{ "aboutHtml": "

Voyage rerank-3 est un modèle de reclassement textuel conçu pour améliorer la qualité des éléments récupérés. À partir d’une requête et d’une liste de documents candidats, il examine conjointement chaque paire et renvoie les candidats classés par pertinence. Les embeddings et la recherche par mots-clés peuvent d’abord réduire une grande collection à une présélection gérable ; rerank-3 applique ensuite une évaluation plus détaillée de la pertinence à cette présélection. Sa sortie est constituée d’éléments de recherche notés qu’une application affiche ou transmet à une étape distincte de génération de réponse.

Rerank 3 axé sur la qualité Le fabricant positionne rerank-3 comme l’édition axée sur l’exactitude et rerank-3-lite comme l’édition destinée à la recherche sensible à la latence. La troisième génération actualise l’architecture de base et le mélange d’entraînement, avec des améliorations particulières dans la récupération de documents longs et de code source par rapport aux prédécesseurs 2.5 correspondants. Le fournisseur l’évalue sur la documentation technique, le code, les contenus multilingues et d’autres domaines documentaires. Ces résultats soutiennent son rôle de récupération ; sélectionnez l’édition selon les questions et documents candidats importants pour votre propre collection.

Documents longs avec suffisamment de contexte Un long candidat peut contenir du contexte utile bien au-delà de son premier paragraphe. Fournissez une section ou un document cohérent avec son titre et les éléments environnants pertinents, pour que le modèle puisse évaluer le lien entre la question réelle et le contenu. Pour une recherche de politique produit, conservez les titres et les exceptions autour du passage visé. Si plusieurs sections récupérées proviennent de la même source, conservez leurs identifiants de document et de section ; l’application peut alors montrer l’origine des éléments sélectionnés.

La fenêtre de contexte est partagée par la requête et chaque candidat. Le guide actuel du fabricant indique 32 000 tokens pour cette paire, dont une requête d’au plus 8 000 tokens. Une requête de 3 000 tokens laisse donc au maximum 29 000 tokens pour chaque document. Préparez l’entrée pour que son contenu essentiel tienne, notamment lorsqu’un long préambule ou du contenu passe-partout répété consommerait sinon la fenêtre. L’option documentée de troncature est activée par défaut et peut raccourcir le texte trop grand de la requête ou du document avant l’attribution des scores. Examinez ce qui est conservé lorsque l’emplacement des passages compte.

Récupération de code et de contenus techniques Pour l’étape de récupération d’un assistant de programmation, les candidats peuvent contenir des implémentations de fonctions, de la documentation API ou des explications techniques sous forme de texte. Incluez les symboles, les signatures et le contexte nécessaires pour distinguer des candidats similaires. Une requête comme « Trouvez la fonction qui normalise les chemins tout en conservant un séparateur final » donne un comportement concret à rechercher. Ajoutez les contraintes pertinentes de langage, de plateforme ou de version. Après le classement, examinez le code sélectionné et ses dépendances avant de l’utiliser comme contexte ; un score de pertinence ne prouve pas qu’une implémentation satisfait toutes les exigences énoncées.

Les consignes définissent la pertinence Le modèle conserve la capacité de reclassement guidé par consignes introduite dans Rerank 2.5. Ajoutez une consigne concise avant ou après la requête lorsque l’intention de l’utilisateur doit être clarifiée. Pour rechercher des documents de recherche, expliquez si l’accent porte sur le titre, une méthode particulière ou un domaine d’application. Pour un catalogue interne, précisez si la demande concerne l’installation, le dépannage ou la compatibilité. Gardez cette consigne alignée sur la question ; des préférences supplémentaires en conflit avec la demande principale peuvent modifier l’objectif du classement.

Préparer les documents candidats et les budgets L’entrée est une liste de chaînes textuelles. Extrayez du texte exploitable des documents sources, préservez les limites de sections utiles et gardez une correspondance ordonnée des dossiers avec la liste. Le fabricant autorise jusqu’à 1 000 documents par requête. Il indique aussi un plafond agrégé d’entrée de 600 000 tokens : tokens de la requête multipliés par le nombre de documents, plus la somme des tokens de tous les documents. Cela diffère de la limite de contexte par paire. Réduire le texte redondant de la requête peut préserver à la fois la capacité des paires et le budget global de la requête.

Comptez les tokens du modèle concerné plutôt que de supposer qu’un nombre de mots ou de caractères équivaut à un nombre de tokens. Pour les grands candidats, sélectionnez des passages cohérents ou divisez le contenu selon des titres utiles en conservant les informations sur la source parente. Le reclassement est surtout utile après qu’une première recherche a déjà fait apparaître des candidats plausibles : il ne peut pas classer une source manquante qui n’est jamais entrée dans la liste.

Résultats classés et utilisation en aval Le résultat contient les scores de pertinence et les indices renvoyant aux documents d’entrée originaux, triés par pertinence décroissante. L’option top_k limite le nombre de résultats classés renvoyés ; sinon, tous les candidats d’entrée sont renvoyés. L’interface REST du fabricant permet également d’inclure le texte du document. Utilisez chaque indice original pour retrouver le titre, l’identifiant de source et toutes les métadonnées nécessaires à l’application, puis présentez les éléments sélectionnés ou placez le texte pertinent dans le contexte probant d’une réponse.

Examinez les premiers résultats par rapport à la question et gardez l’identité des sources visible. Un rang relatif élevé ne vérifie pas l’exactitude factuelle d’un document, et une présélection de mauvais candidats aura toujours un premier élément. Distinguez la sélection par pertinence de la décision de savoir si les éléments sélectionnés suffisent à répondre à l’utilisateur.

Migration d’édition Le fabricant décrit rerank-3 comme un successeur directement substituable à rerank-2.5, avec la même sémantique API et des scores calibrés sur la distribution de son prédécesseur correspondant. Cette compatibilité permet de conserver une étape de récupération et une correspondance de dossiers existantes. Comparez des classements significatifs et tout seuil de score sur le corpus actuel avant de vous fier à la migration. Gardez rerank-3 et rerank-3-lite comme choix distincts : des limites et un suivi des consignes communs ne rendent pas identiques leurs priorités de qualité et de latence.

", "aboutText": "Voyage rerank-3 est un modèle de reclassement textuel conçu pour améliorer la qualité des éléments récupérés. À partir d’une requête et d’une liste de documents candidats, il examine conjointement chaque paire et renvoie les candidats classés par pertinence. Les embeddings et la recherche par mots-clés peuvent d’abord réduire une grande collection à une présélection gérable ; rerank-3 applique ensuite une évaluation plus détaillée de la pertinence à cette présélection. Sa sortie est constituée d’éléments de recherche notés qu’une application affiche ou transmet à une étape distincte de génération de réponse.\n\nRerank 3 axé sur la qualité\nLe fabricant positionne rerank-3 comme l’édition axée sur l’exactitude et rerank-3-lite comme l’édition destinée à la recherche sensible à la latence. La troisième génération actualise l’architecture de base et le mélange d’entraînement, avec des améliorations particulières dans la récupération de documents longs et de code source par rapport aux prédécesseurs 2.5 correspondants. Le fournisseur l’évalue sur la documentation technique, le code, les contenus multilingues et d’autres domaines documentaires. Ces résultats soutiennent son rôle de récupération ; sélectionnez l’édition selon les questions et documents candidats importants pour votre propre collection.\n\nDocuments longs avec suffisamment de contexte\nUn long candidat peut contenir du contexte utile bien au-delà de son premier paragraphe. Fournissez une section ou un document cohérent avec son titre et les éléments environnants pertinents, pour que le modèle puisse évaluer le lien entre la question réelle et le contenu. Pour une recherche de politique produit, conservez les titres et les exceptions autour du passage visé. Si plusieurs sections récupérées proviennent de la même source, conservez leurs identifiants de document et de section ; l’application peut alors montrer l’origine des éléments sélectionnés.\n\nLa fenêtre de contexte est partagée par la requête et chaque candidat. Le guide actuel du fabricant indique 32 000 tokens pour cette paire, dont une requête d’au plus 8 000 tokens. Une requête de 3 000 tokens laisse donc au maximum 29 000 tokens pour chaque document. Préparez l’entrée pour que son contenu essentiel tienne, notamment lorsqu’un long préambule ou du contenu passe-partout répété consommerait sinon la fenêtre. L’option documentée de troncature est activée par défaut et peut raccourcir le texte trop grand de la requête ou du document avant l’attribution des scores. Examinez ce qui est conservé lorsque l’emplacement des passages compte.\n\nRécupération de code et de contenus techniques\nPour l’étape de récupération d’un assistant de programmation, les candidats peuvent contenir des implémentations de fonctions, de la documentation API ou des explications techniques sous forme de texte. Incluez les symboles, les signatures et le contexte nécessaires pour distinguer des candidats similaires. Une requête comme « Trouvez la fonction qui normalise les chemins tout en conservant un séparateur final » donne un comportement concret à rechercher. Ajoutez les contraintes pertinentes de langage, de plateforme ou de version. Après le classement, examinez le code sélectionné et ses dépendances avant de l’utiliser comme contexte ; un score de pertinence ne prouve pas qu’une implémentation satisfait toutes les exigences énoncées.\n\nLes consignes définissent la pertinence\nLe modèle conserve la capacité de reclassement guidé par consignes introduite dans Rerank 2.5. Ajoutez une consigne concise avant ou après la requête lorsque l’intention de l’utilisateur doit être clarifiée. Pour rechercher des documents de recherche, expliquez si l’accent porte sur le titre, une méthode particulière ou un domaine d’application. Pour un catalogue interne, précisez si la demande concerne l’installation, le dépannage ou la compatibilité. Gardez cette consigne alignée sur la question ; des préférences supplémentaires en conflit avec la demande principale peuvent modifier l’objectif du classement.\n\nPréparer les documents candidats et les budgets\nL’entrée est une liste de chaînes textuelles. Extrayez du texte exploitable des documents sources, préservez les limites de sections utiles et gardez une correspondance ordonnée des dossiers avec la liste. Le fabricant autorise jusqu’à 1 000 documents par requête. Il indique aussi un plafond agrégé d’entrée de 600 000 tokens : tokens de la requête multipliés par le nombre de documents, plus la somme des tokens de tous les documents. Cela diffère de la limite de contexte par paire. Réduire le texte redondant de la requête peut préserver à la fois la capacité des paires et le budget global de la requête.\n\nComptez les tokens du modèle concerné plutôt que de supposer qu’un nombre de mots ou de caractères équivaut à un nombre de tokens. Pour les grands candidats, sélectionnez des passages cohérents ou divisez le contenu selon des titres utiles en conservant les informations sur la source parente. Le reclassement est surtout utile après qu’une première recherche a déjà fait apparaître des candidats plausibles : il ne peut pas classer une source manquante qui n’est jamais entrée dans la liste.\n\nRésultats classés et utilisation en aval\nLe résultat contient les scores de pertinence et les indices renvoyant aux documents d’entrée originaux, triés par pertinence décroissante. L’option top_k limite le nombre de résultats classés renvoyés ; sinon, tous les candidats d’entrée sont renvoyés. L’interface REST du fabricant permet également d’inclure le texte du document. Utilisez chaque indice original pour retrouver le titre, l’identifiant de source et toutes les métadonnées nécessaires à l’application, puis présentez les éléments sélectionnés ou placez le texte pertinent dans le contexte probant d’une réponse.\n\nExaminez les premiers résultats par rapport à la question et gardez l’identité des sources visible. Un rang relatif élevé ne vérifie pas l’exactitude factuelle d’un document, et une présélection de mauvais candidats aura toujours un premier élément. Distinguez la sélection par pertinence de la décision de savoir si les éléments sélectionnés suffisent à répondre à l’utilisateur.\n\nMigration d’édition\nLe fabricant décrit rerank-3 comme un successeur directement substituable à rerank-2.5, avec la même sémantique API et des scores calibrés sur la distribution de son prédécesseur correspondant. Cette compatibilité permet de conserver une étape de récupération et une correspondance de dossiers existantes. Comparez des classements significatifs et tout seuil de score sur le corpus actuel avant de vous fier à la migration. Gardez rerank-3 et rerank-3-lite comme choix distincts : des limites et un suivi des consignes communs ne rendent pas identiques leurs priorités de qualité et de latence.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ea5d2c655d53984efef9afe5122e679cae509c2cfcba682c60f0b9731052ce94", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "
•

VoyageAI by MongoDB: rerank-3

VoyageAI by MongoDB /voyageai/rerank-3

Premiers pas

Voyage rerank-3 est l’édition Rerank 3 axée sur la qualité pour évaluer la pertinence requête-document. Il réordonne des candidats textuels récupérés, accepte des consignes de pertinence en langage naturel et traite des paires de 32 000 tokens pour la recherche dans les documents longs, le code et les bases de connaissances.

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 est un modèle de reclassement textuel conçu pour améliorer la qualité des éléments récupérés. À partir d’une requête et d’une liste de documents candidats, il examine conjointement chaque paire et renvoie les candidats classés par pertinence. Les embeddings et la recherche par mots-clés peuvent d’abord réduire une grande collection à une présélection gérable ; rerank-3 applique ensuite une évaluation plus détaillée de la pertinence à cette présélection. Sa sortie est constituée d’éléments de recherche notés qu’une application affiche ou transmet à une étape distincte de génération de réponse.

Rerank 3 axé sur la qualité Le fabricant positionne rerank-3 comme l’édition axée sur l’exactitude et rerank-3-lite comme l’édition destinée à la recherche sensible à la latence. La troisième génération actualise l’architecture de base et le mélange d’entraînement, avec des améliorations particulières dans la récupération de documents longs et de code source par rapport aux prédécesseurs 2.5 correspondants. Le fournisseur l’évalue sur la documentation technique, le code, les contenus multilingues et d’autres domaines documentaires. Ces résultats soutiennent son rôle de récupération ; sélectionnez l’édition selon les questions et documents candidats importants pour votre propre collection.

Documents longs avec suffisamment de contexte Un long candidat peut contenir du contexte utile bien au-delà de son premier paragraphe. Fournissez une section ou un document cohérent avec son titre et les éléments environnants pertinents, pour que le modèle puisse évaluer le lien entre la question réelle et le contenu. Pour une recherche de politique produit, conservez les titres et les exceptions autour du passage visé. Si plusieurs sections récupérées proviennent de la même source, conservez leurs identifiants de document et de section ; l’application peut alors montrer l’origine des éléments sélectionnés.

La fenêtre de contexte est partagée par la requête et chaque candidat. Le guide actuel du fabricant indique 32 000 tokens pour cette paire, dont une requête d’au plus 8 000 tokens. Une requête de 3 000 tokens laisse donc au maximum 29 000 tokens pour chaque document. Préparez l’entrée pour que son contenu essentiel tienne, notamment lorsqu’un long préambule ou du contenu passe-partout répété consommerait sinon la fenêtre. L’option documentée de troncature est activée par défaut et peut raccourcir le texte trop grand de la requête ou du document avant l’attribution des scores. Examinez ce qui est conservé lorsque l’emplacement des passages compte.

Récupération de code et de contenus techniques Pour l’étape de récupération d’un assistant de programmation, les candidats peuvent contenir des implémentations de fonctions, de la documentation API ou des explications techniques sous forme de texte. Incluez les symboles, les signatures et le contexte nécessaires pour distinguer des candidats similaires. Une requête comme « Trouvez la fonction qui normalise les chemins tout en conservant un séparateur final » donne un comportement concret à rechercher. Ajoutez les contraintes pertinentes de langage, de plateforme ou de version. Après le classement, examinez le code sélectionné et ses dépendances avant de l’utiliser comme contexte ; un score de pertinence ne prouve pas qu’une implémentation satisfait toutes les exigences énoncées.

Les consignes définissent la pertinence Le modèle conserve la capacité de reclassement guidé par consignes introduite dans Rerank 2.5. Ajoutez une consigne concise avant ou après la requête lorsque l’intention de l’utilisateur doit être clarifiée. Pour rechercher des documents de recherche, expliquez si l’accent porte sur le titre, une méthode particulière ou un domaine d’application. Pour un catalogue interne, précisez si la demande concerne l’installation, le dépannage ou la compatibilité. Gardez cette consigne alignée sur la question ; des préférences supplémentaires en conflit avec la demande principale peuvent modifier l’objectif du classement.

Préparer les documents candidats et les budgets L’entrée est une liste de chaînes textuelles. Extrayez du texte exploitable des documents sources, préservez les limites de sections utiles et gardez une correspondance ordonnée des dossiers avec la liste. Le fabricant autorise jusqu’à 1 000 documents par requête. Il indique aussi un plafond agrégé d’entrée de 600 000 tokens : tokens de la requête multipliés par le nombre de documents, plus la somme des tokens de tous les documents. Cela diffère de la limite de contexte par paire. Réduire le texte redondant de la requête peut préserver à la fois la capacité des paires et le budget global de la requête.

Comptez les tokens du modèle concerné plutôt que de supposer qu’un nombre de mots ou de caractères équivaut à un nombre de tokens. Pour les grands candidats, sélectionnez des passages cohérents ou divisez le contenu selon des titres utiles en conservant les informations sur la source parente. Le reclassement est surtout utile après qu’une première recherche a déjà fait apparaître des candidats plausibles : il ne peut pas classer une source manquante qui n’est jamais entrée dans la liste.

Résultats classés et utilisation en aval Le résultat contient les scores de pertinence et les indices renvoyant aux documents d’entrée originaux, triés par pertinence décroissante. L’option top_k limite le nombre de résultats classés renvoyés ; sinon, tous les candidats d’entrée sont renvoyés. L’interface REST du fabricant permet également d’inclure le texte du document. Utilisez chaque indice original pour retrouver le titre, l’identifiant de source et toutes les métadonnées nécessaires à l’application, puis présentez les éléments sélectionnés ou placez le texte pertinent dans le contexte probant d’une réponse.

Examinez les premiers résultats par rapport à la question et gardez l’identité des sources visible. Un rang relatif élevé ne vérifie pas l’exactitude factuelle d’un document, et une présélection de mauvais candidats aura toujours un premier élément. Distinguez la sélection par pertinence de la décision de savoir si les éléments sélectionnés suffisent à répondre à l’utilisateur.

Migration d’édition Le fabricant décrit rerank-3 comme un successeur directement substituable à rerank-2.5, avec la même sémantique API et des scores calibrés sur la distribution de son prédécesseur correspondant. Cette compatibilité permet de conserver une étape de récupération et une correspondance de dossiers existantes. Comparez des classements significatifs et tout seuil de score sur le corpus actuel avant de vous fier à la migration. Gardez rerank-3 et rerank-3-lite comme choix distincts : des limites et un suivi des consignes communs ne rendent pas identiques leurs priorités de qualité et de latence.

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · Reclassement POST /v1/rerank
Types d’entrée
text
Types de sortie
rerank
Format de sortie
json
ChampTypeExigenceValeurs et limitesPar défaut
ChampdocumentsTypearrayExigenceObligatoireValeurs et limitesPar défaut—
ChampmodelTypestringExigenceObligatoireValeurs et limites
voyageai/rerank-3
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 par jetonBarème 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 $0.0001 / 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",\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 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.

Si la réponse d’origine doit être vérifiée

Conservez l’opération d’origine et la réponse complète ou partielle ; ne rejouez 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 non valideÉtape suivanteCorrigez le champ de requête indiqué.

Alias

Alias du modèle

Ailoot Ultra voyageai/rerank-3

Alias des chemins de méthode

Utilisez les chemins de méthode indiqués ci-dessus.

ID d’appel associés

voyageai/rerank-3

", "method_identity": { "effective_request_model_id": "voyageai/rerank-3", "fmt": "rerank", "http": "POST", "path": "/v1/rerank", "request_model_id": "voyageai/rerank-3", "route_label": "Ultra" }, "method_key": "Ultra|rerank|/v1/rerank|voyageai%2Frerank-3", "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 non valide", "http_status": 400, "recovery": "Corrigez le champ de requête indiqué.", "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 rejouez 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 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.", "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" ], "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" ], "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": "0.0001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.0000001", "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\",\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'\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": 1e-07 } }, "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": "0.0001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.0000001", "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", "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": "0.0001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.0000001", "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", "nativeProvenance": { "input_facts_canonical_sha256": "cfd76618fb416b38495428afe9f08c722653b0c2ed1d1aa37ffd598ff6e79c57", "input_html_sha256": "c61860be39caac8753332b31e2ef7f9845e9715b61dba511fc5cd4fe4f4e5e6d", "private_audit_sha256": "d6fcef97207c72f7e9d793d1746e96fbee318c508a04221e7139a0497423b32e", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/fr/voyageai-rerank-3/", "description": "Voyage rerank-3 est l’édition Rerank 3 axée sur la qualité pour évaluer la pertinence requête-document. Il réordonne des candidats textuels récupérés, accepte des consignes de pertinence en langage naturel et traite des paires de 32 000 tokens pour la recherche dans les documents longs, le code et les bases de connaissances.", "locale": "fr", "md_url": "https://ailoot.ai/models/fr/voyageai-rerank-3/index.md", "title": "VoyageAI by MongoDB: rerank-3 — Ailoot", "url": "https://ailoot.ai/models/fr/voyageai-rerank-3/" }, "rawModel": { "about": "Voyage rerank-3 est un modèle de reclassement textuel conçu pour améliorer la qualité des éléments récupérés. À partir d’une requête et d’une liste de documents candidats, il examine conjointement chaque paire et renvoie les candidats classés par pertinence. Les embeddings et la recherche par mots-clés peuvent d’abord réduire une grande collection à une présélection gérable ; rerank-3 applique ensuite une évaluation plus détaillée de la pertinence à cette présélection. Sa sortie est constituée d’éléments de recherche notés qu’une application affiche ou transmet à une étape distincte de génération de réponse.\n\nRerank 3 axé sur la qualité\nLe fabricant positionne rerank-3 comme l’édition axée sur l’exactitude et rerank-3-lite comme l’édition destinée à la recherche sensible à la latence. La troisième génération actualise l’architecture de base et le mélange d’entraînement, avec des améliorations particulières dans la récupération de documents longs et de code source par rapport aux prédécesseurs 2.5 correspondants. Le fournisseur l’évalue sur la documentation technique, le code, les contenus multilingues et d’autres domaines documentaires. Ces résultats soutiennent son rôle de récupération ; sélectionnez l’édition selon les questions et documents candidats importants pour votre propre collection.\n\nDocuments longs avec suffisamment de contexte\nUn long candidat peut contenir du contexte utile bien au-delà de son premier paragraphe. Fournissez une section ou un document cohérent avec son titre et les éléments environnants pertinents, pour que le modèle puisse évaluer le lien entre la question réelle et le contenu. Pour une recherche de politique produit, conservez les titres et les exceptions autour du passage visé. Si plusieurs sections récupérées proviennent de la même source, conservez leurs identifiants de document et de section ; l’application peut alors montrer l’origine des éléments sélectionnés.\n\nLa fenêtre de contexte est partagée par la requête et chaque candidat. Le guide actuel du fabricant indique 32 000 tokens pour cette paire, dont une requête d’au plus 8 000 tokens. Une requête de 3 000 tokens laisse donc au maximum 29 000 tokens pour chaque document. Préparez l’entrée pour que son contenu essentiel tienne, notamment lorsqu’un long préambule ou du contenu passe-partout répété consommerait sinon la fenêtre. L’option documentée de troncature est activée par défaut et peut raccourcir le texte trop grand de la requête ou du document avant l’attribution des scores. Examinez ce qui est conservé lorsque l’emplacement des passages compte.\n\nRécupération de code et de contenus techniques\nPour l’étape de récupération d’un assistant de programmation, les candidats peuvent contenir des implémentations de fonctions, de la documentation API ou des explications techniques sous forme de texte. Incluez les symboles, les signatures et le contexte nécessaires pour distinguer des candidats similaires. Une requête comme « Trouvez la fonction qui normalise les chemins tout en conservant un séparateur final » donne un comportement concret à rechercher. Ajoutez les contraintes pertinentes de langage, de plateforme ou de version. Après le classement, examinez le code sélectionné et ses dépendances avant de l’utiliser comme contexte ; un score de pertinence ne prouve pas qu’une implémentation satisfait toutes les exigences énoncées.\n\nLes consignes définissent la pertinence\nLe modèle conserve la capacité de reclassement guidé par consignes introduite dans Rerank 2.5. Ajoutez une consigne concise avant ou après la requête lorsque l’intention de l’utilisateur doit être clarifiée. Pour rechercher des documents de recherche, expliquez si l’accent porte sur le titre, une méthode particulière ou un domaine d’application. Pour un catalogue interne, précisez si la demande concerne l’installation, le dépannage ou la compatibilité. Gardez cette consigne alignée sur la question ; des préférences supplémentaires en conflit avec la demande principale peuvent modifier l’objectif du classement.\n\nPréparer les documents candidats et les budgets\nL’entrée est une liste de chaînes textuelles. Extrayez du texte exploitable des documents sources, préservez les limites de sections utiles et gardez une correspondance ordonnée des dossiers avec la liste. Le fabricant autorise jusqu’à 1 000 documents par requête. Il indique aussi un plafond agrégé d’entrée de 600 000 tokens : tokens de la requête multipliés par le nombre de documents, plus la somme des tokens de tous les documents. Cela diffère de la limite de contexte par paire. Réduire le texte redondant de la requête peut préserver à la fois la capacité des paires et le budget global de la requête.\n\nComptez les tokens du modèle concerné plutôt que de supposer qu’un nombre de mots ou de caractères équivaut à un nombre de tokens. Pour les grands candidats, sélectionnez des passages cohérents ou divisez le contenu selon des titres utiles en conservant les informations sur la source parente. Le reclassement est surtout utile après qu’une première recherche a déjà fait apparaître des candidats plausibles : il ne peut pas classer une source manquante qui n’est jamais entrée dans la liste.\n\nRésultats classés et utilisation en aval\nLe résultat contient les scores de pertinence et les indices renvoyant aux documents d’entrée originaux, triés par pertinence décroissante. L’option top_k limite le nombre de résultats classés renvoyés ; sinon, tous les candidats d’entrée sont renvoyés. L’interface REST du fabricant permet également d’inclure le texte du document. Utilisez chaque indice original pour retrouver le titre, l’identifiant de source et toutes les métadonnées nécessaires à l’application, puis présentez les éléments sélectionnés ou placez le texte pertinent dans le contexte probant d’une réponse.\n\nExaminez les premiers résultats par rapport à la question et gardez l’identité des sources visible. Un rang relatif élevé ne vérifie pas l’exactitude factuelle d’un document, et une présélection de mauvais candidats aura toujours un premier élément. Distinguez la sélection par pertinence de la décision de savoir si les éléments sélectionnés suffisent à répondre à l’utilisateur.\n\nMigration d’édition\nLe fabricant décrit rerank-3 comme un successeur directement substituable à rerank-2.5, avec la même sémantique API et des scores calibrés sur la distribution de son prédécesseur correspondant. Cette compatibilité permet de conserver une étape de récupération et une correspondance de dossiers existantes. Comparez des classements significatifs et tout seuil de score sur le corpus actuel avant de vous fier à la migration. Gardez rerank-3 et rerank-3-lite comme choix distincts : des limites et un suivi des consignes communs ne rendent pas identiques leurs priorités de qualité et de latence.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/rerank-3", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "rerank" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.0001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.0000001", "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", "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 non valide", "http_status": 400, "recovery": "Corrigez le champ de requête indiqué.", "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 rejouez 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 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.", "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" ], "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" ], "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": "0.0001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.0000001", "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\",\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'\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": 1e-07 } }, "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": "0.0001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.0000001", "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", "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": "0.0001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.0000001", "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", "request_model_id": "voyageai/rerank-3", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: rerank-3", "price": { "in": null, "in_label": null, "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": true }, "public_id": "voyageai/rerank-3", "short": "Voyage rerank-3 est l’édition Rerank 3 axée sur la qualité pour évaluer la pertinence requête-document. Il réordonne des candidats textuels récupérés, accepte des consignes de pertinence en langage naturel et traite des paires de 32 000 tokens pour la recherche dans les documents longs, le code et les bases de connaissances." }, "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 est l’édition Rerank 3 axée sur la qualité pour évaluer la pertinence requête-document. Il réordonne des candidats textuels récupérés, accepte des consignes de pertinence en langage naturel et traite des paires de 32 000 tokens pour la recherche dans les documents longs, le code et les bases de connaissances.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "f5fd9138541f4eee511523fa3ae372419f806992a37084c26801e86652b72392", "renderer_sha256": "44d2db1deadc475e1793597083716540bae7bbc53606f05f58780fec5f115dd4" }, "sourceRevision": "79bc3f53dd3b23a8156297d5e3db8b685f1e912352a287ffbee72919cc5616c3" }