BGE Reranker v2 M3 adalah model relevansi multibahasa yang dibangun di atas BGE-M3. Model menerima kueri dan bagian teks kandidat bersama-sama serta mengembalikan skor hubungannya. BAAI memosisikan edisi ini sebagai reranker multibahasa yang efisien, termasuk untuk pencarian informasi dalam bahasa Tionghoa dan Inggris, ketika aplikasi pencarian perlu menyempurnakan daftar kandidat yang ada.
Cross-encoder memproses kedua teks bersama-sama, memungkinkan kontennya berinteraksi sebelum skor relevansi dihasilkan. Ini berbeda dari model embedding, yang mengodekan teks secara mandiri untuk perbandingan vektor yang dapat digunakan ulang. Keluaran reranker adalah skor skalar untuk pasangan tertentu, bukan vektor dokumen atau jawaban tertulis.
Gunakan model setelah pencarian awal memilih bagian teks yang masuk akal. Pasangkan pertanyaan dengan setiap kandidat dan urutkan kandidat menurut skor hasilnya. Ini memfokuskan perbandingan lebih terperinci pada daftar pendek yang dapat dikelola, alih-alih meminta cross-encoder memeriksa setiap bagian teks dalam koleksi besar.
Pembuatnya mengidentifikasi BGE-M3 sebagai model dasar dan mencantumkan dukungan multibahasa sebagai fitur utama. Dalam keluarga reranker v2-nya, M3 adalah pilihan multibahasa yang efisien; varian berbasis Gemma dan pemilihan lapisan merupakan model terpisah dengan pilihan implementasi berbeda. Nama M3 di sini tidak berarti reranker mengembalikan embedding dense, sparse dan multi-vektor model embedding asli.
Perbedaan ini penting ketika memilih hasil yang diperlukan aplikasi. Pilih model embedding untuk merepresentasikan dan menelusuri koleksi dokumen. Pilih reranker ini ketika Anda sudah memiliki teks kandidat dan perlu menentukan bagian mana yang paling relevan dengan kueri saat ini.
Berikan pertanyaan sebenarnya dan teks kandidat lengkap yang diperlukan untuk menafsirkannya. Pertahankan judul atau definisi terdekat ketika menentukan makna bagian teks. Dalam contoh Transformers yang dipublikasikan, kueri dan bagian teks ditokenisasi bersama dengan pemotongan dan max_length=512. Itu merupakan pengaturan contoh, bukan batas seluruh model. Jaga pertanyaan dan bukti wajib tetap dalam anggaran pasangan pilihan, dan periksa apa yang dihapus pemotongan. Hasil yang menyebut produk sama dengan kueri masih dapat tidak relevan jika membahas operasi atau kondisi yang salah; siapkan contoh yang membedakan kasus tersebut saat mengevaluasi mutu pengambilan.
Untuk asisten dokumen, simpan pengenal kandidat bersama teksnya, beri skor pasangan pertanyaan–bagian teks dan teruskan bagian asli pilihan ke langkah penjawaban. Model penjawab kemudian menerima bukti, bukan skor relevansi tanpa sumbernya. Ini adalah contoh alur pengambilan; reranker sendiri tidak menelusuri koleksi eksternal maupun menulis jawaban.
Pembuatnya mengembalikan skor relevansi mentah, dengan nilai lebih tinggi menunjukkan kecocokan lebih dekat. Normalisasi opsional yang didokumentasikan menerapkan fungsi sigmoid untuk menempatkan skor antara 0 dan 1. Skor ternormalisasi memiliki rentang yang praktis, tetapi transformasi itu saja tidak menetapkan probabilitas terkalibrasi bahwa kandidat benar.
Pilih ambang peringkat atau penyaringan menggunakan pasangan kueri–bagian teks representatif dari beban kerja Anda. Sertakan bagian yang berbagi kata kunci tetapi menjawab pertanyaan berbeda, serta bagian relevan dengan kata-kata berbeda. Ini membuat ambang pilihan bermakna bagi koleksi yang ditelusuri.
Untuk proyek Ailoot API, tentukan isi konteks akhir dan berapa banyak kandidat yang dapat diperiksa secara efisien. Hasil yang berguna adalah kumpulan bukti yang diurutkan lebih baik untuk langkah aplikasi berikutnya. Pisahkan keluaran relevansi edisi ini dari embedding dokumen, prosa yang dihasilkan dan kontrol pemilihan lapisan yang didokumentasikan untuk reranker lain.
", "aboutText": "BGE Reranker v2 M3 adalah model relevansi multibahasa yang dibangun di atas BGE-M3. Model menerima kueri dan bagian teks kandidat bersama-sama serta mengembalikan skor hubungannya. BAAI memosisikan edisi ini sebagai reranker multibahasa yang efisien, termasuk untuk pencarian informasi dalam bahasa Tionghoa dan Inggris, ketika aplikasi pencarian perlu menyempurnakan daftar kandidat yang ada.\n\n### Relevansi dari pasangan kueri–bagian teks\n\nCross-encoder memproses kedua teks bersama-sama, memungkinkan kontennya berinteraksi sebelum skor relevansi dihasilkan. Ini berbeda dari model embedding, yang mengodekan teks secara mandiri untuk perbandingan vektor yang dapat digunakan ulang. Keluaran reranker adalah skor skalar untuk pasangan tertentu, bukan vektor dokumen atau jawaban tertulis.\n\nGunakan model setelah pencarian awal memilih bagian teks yang masuk akal. Pasangkan pertanyaan dengan setiap kandidat dan urutkan kandidat menurut skor hasilnya. Ini memfokuskan perbandingan lebih terperinci pada daftar pendek yang dapat dikelola, alih-alih meminta cross-encoder memeriksa setiap bagian teks dalam koleksi besar.\n\n### Edisi v2 M3\n\nPembuatnya mengidentifikasi BGE-M3 sebagai model dasar dan mencantumkan dukungan multibahasa sebagai fitur utama. Dalam keluarga reranker v2-nya, M3 adalah pilihan multibahasa yang efisien; varian berbasis Gemma dan pemilihan lapisan merupakan model terpisah dengan pilihan implementasi berbeda. Nama M3 di sini tidak berarti reranker mengembalikan embedding dense, sparse dan multi-vektor model embedding asli.\n\nPerbedaan ini penting ketika memilih hasil yang diperlukan aplikasi. Pilih model embedding untuk merepresentasikan dan menelusuri koleksi dokumen. Pilih reranker ini ketika Anda sudah memiliki teks kandidat dan perlu menentukan bagian mana yang paling relevan dengan kueri saat ini.\n\n### Menyiapkan kandidat yang dapat diperingkat secara berguna\n\nBerikan pertanyaan sebenarnya dan teks kandidat lengkap yang diperlukan untuk menafsirkannya. Pertahankan judul atau definisi terdekat ketika menentukan makna bagian teks. Dalam contoh Transformers yang dipublikasikan, kueri dan bagian teks ditokenisasi bersama dengan pemotongan dan max_length=512. Itu merupakan pengaturan contoh, bukan batas seluruh model. Jaga pertanyaan dan bukti wajib tetap dalam anggaran pasangan pilihan, dan periksa apa yang dihapus pemotongan. Hasil yang menyebut produk sama dengan kueri masih dapat tidak relevan jika membahas operasi atau kondisi yang salah; siapkan contoh yang membedakan kasus tersebut saat mengevaluasi mutu pengambilan.\n\nUntuk asisten dokumen, simpan pengenal kandidat bersama teksnya, beri skor pasangan pertanyaan–bagian teks dan teruskan bagian asli pilihan ke langkah penjawaban. Model penjawab kemudian menerima bukti, bukan skor relevansi tanpa sumbernya. Ini adalah contoh alur pengambilan; reranker sendiri tidak menelusuri koleksi eksternal maupun menulis jawaban.\n\n### Membaca dan menormalisasi skor\n\nPembuatnya mengembalikan skor relevansi mentah, dengan nilai lebih tinggi menunjukkan kecocokan lebih dekat. Normalisasi opsional yang didokumentasikan menerapkan fungsi sigmoid untuk menempatkan skor antara 0 dan 1. Skor ternormalisasi memiliki rentang yang praktis, tetapi transformasi itu saja tidak menetapkan probabilitas terkalibrasi bahwa kandidat benar.\n\nPilih ambang peringkat atau penyaringan menggunakan pasangan kueri–bagian teks representatif dari beban kerja Anda. Sertakan bagian yang berbagi kata kunci tetapi menjawab pertanyaan berbeda, serta bagian relevan dengan kata-kata berbeda. Ini membuat ambang pilihan bermakna bagi koleksi yang ditelusuri.\n\nUntuk proyek Ailoot API, tentukan isi konteks akhir dan berapa banyak kandidat yang dapat diperiksa secara efisien. Hasil yang berguna adalah kumpulan bukti yang diurutkan lebih baik untuk langkah aplikasi berikutnya. Pisahkan keluaran relevansi edisi ini dari embedding dokumen, prosa yang dihasilkan dan kontrol pemilihan lapisan yang didokumentasikan untuk reranker lain.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "27ea39da7db8c30d3791caf0811976f0b21ded9fc2f8a0b81f3ec4f30129541e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "bge-reranker-v2-m3Cross-encoder multibahasa BAAI untuk memberi peringkat bagian teks kandidat terhadap kueri. Model membaca setiap pasangan kueri–bagian teks bersama-sama dan mengembalikan skor relevansi, menyempurnakan daftar pendek pencarian tanpa menghasilkan jawaban atau membuat embedding dokumen.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
BGE Reranker v2 M3 adalah model relevansi multibahasa yang dibangun di atas BGE-M3. Model menerima kueri dan bagian teks kandidat bersama-sama serta mengembalikan skor hubungannya. BAAI memosisikan edisi ini sebagai reranker multibahasa yang efisien, termasuk untuk pencarian informasi dalam bahasa Tionghoa dan Inggris, ketika aplikasi pencarian perlu menyempurnakan daftar kandidat yang ada.
Cross-encoder memproses kedua teks bersama-sama, memungkinkan kontennya berinteraksi sebelum skor relevansi dihasilkan. Ini berbeda dari model embedding, yang mengodekan teks secara mandiri untuk perbandingan vektor yang dapat digunakan ulang. Keluaran reranker adalah skor skalar untuk pasangan tertentu, bukan vektor dokumen atau jawaban tertulis.
Gunakan model setelah pencarian awal memilih bagian teks yang masuk akal. Pasangkan pertanyaan dengan setiap kandidat dan urutkan kandidat menurut skor hasilnya. Ini memfokuskan perbandingan lebih terperinci pada daftar pendek yang dapat dikelola, alih-alih meminta cross-encoder memeriksa setiap bagian teks dalam koleksi besar.
Pembuatnya mengidentifikasi BGE-M3 sebagai model dasar dan mencantumkan dukungan multibahasa sebagai fitur utama. Dalam keluarga reranker v2-nya, M3 adalah pilihan multibahasa yang efisien; varian berbasis Gemma dan pemilihan lapisan merupakan model terpisah dengan pilihan implementasi berbeda. Nama M3 di sini tidak berarti reranker mengembalikan embedding dense, sparse dan multi-vektor model embedding asli.
Perbedaan ini penting ketika memilih hasil yang diperlukan aplikasi. Pilih model embedding untuk merepresentasikan dan menelusuri koleksi dokumen. Pilih reranker ini ketika Anda sudah memiliki teks kandidat dan perlu menentukan bagian mana yang paling relevan dengan kueri saat ini.
Berikan pertanyaan sebenarnya dan teks kandidat lengkap yang diperlukan untuk menafsirkannya. Pertahankan judul atau definisi terdekat ketika menentukan makna bagian teks. Dalam contoh Transformers yang dipublikasikan, kueri dan bagian teks ditokenisasi bersama dengan pemotongan dan max_length=512. Itu merupakan pengaturan contoh, bukan batas seluruh model. Jaga pertanyaan dan bukti wajib tetap dalam anggaran pasangan pilihan, dan periksa apa yang dihapus pemotongan. Hasil yang menyebut produk sama dengan kueri masih dapat tidak relevan jika membahas operasi atau kondisi yang salah; siapkan contoh yang membedakan kasus tersebut saat mengevaluasi mutu pengambilan.
Untuk asisten dokumen, simpan pengenal kandidat bersama teksnya, beri skor pasangan pertanyaan–bagian teks dan teruskan bagian asli pilihan ke langkah penjawaban. Model penjawab kemudian menerima bukti, bukan skor relevansi tanpa sumbernya. Ini adalah contoh alur pengambilan; reranker sendiri tidak menelusuri koleksi eksternal maupun menulis jawaban.
Pembuatnya mengembalikan skor relevansi mentah, dengan nilai lebih tinggi menunjukkan kecocokan lebih dekat. Normalisasi opsional yang didokumentasikan menerapkan fungsi sigmoid untuk menempatkan skor antara 0 dan 1. Skor ternormalisasi memiliki rentang yang praktis, tetapi transformasi itu saja tidak menetapkan probabilitas terkalibrasi bahwa kandidat benar.
Pilih ambang peringkat atau penyaringan menggunakan pasangan kueri–bagian teks representatif dari beban kerja Anda. Sertakan bagian yang berbagi kata kunci tetapi menjawab pertanyaan berbeda, serta bagian relevan dengan kata-kata berbeda. Ini membuat ambang pilihan bermakna bagi koleksi yang ditelusuri.
Untuk proyek Ailoot API, tentukan isi konteks akhir dan berapa banyak kandidat yang dapat diperiksa secara efisien. Hasil yang berguna adalah kumpulan bukti yang diurutkan lebih baik untuk langkah aplikasi berikutnya. Pisahkan keluaran relevansi edisi ini dari embedding dokumen, prosa yang dihasilkan dan kontrol pemilihan lapisan yang didokumentasikan untuk reranker lain.
POST /v1/reranktextrerank| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan bge-reranker-v2-m3 | Bawaan— |
Kolomquery | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomdocuments | Jenisarray | PersyaratanWajib | Nilai & batasan | Bawaan— |
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, documents |
Parametermaterial_types | Kontraktext |
Parametermaterial_conditions | KontrakIsi kueri Anda yang sebenarnya dan array dokumen teks asli yang tidak kosong. Indeks hasil merujuk ke array asli tersebut. |
Siklus hidup: synchronous_result_then_owned_library
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Satuan penagihan | Biaya |
|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Satuan penagihan— | Biaya Masukan · Token masukan — / 1K token Keluaran · Token keluaran — / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| Konfigurasitoken total | Jadwal tarif— | Satuan penagihan/ 1K token | Biaya Masukan · token total $0.00004 / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_QUERY:?Set the actual documented input value}"\nexport AILOOT_QUERY\n: "${AILOOT_DOCUMENTS_JSON:?Set the actual documented input value}"\nexport AILOOT_DOCUMENTS_JSON\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'bge-reranker-v2-m3', 'query': '${ACTUAL_QUERY}', 'documents': '${ACTUAL_DOCUMENTS}'}\nrequest['query']=os.environ['AILOOT_QUERY']\nrequest['documents']=json.loads(os.environ['AILOOT_DOCUMENTS_JSON'])\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/rerank \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nHasil JSON native asli secara utuh dengan model respons yang dikonfigurasi, indeks dokumen asli, skor relevansi, string dokumen, dan penggunaan token native. Pertahankan setiap hasil aktual dan bidang penggunaan.
GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan respons dan header secara lengkap, setiap keluaran aktual, identifikator asli yang dikembalikan, dan semua kolom usage. Pulihkan operasi asli tanpa mengirim ulang permintaan pembuatan.
Simpan X-Client-Request-ID aktual dan respons secara utuh. Baca aset asli yang dimiliki beserta URL konten bertanda tangan yang persis; jangan pernah kirim ulang pembuatan yang statusnya belum pasti.
| Kolom | Jenis | Arti |
|---|---|---|
Kolommodel | Jenisstring | ArtiModel respons persis yang diwajibkan oleh konsumen Source yang dikonfigurasi. |
Kolomresults[].index | Jenisinteger | ArtiIndeks unik dokumen masukan asli. |
Kolomresults[].relevance_score | Jenisnumber | ArtiSkor relevansi bernilai berhingga. |
Kolomresults[].document | Jenisstring | ArtiDokumen teks asli yang diwajibkan oleh konsumen respons yang dikonfigurasi ini. |
Kolomusage.total_tokens | Jenisinteger | ArtiJumlah token native bernilai berhingga dan tidak negatif yang diwajibkan oleh tarif yang saat ini diterima. |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiIsi JSON atau ID model kanonis eksplisit tidak valid. | Langkah berikutnyaSimpan respons dan perbaiki bidang permintaan yang ditunjukkan. |
Respons401 · authentication_error | KondisiKunci API Ailoot tidak valid. | Langkah berikutnyaGunakan kunci API Ailoot Anda yang diotorisasi. |
Respons403 · permission_error | KondisiGrup kunci tidak mengizinkan metode ini. | Langkah berikutnyaSimpan rincian kesalahan yang dikembalikan. |
Respons404 · not_found_error | KondisiMetode yang dipilih tidak memiliki rute yang diizinkan. | Langkah berikutnyaSimpan rincian kesalahan yang dikembalikan. |
Respons422 · price_unavailable | KondisiTarif yang diterima tidak dapat memperoleh jumlah atau batas masukan yang diwajibkan. | Langkah berikutnyaSimpan respons; gunakan representasi masukan yang diwajibkan oleh tarif yang diterima. |
Respons503 · | KondisiPenyimpanan, rute, harga metode, atau pencadangan dana yang diperlukan tidak tersedia. | Langkah berikutnyaSimpan respons asli secara utuh. Pencadangan dana yang belum pasti tidak mengizinkan pengiriman ulang. |
Respons502 · billing_requires_check | KondisiHasil awal, penggunaan, atau penyelesaian tagihan perlu diperiksa. | Langkah berikutnyaSimpan ID permintaan aktual dan respons asli. Baca catatan yang dimiliki yang sudah ada; jangan kirim ulang pembuatan. |
Ailoot Ultra bge-reranker-v2-m3
Gunakan jalur metode yang ditampilkan di atas.