Cohere Rerank 4 Pro est le modèle de la famille Rerank 4 de Cohere qui privilégie la qualité. Il évalue les documents candidats par rapport à une requête et renvoie leur classement et leurs scores de pertinence. Le modèle vise les tâches de recherche complexes, notamment les documents multilingues et les informations semi-structurées. Il s’intègre à une recherche ou à un processus augmenté par la recherche après qu’un système existant a recueilli les candidats : son résultat aide à choisir les passages à afficher ou à fournir comme éléments justificatifs 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 se positionne sur les cas complexes où la qualité de la recherche est prioritaire, tandis que Fast vise une latence plus faible et un débit plus élevé. Les deux éditions de Rerank 4 utilisent un contexte de 32 768 tokens. La requête et un document candidat partagent ce budget ; il ne s’agit ni d’une fenêtre complète distincte pour chaque champ d’entrée, ni d’une limite applicable à l’ensemble du corpus de recherche stocké.
Fournissez une requête claire et la liste des chaînes de texte candidates. Chaque résultat renvoyé comprend l’index du document original et un score de pertinence ; top_n permet de choisir combien de résultats classés sont renvoyés, et sans ce paramètre, le producteur les renvoie tous. Conservez un identifiant de source à côté de chaque entrée pour relier le classement au passage exact. Pour une question d’assistance, indiquez les conditions recherchées et fournissez les sections candidates de la politique, plutôt que d’attendre du modèle de reclassement qu’il trouve des politiques absentes de la liste.
Le modèle prend en charge plus de 100 langues et peut reclasser du contenu anglais ou dans d’autres langues. 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 de documents V2. Ordonnez délibérément les champs significatifs, comme le titre et le contenu, car la troncature peut supprimer les derniers champs. Cette préparation est utile pour les fiches produit, les messages et les métadonnées documentaires comme pour 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 plus longs par segments qui partagent le contexte de 32 768 tokens avec la requête et les tokens réservés. La référence V2 actuelle définit séparément max_tokens_per_doc à 4096 par défaut et indique que les chaînes documentaires plus longues sont tronquées à cette valeur. Considérez la fenêtre du modèle et la troncature documentaire de la requête du producteur comme deux réglages distincts. Préparez des passages concis et pertinents ou choisissez un budget documentaire adapté, au lieu de supposer que toute longue source est toujours lue intégralement.
Pour les performances recommandées des requêtes, Cohere déconseille d’envoyer plus de 1 000 documents à la fois. Conservez les identifiants des candidats lorsque vous divisez une liste plus grande en groupes gérables. 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 le classement comme résultat principal de la recherche. Si vous filtrez selon un seuil de score, établissez-le avec des requêtes représentatives et des passages à la limite de la pertinence issus du domaine réel, sans supposer un seuil universel.
Un livrable final utile est une liste de candidats classés avec leurs identifiants de source et leurs scores, prête pour un résultat de recherche ou une sélection d’éléments justificatifs. Un document ayant un score de pertinence élevé peut tout de même contenir des informations obsolètes ou incorrectes ; conservez donc sa source et son contenu pour l’étape qui l’utilise. Pro sert à juger la pertinence, non à rédiger une réponse libre ni à générer des embeddings. Conservez l’édition Pro exacte associée au résultat lorsque vous comparez ou affinez un processus de recherche.
", "aboutText": "Cohere Rerank 4 Pro est le modèle de la famille Rerank 4 de Cohere qui privilégie la qualité. Il évalue les documents candidats par rapport à une requête et renvoie leur classement et leurs scores de pertinence. Le modèle vise les tâches de recherche complexes, notamment les documents multilingues et les informations semi-structurées. Il s’intègre à une recherche ou à un processus augmenté par la recherche après qu’un système existant a recueilli les candidats : son résultat aide à choisir les passages à afficher ou à fournir comme éléments justificatifs 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 se positionne sur les cas complexes où la qualité de la recherche est prioritaire, tandis que Fast vise une latence plus faible et un débit plus élevé. Les deux éditions de Rerank 4 utilisent un contexte de 32 768 tokens. La requête et un document candidat partagent ce budget ; il ne s’agit ni d’une fenêtre complète distincte pour chaque champ d’entrée, ni d’une limite applicable à l’ensemble du corpus de recherche stocké.\n\nFournissez une requête claire et la liste des chaînes de texte candidates. Chaque résultat renvoyé comprend l’index du document original et un score de pertinence ; top_n permet de choisir combien de résultats classés sont renvoyés, et sans ce paramètre, le producteur les renvoie tous. Conservez un identifiant de source à côté de chaque entrée pour relier le classement au passage exact. Pour une question d’assistance, indiquez les conditions recherchées et fournissez les sections candidates de la politique, plutôt que d’attendre du modèle de reclassement qu’il trouve des politiques absentes de la liste.\n\nLe modèle prend en charge plus de 100 langues et peut reclasser du contenu anglais ou dans d’autres langues. 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 de documents V2. Ordonnez délibérément les champs significatifs, comme le titre et le contenu, car la troncature peut supprimer les derniers champs. Cette préparation est utile pour les fiches produit, les messages et les métadonnées documentaires comme pour 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 plus longs par segments qui partagent le contexte de 32 768 tokens avec la requête et les tokens réservés. La référence V2 actuelle définit séparément max_tokens_per_doc à 4096 par défaut et indique que les chaînes documentaires plus longues sont tronquées à cette valeur. Considérez la fenêtre du modèle et la troncature documentaire de la requête du producteur comme deux réglages distincts. Préparez des passages concis et pertinents ou choisissez un budget documentaire adapté, au lieu de supposer que toute longue source est toujours lue intégralement.\n\nPour les performances recommandées des requêtes, Cohere déconseille d’envoyer plus de 1 000 documents à la fois. Conservez les identifiants des candidats lorsque vous divisez une liste plus grande en groupes gérables. 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 le classement comme résultat principal de la recherche. Si vous filtrez selon un seuil de score, établissez-le avec des requêtes représentatives et des passages à la limite de la pertinence issus du domaine réel, sans supposer un seuil universel.\n\nUn livrable final utile est une liste de candidats classés avec leurs identifiants de source et leurs scores, prête pour un résultat de recherche ou une sélection d’éléments justificatifs. Un document ayant un score de pertinence élevé peut tout de même contenir des informations obsolètes ou incorrectes ; conservez donc sa source et son contenu pour l’étape qui l’utilise. Pro sert à juger la pertinence, non à rédiger une réponse libre ni à générer des embeddings. Conservez l’édition Pro exacte associée au résultat lorsque vous comparez ou affinez un processus de recherche.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f863019c69883dc989a31d82aaa072e39bd6ce17db51fd5e5ddb1ef41dd1c7d3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "cohere/rerank-4-proCohere Rerank 4 Pro classe les documents candidats selon leur pertinence pour une requête, pour les recherches et les processus augmentés par la recherche. Cette édition de 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 qui privilégie la qualité. Il évalue les documents candidats par rapport à une requête et renvoie leur classement et leurs scores de pertinence. Le modèle vise les tâches de recherche complexes, notamment les documents multilingues et les informations semi-structurées. Il s’intègre à une recherche ou à un processus augmenté par la recherche après qu’un système existant a recueilli les candidats : son résultat aide à choisir les passages à afficher ou à fournir comme éléments justificatifs 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 se positionne sur les cas complexes où la qualité de la recherche est prioritaire, tandis que Fast vise une latence plus faible et un débit plus élevé. Les deux éditions de Rerank 4 utilisent un contexte de 32 768 tokens. La requête et un document candidat partagent ce budget ; il ne s’agit ni d’une fenêtre complète distincte pour chaque champ d’entrée, ni d’une limite applicable à l’ensemble du corpus de recherche stocké.
Fournissez une requête claire et la liste des chaînes de texte candidates. Chaque résultat renvoyé comprend l’index du document original et un score de pertinence ; top_n permet de choisir combien de résultats classés sont renvoyés, et sans ce paramètre, le producteur les renvoie tous. Conservez un identifiant de source à côté de chaque entrée pour relier le classement au passage exact. Pour une question d’assistance, indiquez les conditions recherchées et fournissez les sections candidates de la politique, plutôt que d’attendre du modèle de reclassement qu’il trouve des politiques absentes de la liste.
Le modèle prend en charge plus de 100 langues et peut reclasser du contenu anglais ou dans d’autres langues. 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 de documents V2. Ordonnez délibérément les champs significatifs, comme le titre et le contenu, car la troncature peut supprimer les derniers champs. Cette préparation est utile pour les fiches produit, les messages et les métadonnées documentaires comme pour 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 plus longs par segments qui partagent le contexte de 32 768 tokens avec la requête et les tokens réservés. La référence V2 actuelle définit séparément max_tokens_per_doc à 4096 par défaut et indique que les chaînes documentaires plus longues sont tronquées à cette valeur. Considérez la fenêtre du modèle et la troncature documentaire de la requête du producteur comme deux réglages distincts. Préparez des passages concis et pertinents ou choisissez un budget documentaire adapté, au lieu de supposer que toute longue source est toujours lue intégralement.
Pour les performances recommandées des requêtes, Cohere déconseille d’envoyer plus de 1 000 documents à la fois. Conservez les identifiants des candidats lorsque vous divisez une liste plus grande en groupes gérables. 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 le classement comme résultat principal de la recherche. Si vous filtrez selon un seuil de score, établissez-le avec des requêtes représentatives et des passages à la limite de la pertinence issus du domaine réel, sans supposer un seuil universel.
Un livrable final utile est une liste de candidats classés avec leurs identifiants de source et leurs scores, prête pour un résultat de recherche ou une sélection d’éléments justificatifs. Un document ayant un score de pertinence élevé peut tout de même contenir des informations obsolètes ou incorrectes ; conservez donc sa source et son contenu pour l’étape qui l’utilise. Pro sert à juger la pertinence, non à rédiger une réponse libre ni à générer des embeddings. Conservez l’édition Pro exacte associée au résultat lorsque vous comparez ou affinez un processus de recherche.
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 par jeton | 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 index de résultat réel, chaque relevance_score fini et chaque objet de document d’origine sont conservés. Les index correspondent au tableau de documents d’origine. L’intégralité du JSON d’origine est enregistrée et renvoyée uniquement après le règlement.
Conservez l’opération d’origine et la réponse complète ou partielle ; ne rejouez 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 non valide | Étape suivanteCorrigez le champ de requête indiqué. |
Ailoot Ultra cohere/rerank-4-pro
Utilisez les chemins de méthode indiqués ci-dessus.