, y compris les exclusions et les différences de version des documents. Si tous les candidats sont non pertinents, il existe tout de même un élément classé premier. Définissez comment votre application traite ce cas à l’aide de requêtes représentatives de la collection.

Mettre à niveau et choisir l’édition Le fabricant décrit rerank-3-lite comme une mise à niveau de rerank-2.5-lite avec une sémantique API inchangée et des scores calibrés sur la distribution du prédécesseur correspondant. Préservez la correspondance existante des enregistrements et l’étape de récupération, puis comparez l’ordre obtenu sur des requêtes significatives avant de vous fier à un seuil de score établi. Utilisez Lite pour une expérience de recherche où le temps de réponse compte ; utilisez l’édition rerank-3 centrée sur la qualité comme point de comparaison lorsque la pertinence des candidats difficiles est la priorité principale.

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · Reclassement POST /v1/rerank
Entrée
text
Sortie
rerank
Format de sortie
json
ChampTypeExigenceValeurs et limitesPar défaut
ChampdocumentsTypearrayExigenceObligatoireValeurs et limitesPar défaut—
ChampmodelTypestringExigenceObligatoireValeurs et limites
voyageai/rerank-3-lite
Par défaut—
ChampproviderTypeschemaExigenceFacultatifValeurs et limitesPar défaut—
ChampqueryTypestringExigenceObligatoireValeurs et limitesPar défaut—
Champsession_idTypestringExigenceFacultatifValeurs et limitesPar défaut—
Champtop_nTypeintegerExigenceFacultatifValeurs et limites
Minimum: 1
Par défaut—
ChamptraceTypeschemaExigenceFacultatifValeurs et limitesPar défaut—
ChampuserTypestringExigenceFacultatifValeurs et limitesPar défaut—
Champdocuments[].textTypestringExigenceFacultatifValeurs et limitesPar défaut—
Champdocuments[].imageTypestringExigenceFacultatifValeurs et limitesPar défaut—
Combinaisons d’éléments d’entrée

text_rerank · Obligatoire : query, documents array with minItems1

Paramètres et cycle de vie de la méthode
ParamètreContrat
Paramètrecontent_typeContratapplication/json
ParamètrerequiredContratmodel, query, documents
Paramètrematerial_typesContrattext
Paramètreoptional_controlsContratprovider, session_id, top_n, trace, user
Paramètremultimodal_input_bindingContratnull

Cycle de vie : synchronous

Envoyez l’identifiant exact du modèle et conservez la réponse native complète.

Tarifs

Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.

Mode rapide
Non précisé Lorsque le mode rapide est sélectionné
Mode Flex
Non précisé Lorsque le mode flex est sélectionné
Effort de raisonnement maximal
Non précisé Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)

Tarifs Ailoot

Prix par configuration

Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.

ConfigurationBarème tarifaireUnité de facturationCoût
ConfigurationTarifs de base des jetonsBarème tarifaireTarif de baseUnité 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
ConfigurationUltraBarème tarifaire—Unité de facturation/ 1K tokensCoût
Entrée $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 →

Exemples de requêtes

Ailoot Ultra · Reclassement

{\n  "documents": [\n    "Paris is the capital of France.",\n    "Berlin is the capital of Germany."\n  ],\n  "model": "voyageai/rerank-3-lite",\n  "query": "What is the capital of France?",\n  "top_n": 3\n}

Recevoir et enregistrer les résultats

Ailoot Ultra · Reclassement

json

Conserver tous les résultats terminés

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.

Si la réponse d’origine doit être vérifiée

Conservez l’opération d’origine et la réponse complète ou partielle ; ne répétez pas le POST.

Champs de la réponse
ChampType
ChampmodelTypestring
ChampidTypestring
ChampproviderTypestring
Champresults[].indexTypeinteger
Champresults[].relevance_scoreTypenumber
Champresults[].document.textTypestring
Champresults[].document.imageTypestring
Champusage.search_unitsTypeinteger
Champusage.total_tokensTypeinteger
Champusage.costTypenumber
Erreurs et étapes suivantes
RéponseConditionÉtape suivante
Réponse400 · invalid_request_errorConditionChamp obligatoire, représentation ou valeur invalideÉtape suivanteCorrigez le champ indiqué dans la requête.

Alias

Alias du modèle

Ailoot Ultra voyageai/rerank-3-lite

Alias des chemins de méthode

Utilisez les chemins de méthode indiqués ci-dessus.

ID d’appel associés

voyageai/rerank-3-lite

", "method_identity": { "effective_request_model_id": "voyageai/rerank-3-lite", "fmt": "rerank", "http": "POST", "path": "/v1/rerank", "request_model_id": "voyageai/rerank-3-lite", "route_label": "Ultra" }, "method_key": "Ultra|rerank|/v1/rerank|voyageai%2Frerank-3-lite", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Every actual result index, finite relevance_score and original document object is retained. Indices bind the original document array. Entire original JSON is stored and returned only after settlement.", "errors": [ { "code": null, "condition": "Champ obligatoire, représentation ou valeur invalide", "http_status": 400, "recovery": "Corrigez le champ indiqué dans la requête.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "cancel": null, "idempotency_header": null, "job_retrieve": null, "mode": "synchronous", "streaming": false, "unknown": "Conservez l’opération d’origine et la réponse complète ou partielle ; ne répétez pas le POST." }, "material_combinations": [ { "accepted": [ "string documents", "objects with text; image only for separately exact-supported multimodal model" ], "mode": "text_rerank", "required": [ "query", "documents array with minItems1" ] } ], "operation_modes": [ "rerank" ], "outputs": { "all_results": "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.", "family": "rerank", "fields": [ { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "id", "type": "string" }, { "description": null, "name": "provider", "type": "string" }, { "description": null, "name": "results[].index", "type": "integer" }, { "description": null, "name": "results[].relevance_score", "type": "number" }, { "description": null, "name": "results[].document.text", "type": "string" }, { "description": null, "name": "results[].document.image", "type": "string" }, { "description": null, "name": "usage.search_units", "type": "integer" }, { "description": null, "name": "usage.total_tokens", "type": "integer" }, { "description": null, "name": "usage.cost", "type": "number" } ], "format": "json", "schema": { "description": "Rerank response containing ranked results", "example": { "id": "gen-rerank-1234567890-abc", "model": "cohere/rerank-v3.5", "results": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "usage": { "search_units": 1, "total_tokens": 150 } }, "properties": { "id": { "description": "Unique identifier for the rerank response (ORID format)", "example": "gen-rerank-1234567890-abc", "type": "string" }, "model": { "description": "The model used for reranking", "example": "cohere/rerank-v3.5", "type": "string" }, "provider": { "description": "The provider that served the rerank request", "example": "Cohere", "type": "string" }, "results": { "description": "List of rerank results sorted by relevance", "example": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "items": { "description": "A single rerank result", "example": { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 }, "properties": { "document": { "description": "The document object echoing the original input (text and/or image)", "properties": { "image": { "description": "The image (URL or data URI) from the original document", "example": "https://example.com/image.png", "type": "string" }, "text": { "description": "The document text", "example": "Paris is the capital of France.", "type": "string" } }, "type": "object" }, "index": { "description": "Index of the document in the original input list", "example": 0, "type": "integer" }, "relevance_score": { "description": "Relevance score of the document to the query", "example": 0.98, "format": "double", "type": "number" } }, "required": [ "index", "relevance_score", "document" ], "type": "object" }, "type": "array" }, "usage": { "description": "Usage statistics", "example": { "search_units": 1, "total_tokens": 150 }, "properties": { "cost": { "description": "Cost of the request in credits", "example": 0.001, "format": "double", "type": "number" }, "search_units": { "description": "Number of search units consumed (Cohere billing)", "example": 1, "type": "integer" }, "total_tokens": { "description": "Total number of tokens used", "example": 150, "type": "integer" } }, "type": "object" } }, "required": [ "model", "results" ], "type": "object" } }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "description": "The list of documents to rerank. Documents may be plain strings, or structured objects with `text` and/or `image` for multimodal models.", "enum": null, "enum_known": false, "minItems": 1, "name": "documents", "required": true, "type": "array" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "voyageai/rerank-3-lite" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "schema" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "The search query to rerank documents against", "enum": null, "enum_known": false, "name": "query", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "A unique identifier for grouping related requests (e.g., a conversation or agent workflow). Used for observability grouping in Broadcast and private logging; never sent to the provider. If provided in both the request body and the x-session-id header, the body value takes precedence. Maximum of 256 characters.", "enum": null, "enum_known": false, "maxLength": 256, "name": "session_id", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "Number of most relevant documents to return", "enum": null, "enum_known": false, "minimum": 1, "name": "top_n", "required": false, "type": "integer" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "schema" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "A unique identifier representing your end-user. Forwarded to Broadcast and private logging as the end-user id; never sent to the provider.", "enum": null, "enum_known": false, "maxLength": 256, "name": "user", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "documents[].text", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "Official family image carrier is remote http/https URL or data:image URI; only for exact multimodal-model bindings.", "enum": null, "enum_known": false, "name": "documents[].image", "required": false, "type": "string" } ], "unsupported": [ "stream=true" ] }, "hints": [ "Envoyez l’identifiant exact du modèle et conservez la réponse native complète." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "multimodal_input_binding": null, "optional_controls": [ "provider", "session_id", "top_n", "trace", "user" ], "required": [ "model", "query", "documents" ] }, "lifecycle": { "cancel": null, "idempotency_header": null, "job_retrieve": null, "mode": "synchronous", "streaming": false, "unknown": "Preserve original operation and full/partial reply; do not replay POST." }, "manufacturer_capability": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "rerank" ] }, "method": { "http": "POST", "path": "/v1/rerank" }, "method_aliases": [], "operation_modes": [ "rerank" ], "output": { "all_results": "Every actual result index, finite relevance_score and original document object is retained. Indices bind the original document array. Entire original JSON is stored and returned only after settlement.", "family": "rerank", "fields": [ { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "id", "type": "string" }, { "description": null, "name": "provider", "type": "string" }, { "description": null, "name": "results[].index", "type": "integer" }, { "description": null, "name": "results[].relevance_score", "type": "number" }, { "description": null, "name": "results[].document.text", "type": "string" }, { "description": null, "name": "results[].document.image", "type": "string" }, { "description": null, "name": "usage.search_units", "type": "integer" }, { "description": null, "name": "usage.total_tokens", "type": "integer" }, { "description": null, "name": "usage.cost", "type": "number" } ], "format": "json", "schema": { "description": "Rerank response containing ranked results", "example": { "id": "gen-rerank-1234567890-abc", "model": "cohere/rerank-v3.5", "results": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "usage": { "search_units": 1, "total_tokens": 150 } }, "properties": { "id": { "description": "Unique identifier for the rerank response (ORID format)", "example": "gen-rerank-1234567890-abc", "type": "string" }, "model": { "description": "The model used for reranking", "example": "cohere/rerank-v3.5", "type": "string" }, "provider": { "description": "The provider that served the rerank request", "example": "Cohere", "type": "string" }, "results": { "description": "List of rerank results sorted by relevance", "example": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "items": { "description": "A single rerank result", "example": { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 }, "properties": { "document": { "description": "The document object echoing the original input (text and/or image)", "properties": { "image": { "description": "The image (URL or data URI) from the original document", "example": "https://example.com/image.png", "type": "string" }, "text": { "description": "The document text", "example": "Paris is the capital of France.", "type": "string" } }, "type": "object" }, "index": { "description": "Index of the document in the original input list", "example": 0, "type": "integer" }, "relevance_score": { "description": "Relevance score of the document to the query", "example": 0.98, "format": "double", "type": "number" } }, "required": [ "index", "relevance_score", "document" ], "type": "object" }, "type": "array" }, "usage": { "description": "Usage statistics", "example": { "search_units": 1, "total_tokens": 150 }, "properties": { "cost": { "description": "Cost of the request in credits", "example": 0.001, "format": "double", "type": "number" }, "search_units": { "description": "Number of search units consumed (Cohere billing)", "example": 1, "type": "integer" }, "total_tokens": { "description": "Total number of tokens used", "example": 150, "type": "integer" } }, "type": "object" } }, "required": [ "model", "results" ], "type": "object" } }, "schema": { "request": { "description": "Rerank request input", "example": { "documents": [ "Paris is the capital of France.", "Berlin is the capital of Germany." ], "model": "cohere/rerank-v3.5", "query": "What is the capital of France?", "top_n": 3 }, "properties": { "documents": { "description": "The list of documents to rerank. Documents may be plain strings, or structured objects with `text` and/or `image` for multimodal models.", "example": [ "Paris is the capital of France.", "Berlin is the capital of Germany." ], "items": { "anyOf": [ { "type": "string" }, { "description": "A structured document with optional text and/or image content. At least one of `text` or `image` must be provided.", "properties": { "image": { "description": "An image associated with the document, as a remote URL (http/https) or a base64-encoded data URI (data:image/...).", "example": "https://upload.wikimedia.org/wikipedia/commons/thumb/8/8b/Phytogenic.png", "type": "string" }, "text": { "description": "The document text", "example": "AI enables robots to perceive, plan, and act autonomously.", "type": "string" } }, "type": "object" } ], "description": "A document to rerank. Either a plain string, or a structured object with optional `text` and/or `image`." }, "minItems": 1, "type": "array" }, "model": { "enum": [ "voyageai/rerank-3-lite" ], "type": "string" }, "provider": { "allOf": [ { "$ref": "#/components/schemas/ProviderPreferences" }, { "description": "Provider routing preferences for the request." } ] }, "query": { "description": "The search query to rerank documents against", "example": "What is the capital of France?", "type": "string" }, "session_id": { "description": "A unique identifier for grouping related requests (e.g., a conversation or agent workflow). Used for observability grouping in Broadcast and private logging; never sent to the provider. If provided in both the request body and the x-session-id header, the body value takes precedence. Maximum of 256 characters.", "example": "session-1234", "maxLength": 256, "type": "string" }, "top_n": { "description": "Number of most relevant documents to return", "example": 3, "minimum": 1, "type": "integer" }, "trace": { "$ref": "#/components/schemas/TraceConfig" }, "user": { "description": "A unique identifier representing your end-user. Forwarded to Broadcast and private logging as the end-user id; never sent to the provider.", "example": "user-1234", "maxLength": 256, "type": "string" } }, "required": [ "model", "query", "documents" ], "type": "object" }, "response": { "description": "Rerank response containing ranked results", "example": { "id": "gen-rerank-1234567890-abc", "model": "cohere/rerank-v3.5", "results": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "usage": { "search_units": 1, "total_tokens": 150 } }, "properties": { "id": { "description": "Unique identifier for the rerank response (ORID format)", "example": "gen-rerank-1234567890-abc", "type": "string" }, "model": { "description": "The model used for reranking", "example": "cohere/rerank-v3.5", "type": "string" }, "provider": { "description": "The provider that served the rerank request", "example": "Cohere", "type": "string" }, "results": { "description": "List of rerank results sorted by relevance", "example": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "items": { "description": "A single rerank result", "example": { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 }, "properties": { "document": { "description": "The document object echoing the original input (text and/or image)", "properties": { "image": { "description": "The image (URL or data URI) from the original document", "example": "https://example.com/image.png", "type": "string" }, "text": { "description": "The document text", "example": "Paris is the capital of France.", "type": "string" } }, "type": "object" }, "index": { "description": "Index of the document in the original input list", "example": 0, "type": "integer" }, "relevance_score": { "description": "Relevance score of the document to the query", "example": 0.98, "format": "double", "type": "number" } }, "required": [ "index", "relevance_score", "document" ], "type": "object" }, "type": "array" }, "usage": { "description": "Usage statistics", "example": { "search_units": 1, "total_tokens": 150 }, "properties": { "cost": { "description": "Cost of the request in credits", "example": 0.001, "format": "double", "type": "number" }, "search_units": { "description": "Number of search units consumed (Cohere billing)", "example": 1, "type": "integer" }, "total_tokens": { "description": "Total number of tokens used", "example": 150, "type": "integer" } }, "type": "object" } }, "required": [ "model", "results" ], "type": "object" } } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "native_endpoint": "rerank", "quoted_unit": "/ 1K tokens" }, "label": "Ultra", "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.00000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" } ] } ], "examples": [ { "code": "{\n \"documents\": [\n \"Paris is the capital of France.\",\n \"Berlin is the capital of Germany.\"\n ],\n \"model\": \"voyageai/rerank-3-lite\",\n \"query\": \"What is the capital of France?\",\n \"top_n\": 3\n}", "label": "Retained official request structure; documentary example", "language": "json" }, { "code": "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']='voyageai/rerank-3-lite'\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\n", "label": "Use your actual request material and retain the complete result", "language": "bash", "material_policy": "Use real owner-supplied state/questions or query/documents. No invented file ID, document, image URL, job ID or returned result." } ], "family": "rerank", "fast_multiplier": null, "flex_multiplier": null, "fmt": "rerank", "http": "POST", "in": null, "input": [ "text" ], "label": "Reclassement", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "native_endpoint": "rerank", "out": null, "output": [ "rerank" ], "path": "/v1/rerank", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "image_input_price": null, "image_output_price": null, "per_request_price": null, "unit_prices": { "input_token": 4e-08 } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "native_endpoint": "rerank", "quoted_unit": "/ 1K tokens" }, "label": "Ultra", "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.00000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" } ] } ], "request_model_id": "voyageai/rerank-3-lite", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.00000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" } ] } } ], "model_id": "voyageai/rerank-3-lite", "nativeProvenance": { "input_facts_canonical_sha256": "fa2fae696f4ff3c2464ef20638d6af16a7cbddaee85a0f83655ba48592d556cb", "input_html_sha256": "effcc034c50b146ab32cd5d6b67bb2eed22113ea427ec0cd69d9d2b95023c936", "private_audit_sha256": "1716f4726d7d79a35b21524a4a7842dcf363d97b636f49164c3442ce4b5de362", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/fr-ch/voyageai-rerank-3-lite/", "description": "Voyage rerank-3-lite attribue des scores aux documents textuels candidats et les réordonne pour une requête, avec un accent sur la réactivité de la recherche. Il prend en charge les consignes de pertinence et une fenêtre requête-document de 32 000 tokens, utile après une récupération vectorielle ou par mots-clés dans les processus de recherche et de RAG.", "locale": "fr-ch", "md_url": "https://ailoot.ai/models/fr-ch/voyageai-rerank-3-lite/index.md", "title": "VoyageAI by MongoDB: rerank-3-lite — Ailoot", "url": "https://ailoot.ai/models/fr-ch/voyageai-rerank-3-lite/" }, "rawModel": { "about": "Voyage rerank-3-lite est l’édition de la série Rerank 3 de Voyage centrée sur la latence. Il reçoit une requête textuelle et des documents candidats, évalue conjointement chaque paire requête-document et retourne des scores de pertinence dans l’ordre du classement. Il intervient au deuxième stade de la recherche : un moteur de récupération par embeddings ou par mots-clés trouve les candidats, puis Lite affine leur ordre. Le résultat est un classement utilisable dans la recherche ou dans un processus de génération augmentée par récupération.\n\nLes changements de Rerank 3 Lite\nLe producteur met l’accent sur une meilleure récupération dans les documents longs et le code par rapport à rerank-2.5-lite. Les deux éditions Rerank 3 conservent le suivi d’instructions et la même classe de contexte de 32K, tandis que Lite est conçu pour les applications sensibles à la latence. C’est donc un candidat pratique pour la recherche interactive dans une base de connaissances, la récupération de documents d’assistance et la recherche de code lorsque les utilisateurs ont besoin rapidement de résultats pertinents. Choisissez-le selon les exigences de qualité et de temps de réponse de la collection réelle, sans supposer qu’une édition plus petite implique une fenêtre de contexte plus petite.\n\nGuider la pertinence avec la requête\nDes consignes en langage naturel peuvent accompagner la requête pour expliquer ce qui est pertinent. Gardez la question et la préférence de pertinence concises et cohérentes. Pour une recherche d’assistance logicielle, utilisez « Trouvez la procédure de réinitialisation d’un appareil ; privilégiez les instructions pour la révision matérielle indiquée. » Pour un nom de produit ambigu, incluez la catégorie de produit afin que des sens sans rapport ne dominent pas. Une préférence dans la requête guide le score sémantique ; utilisez des métadonnées explicites de la collection pour sélectionner le bon produit, la bonne version de document ou le bon périmètre d’accès avant de construire la liste des candidats.\n\nPréparer une présélection de textes candidats\nLes documents d’entrée sont des chaînes de caractères. Extrayez le texte lisible du contenu source et conservez les titres, les en-têtes, les identifiants et le contexte environnant utiles. Gardez une correspondance stable entre chaque position d’entrée et l’enregistrement d’origine. Pour un article de dépannage, incluez le symptôme et la procédure pertinente, plutôt qu’une simple phrase isolée. Pour la recherche dans du code source, incluez la fonction et les informations proches nécessaires pour la distinguer de fonctions aux noms similaires. Supprimez la navigation répétitive ou le contenu standard lorsqu’ils prennent la place du passage utile.\n\nLe modèle de reclassement ne peut réordonner que les documents qu’il reçoit. Si la recherche initiale ne récupère jamais l’article pertinent, cette étape ne peut pas retrouver ce candidat manquant. Examinez à la fois la présélection et le classement final lorsqu’un résultat semble erroné. Lorsqu’un long document couvre de nombreux sujets, séparez des sections cohérentes et conservez leurs références au document parent pour pouvoir sélectionner une section pertinente sans perdre sa source.\n\nContexte et limites de requête\nLe guide actuel du fabricant indique un maximum de 8 000 tokens pour la requête et un maximum combiné de 32 000 tokens pour la requête et chaque document individuel. Il autorise jusqu’à 1 000 documents candidats et un budget total de requête de 600 000 tokens, calculé comme le nombre de tokens de la requête multiplié par le nombre de documents, plus tous les tokens des documents. Une longue requête consomme donc de l’espace dans chaque paire et contribue plusieurs fois au budget global. Comptez le texte envoyé avec le tokenizer approprié du modèle au lieu de considérer les caractères, les mots et les tokens comme interchangeables.\n\nPar exemple, une requête de 500 tokens avec 100 documents de 4 000 tokens chacun représente 450 000 tokens d’entrée selon cette formule. Cela illustre la budgétisation, et non une taille de présélection recommandée ou un résultat de vitesse mesuré. L’option de troncature documentée est activée par défaut ; un texte trop long peut être raccourci avant l’attribution des scores. Préparez délibérément les sections importantes pour que la troncature ne supprime pas précisément le passage à retrouver.\n\nLire et utiliser le résultat\nLes résultats sont triés du score de pertinence le plus élevé au plus faible. Chaque résultat identifie la position d’entrée d’origine du document, ce qui permet à l’application de joindre son titre, son identifiant d’enregistrement et sa source. Le réglage top_k contrôle le nombre de candidats classés retournés ; sans lui, tous les candidats sont retournés. L’interface REST du fabricant peut aussi retourner le texte du document. Conservez les identifiants d’origine avec les résultats sélectionnés lors de l’affichage d’une page de recherche ou de la transmission d’éléments probants à une étape de génération de réponse.\n\nUn score de pertinence exprime à quel point un candidat correspond à la requête ; il n’établit pas que les affirmations du candidat sont correctes. Comparez les éléments les mieux classés à la question réelle de l’utilisateur, y compris les exclusions et les différences de version des documents. Si tous les candidats sont non pertinents, il existe tout de même un élément classé premier. Définissez comment votre application traite ce cas à l’aide de requêtes représentatives de la collection.\n\nMettre à niveau et choisir l’édition\nLe fabricant décrit rerank-3-lite comme une mise à niveau de rerank-2.5-lite avec une sémantique API inchangée et des scores calibrés sur la distribution du prédécesseur correspondant. Préservez la correspondance existante des enregistrements et l’étape de récupération, puis comparez l’ordre obtenu sur des requêtes significatives avant de vous fier à un seuil de score établi. Utilisez Lite pour une expérience de recherche où le temps de réponse compte ; utilisez l’édition rerank-3 centrée sur la qualité comme point de comparaison lorsque la pertinence des candidats difficiles est la priorité principale.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/rerank-3-lite", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "rerank" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.00000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" } ], "summary": "La tarification complète de la configuration figure dans les détails." } ], "ctx": null, "entity_type": "model", "formats": [ "rerank" ], "id": "voyageai/rerank-3-lite", "input": [ "text" ], "kind": "rerank", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Every actual result index, finite relevance_score and original document object is retained. Indices bind the original document array. Entire original JSON is stored and returned only after settlement.", "errors": [ { "code": null, "condition": "Champ obligatoire, représentation ou valeur invalide", "http_status": 400, "recovery": "Corrigez le champ indiqué dans la requête.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "cancel": null, "idempotency_header": null, "job_retrieve": null, "mode": "synchronous", "streaming": false, "unknown": "Conservez l’opération d’origine et la réponse complète ou partielle ; ne répétez pas le POST." }, "material_combinations": [ { "accepted": [ "string documents", "objects with text; image only for separately exact-supported multimodal model" ], "mode": "text_rerank", "required": [ "query", "documents array with minItems1" ] } ], "operation_modes": [ "rerank" ], "outputs": { "all_results": "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.", "family": "rerank", "fields": [ { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "id", "type": "string" }, { "description": null, "name": "provider", "type": "string" }, { "description": null, "name": "results[].index", "type": "integer" }, { "description": null, "name": "results[].relevance_score", "type": "number" }, { "description": null, "name": "results[].document.text", "type": "string" }, { "description": null, "name": "results[].document.image", "type": "string" }, { "description": null, "name": "usage.search_units", "type": "integer" }, { "description": null, "name": "usage.total_tokens", "type": "integer" }, { "description": null, "name": "usage.cost", "type": "number" } ], "format": "json", "schema": { "description": "Rerank response containing ranked results", "example": { "id": "gen-rerank-1234567890-abc", "model": "cohere/rerank-v3.5", "results": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "usage": { "search_units": 1, "total_tokens": 150 } }, "properties": { "id": { "description": "Unique identifier for the rerank response (ORID format)", "example": "gen-rerank-1234567890-abc", "type": "string" }, "model": { "description": "The model used for reranking", "example": "cohere/rerank-v3.5", "type": "string" }, "provider": { "description": "The provider that served the rerank request", "example": "Cohere", "type": "string" }, "results": { "description": "List of rerank results sorted by relevance", "example": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "items": { "description": "A single rerank result", "example": { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 }, "properties": { "document": { "description": "The document object echoing the original input (text and/or image)", "properties": { "image": { "description": "The image (URL or data URI) from the original document", "example": "https://example.com/image.png", "type": "string" }, "text": { "description": "The document text", "example": "Paris is the capital of France.", "type": "string" } }, "type": "object" }, "index": { "description": "Index of the document in the original input list", "example": 0, "type": "integer" }, "relevance_score": { "description": "Relevance score of the document to the query", "example": 0.98, "format": "double", "type": "number" } }, "required": [ "index", "relevance_score", "document" ], "type": "object" }, "type": "array" }, "usage": { "description": "Usage statistics", "example": { "search_units": 1, "total_tokens": 150 }, "properties": { "cost": { "description": "Cost of the request in credits", "example": 0.001, "format": "double", "type": "number" }, "search_units": { "description": "Number of search units consumed (Cohere billing)", "example": 1, "type": "integer" }, "total_tokens": { "description": "Total number of tokens used", "example": 150, "type": "integer" } }, "type": "object" } }, "required": [ "model", "results" ], "type": "object" } }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "description": "The list of documents to rerank. Documents may be plain strings, or structured objects with `text` and/or `image` for multimodal models.", "enum": null, "enum_known": false, "minItems": 1, "name": "documents", "required": true, "type": "array" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "voyageai/rerank-3-lite" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "schema" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "The search query to rerank documents against", "enum": null, "enum_known": false, "name": "query", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "A unique identifier for grouping related requests (e.g., a conversation or agent workflow). Used for observability grouping in Broadcast and private logging; never sent to the provider. If provided in both the request body and the x-session-id header, the body value takes precedence. Maximum of 256 characters.", "enum": null, "enum_known": false, "maxLength": 256, "name": "session_id", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "Number of most relevant documents to return", "enum": null, "enum_known": false, "minimum": 1, "name": "top_n", "required": false, "type": "integer" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "schema" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "A unique identifier representing your end-user. Forwarded to Broadcast and private logging as the end-user id; never sent to the provider.", "enum": null, "enum_known": false, "maxLength": 256, "name": "user", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "documents[].text", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "Official family image carrier is remote http/https URL or data:image URI; only for exact multimodal-model bindings.", "enum": null, "enum_known": false, "name": "documents[].image", "required": false, "type": "string" } ], "unsupported": [ "stream=true" ] }, "hints": [ "Envoyez l’identifiant exact du modèle et conservez la réponse native complète." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "multimodal_input_binding": null, "optional_controls": [ "provider", "session_id", "top_n", "trace", "user" ], "required": [ "model", "query", "documents" ] }, "lifecycle": { "cancel": null, "idempotency_header": null, "job_retrieve": null, "mode": "synchronous", "streaming": false, "unknown": "Preserve original operation and full/partial reply; do not replay POST." }, "manufacturer_capability": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "rerank" ] }, "method": { "http": "POST", "path": "/v1/rerank" }, "method_aliases": [], "operation_modes": [ "rerank" ], "output": { "all_results": "Every actual result index, finite relevance_score and original document object is retained. Indices bind the original document array. Entire original JSON is stored and returned only after settlement.", "family": "rerank", "fields": [ { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "id", "type": "string" }, { "description": null, "name": "provider", "type": "string" }, { "description": null, "name": "results[].index", "type": "integer" }, { "description": null, "name": "results[].relevance_score", "type": "number" }, { "description": null, "name": "results[].document.text", "type": "string" }, { "description": null, "name": "results[].document.image", "type": "string" }, { "description": null, "name": "usage.search_units", "type": "integer" }, { "description": null, "name": "usage.total_tokens", "type": "integer" }, { "description": null, "name": "usage.cost", "type": "number" } ], "format": "json", "schema": { "description": "Rerank response containing ranked results", "example": { "id": "gen-rerank-1234567890-abc", "model": "cohere/rerank-v3.5", "results": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "usage": { "search_units": 1, "total_tokens": 150 } }, "properties": { "id": { "description": "Unique identifier for the rerank response (ORID format)", "example": "gen-rerank-1234567890-abc", "type": "string" }, "model": { "description": "The model used for reranking", "example": "cohere/rerank-v3.5", "type": "string" }, "provider": { "description": "The provider that served the rerank request", "example": "Cohere", "type": "string" }, "results": { "description": "List of rerank results sorted by relevance", "example": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "items": { "description": "A single rerank result", "example": { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 }, "properties": { "document": { "description": "The document object echoing the original input (text and/or image)", "properties": { "image": { "description": "The image (URL or data URI) from the original document", "example": "https://example.com/image.png", "type": "string" }, "text": { "description": "The document text", "example": "Paris is the capital of France.", "type": "string" } }, "type": "object" }, "index": { "description": "Index of the document in the original input list", "example": 0, "type": "integer" }, "relevance_score": { "description": "Relevance score of the document to the query", "example": 0.98, "format": "double", "type": "number" } }, "required": [ "index", "relevance_score", "document" ], "type": "object" }, "type": "array" }, "usage": { "description": "Usage statistics", "example": { "search_units": 1, "total_tokens": 150 }, "properties": { "cost": { "description": "Cost of the request in credits", "example": 0.001, "format": "double", "type": "number" }, "search_units": { "description": "Number of search units consumed (Cohere billing)", "example": 1, "type": "integer" }, "total_tokens": { "description": "Total number of tokens used", "example": 150, "type": "integer" } }, "type": "object" } }, "required": [ "model", "results" ], "type": "object" } }, "schema": { "request": { "description": "Rerank request input", "example": { "documents": [ "Paris is the capital of France.", "Berlin is the capital of Germany." ], "model": "cohere/rerank-v3.5", "query": "What is the capital of France?", "top_n": 3 }, "properties": { "documents": { "description": "The list of documents to rerank. Documents may be plain strings, or structured objects with `text` and/or `image` for multimodal models.", "example": [ "Paris is the capital of France.", "Berlin is the capital of Germany." ], "items": { "anyOf": [ { "type": "string" }, { "description": "A structured document with optional text and/or image content. At least one of `text` or `image` must be provided.", "properties": { "image": { "description": "An image associated with the document, as a remote URL (http/https) or a base64-encoded data URI (data:image/...).", "example": "https://upload.wikimedia.org/wikipedia/commons/thumb/8/8b/Phytogenic.png", "type": "string" }, "text": { "description": "The document text", "example": "AI enables robots to perceive, plan, and act autonomously.", "type": "string" } }, "type": "object" } ], "description": "A document to rerank. Either a plain string, or a structured object with optional `text` and/or `image`." }, "minItems": 1, "type": "array" }, "model": { "enum": [ "voyageai/rerank-3-lite" ], "type": "string" }, "provider": { "allOf": [ { "$ref": "#/components/schemas/ProviderPreferences" }, { "description": "Provider routing preferences for the request." } ] }, "query": { "description": "The search query to rerank documents against", "example": "What is the capital of France?", "type": "string" }, "session_id": { "description": "A unique identifier for grouping related requests (e.g., a conversation or agent workflow). Used for observability grouping in Broadcast and private logging; never sent to the provider. If provided in both the request body and the x-session-id header, the body value takes precedence. Maximum of 256 characters.", "example": "session-1234", "maxLength": 256, "type": "string" }, "top_n": { "description": "Number of most relevant documents to return", "example": 3, "minimum": 1, "type": "integer" }, "trace": { "$ref": "#/components/schemas/TraceConfig" }, "user": { "description": "A unique identifier representing your end-user. Forwarded to Broadcast and private logging as the end-user id; never sent to the provider.", "example": "user-1234", "maxLength": 256, "type": "string" } }, "required": [ "model", "query", "documents" ], "type": "object" }, "response": { "description": "Rerank response containing ranked results", "example": { "id": "gen-rerank-1234567890-abc", "model": "cohere/rerank-v3.5", "results": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "usage": { "search_units": 1, "total_tokens": 150 } }, "properties": { "id": { "description": "Unique identifier for the rerank response (ORID format)", "example": "gen-rerank-1234567890-abc", "type": "string" }, "model": { "description": "The model used for reranking", "example": "cohere/rerank-v3.5", "type": "string" }, "provider": { "description": "The provider that served the rerank request", "example": "Cohere", "type": "string" }, "results": { "description": "List of rerank results sorted by relevance", "example": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "items": { "description": "A single rerank result", "example": { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 }, "properties": { "document": { "description": "The document object echoing the original input (text and/or image)", "properties": { "image": { "description": "The image (URL or data URI) from the original document", "example": "https://example.com/image.png", "type": "string" }, "text": { "description": "The document text", "example": "Paris is the capital of France.", "type": "string" } }, "type": "object" }, "index": { "description": "Index of the document in the original input list", "example": 0, "type": "integer" }, "relevance_score": { "description": "Relevance score of the document to the query", "example": 0.98, "format": "double", "type": "number" } }, "required": [ "index", "relevance_score", "document" ], "type": "object" }, "type": "array" }, "usage": { "description": "Usage statistics", "example": { "search_units": 1, "total_tokens": 150 }, "properties": { "cost": { "description": "Cost of the request in credits", "example": 0.001, "format": "double", "type": "number" }, "search_units": { "description": "Number of search units consumed (Cohere billing)", "example": 1, "type": "integer" }, "total_tokens": { "description": "Total number of tokens used", "example": 150, "type": "integer" } }, "type": "object" } }, "required": [ "model", "results" ], "type": "object" } } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "native_endpoint": "rerank", "quoted_unit": "/ 1K tokens" }, "label": "Ultra", "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.00000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" } ] } ], "examples": [ { "code": "{\n \"documents\": [\n \"Paris is the capital of France.\",\n \"Berlin is the capital of Germany.\"\n ],\n \"model\": \"voyageai/rerank-3-lite\",\n \"query\": \"What is the capital of France?\",\n \"top_n\": 3\n}", "label": "Retained official request structure; documentary example", "language": "json" }, { "code": "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']='voyageai/rerank-3-lite'\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\n", "label": "Use your actual request material and retain the complete result", "language": "bash", "material_policy": "Use real owner-supplied state/questions or query/documents. No invented file ID, document, image URL, job ID or returned result." } ], "family": "rerank", "fast_multiplier": null, "flex_multiplier": null, "fmt": "rerank", "http": "POST", "in": null, "input": [ "text" ], "label": "Reclassement", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "native_endpoint": "rerank", "out": null, "output": [ "rerank" ], "path": "/v1/rerank", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "image_input_price": null, "image_output_price": null, "per_request_price": null, "unit_prices": { "input_token": 4e-08 } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "native_endpoint": "rerank", "quoted_unit": "/ 1K tokens" }, "label": "Ultra", "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.00000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" } ] } ], "request_model_id": "voyageai/rerank-3-lite", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.00000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" } ] } ], "model_aliases": [ { "canonical_model_id": "voyageai/rerank-3-lite", "request_model_id": "voyageai/rerank-3-lite", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: rerank-3-lite", "price": { "in": null, "in_label": null, "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": true }, "public_id": "voyageai/rerank-3-lite", "short": "Voyage rerank-3-lite attribue des scores aux documents textuels candidats et les réordonne pour une requête, avec un accent sur la réactivité de la recherche. Il prend en charge les consignes de pertinence et une fenêtre requête-document de 32 000 tokens, utile après une récupération vectorielle ou par mots-clés dans les processus de recherche et de RAG." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Voyage rerank-3-lite attribue des scores aux documents textuels candidats et les réordonne pour une requête, avec un accent sur la réactivité de la recherche. Il prend en charge les consignes de pertinence et une fenêtre requête-document de 32 000 tokens, utile après une récupération vectorielle ou par mots-clés dans les processus de recherche et de RAG.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "d254761530fcb70be8c36850e5ff98638c83948ba63c760c970bdd00f8f989da", "renderer_sha256": "4d2f3bfcbf0fa5c616c87aa9524d00d7cff227d8dfa2446ff47c8e0220325dc9" }, "sourceRevision": "fab4c780c174d3bf3deebf6eabdb8317492fd8352f83d74d179f6586f1f43335" }