Jina Reranker v2 Base Multilingual adalah model pemeringkatan teks untuk tahap kedua pengambilan informasi. Berikan kueri dan dokumen atau bagian teks kandidat; model mengevaluasi setiap pasangan kueri–dokumen dan mengembalikan skor relevansi. Hasil yang berguna adalah kumpulan kandidat dengan urutan yang lebih baik untuk pencarian atau alur kerja yang diperkuat pengambilan informasi. Model ini tidak menulis jawaban atas kueri atau membuat embedding dokumen.
Tulis kueri agar menyatakan kebutuhan informasi. Kemudian berikan teks yang ditemukan oleh tahap pengambilan informasi sebelumnya. Simpan pengenal stabil di samping setiap kandidat agar skor relevansinya dapat dihubungkan dengan dokumen, bagian, atau catatan asli.
Untuk pencarian dukungan, gunakan pertanyaan sebenarnya dan kutipan kandidat yang memuat prosedur relevan. Kueri tentang menyetel ulang perangkat tertentu perlu dipasangkan dengan bagian teks yang mempertahankan nama perangkat, versi, dan syarat penyetelan ulang. Bagian yang hanya menyebut perangkat mungkin kurang berguna dibanding bagian yang menjelaskan operasi yang diminta. Berikan isi yang diperlukan model untuk membandingkan, bukan hanya judul dokumen.
Gunakan bagian teks yang utuh secara makna. Judul tabel, definisi, atau pengecualian dapat mengubah hubungan paragraf dengan kueri, jadi jangan menghapusnya hanya untuk membuat setiap kandidat sama pendeknya. Reranker mengevaluasi kandidat yang diberikan; model tidak dapat memulihkan dokumen relevan yang dilewatkan tahap pengambilan sebelumnya.
Ini adalah cross-encoder: kueri dan teks kandidat diproses bersama. Antarmuka penilaian langsung mengembalikan skor relevansi bilangan floating-point untuk setiap pasangan terkait. Skor lebih tinggi menunjukkan relevansi lebih besar dalam perbandingan tersebut. Skor adalah sinyal pemeringkatan, bukan penjelasan yang dibangkitkan atau bukti bahwa dokumen benar.
Pembuat juga menyediakan fungsi pembantu pemeringkatan ulang yang mengembalikan dokumen terurut beserta skornya. Kontrol hasil teratas memilih berapa banyak kandidat terperingkat yang dipertahankan. Simpan pengenal dan teksnya ketika meneruskannya ke tahap berikutnya. Untuk alur tanya jawab, model berikutnya tetap membutuhkan kueri dan bukti terpilih; daftar terperingkat sendiri bukan pertanyaan yang telah dijawab.
Ketika membandingkan perubahan pengambilan informasi, pertahankan kueri dan kriteria evaluasi tetap sama. Periksa apakah bagian yang dinaikkan ke posisi teratas benar-benar memuat informasi yang diminta. Tetapkan ambang penyaringan menggunakan contoh dari koleksi Anda sendiri, alih-alih memperlakukan skor relevansi sebagai ukuran universal kebenaran jawaban.
Model mendukung panjang konteks hingga 1.024 token. Fungsi pembantu rerank() yang didokumentasikan menangani dokumen lebih panjang dengan pendekatan jendela bergeser, menilai potongan secara terpisah, dan menggabungkannya menjadi hasil tingkat dokumen. Pemotongan merupakan perilaku fungsi pembantu itu; hal ini tidak boleh disamakan dengan satu masukan model yang memiliki jendela konteks tanpa batas.
Fungsi pembantu menyediakan kontrol panjang kueri dan panjang potongan serta pengaturan tumpang tindih. Nilai tumpang tindih bawaannya yang didokumentasikan adalah 80. Contoh penggunaan terbitan menetapkan panjang kueri maksimum 512 dan panjang potongan 1.024; ini adalah contoh pengaturan fungsi pembantu yang harus dibedakan dari janji bahwa setiap pemanggil atau rute menggunakannya.
Untuk manual panjang, pertahankan teks di sekitar secukupnya agar instruksi dan syaratnya muncul bersama. Saat menilai hasil, periksa bagian relevan dari dokumen berperingkat tinggi, jangan berasumsi setiap bagiannya sama-sama menjawab kueri dengan baik.
Model v2 bersifat multibahasa. Contoh pembuat memeringkat kueri bahasa Inggris terhadap bagian teks bahasa Inggris, Jerman, Spanyol, Mandarin, dan Jepang. Ini mendukung koleksi dengan materi relevan yang ditulis dalam beberapa bahasa tanpa mewajibkan setiap kandidat diterjemahkan ke bahasa kueri terlebih dahulu.
Cakupan tugas yang didokumentasikan juga mencakup pencarian kode dan pemeringkatan representasi teks terkait fungsi atau SQL. Ini tetap merupakan tugas pemeringkatan relevansi: model mengevaluasi teks yang diberikan. Model tidak mengeksekusi fungsi, menjalankan SQL, atau menghasilkan hasil alat hanya karena jenis kandidat tersebut muncul dalam kumpulan hasil pencarian.
Bedakan varian v2 Base Multilingual ini dari reranker Jina sebelumnya yang hanya berbahasa Inggris, Jina Reranker v3, dan varian pemeringkatan ulang multimodal. Semuanya adalah model berbeda dengan karakteristik tugas dan masukan berbeda. Masukan varian ini berupa pasangan kueri–teks; isi gambar atau video memerlukan representasi atau model yang sesuai tersendiri.
Implementasi referensi pembuat mendukung skor langsung dan fungsi pembantu pemeringkatan dokumen, dengan attention dipercepat opsional. Pilihan implementasi tersebut memengaruhi cara masukan disiapkan dan diproses; pilihan itu tidak membuktikan setiap integrasi menyediakan kontrol identik.
Gunakan keluaran terperingkat untuk pencarian multibahasa, basis pengetahuan dukungan, pencarian dokumen, dan pemilihan bukti sebelum pembangkitan. Tinjau bagian teratas, simpan pemetaan kandidat asli, dan bedakan relevansi dari validitas faktual. Hasil pengambilan informasi yang berguna mengedepankan bukti tepat yang diberikan sambil menyerahkan tugas berikutnya—menjawab, meringkas, atau memutuskan—kepada alur kerja yang sesuai.
", "aboutText": "Jina Reranker v2 Base Multilingual adalah model pemeringkatan teks untuk tahap kedua pengambilan informasi. Berikan kueri dan dokumen atau bagian teks kandidat; model mengevaluasi setiap pasangan kueri–dokumen dan mengembalikan skor relevansi. Hasil yang berguna adalah kumpulan kandidat dengan urutan yang lebih baik untuk pencarian atau alur kerja yang diperkuat pengambilan informasi. Model ini tidak menulis jawaban atas kueri atau membuat embedding dokumen.\n\n### Siapkan kueri dan bagian teks kandidat\n\nTulis kueri agar menyatakan kebutuhan informasi. Kemudian berikan teks yang ditemukan oleh tahap pengambilan informasi sebelumnya. Simpan pengenal stabil di samping setiap kandidat agar skor relevansinya dapat dihubungkan dengan dokumen, bagian, atau catatan asli.\n\nUntuk pencarian dukungan, gunakan pertanyaan sebenarnya dan kutipan kandidat yang memuat prosedur relevan. Kueri tentang menyetel ulang perangkat tertentu perlu dipasangkan dengan bagian teks yang mempertahankan nama perangkat, versi, dan syarat penyetelan ulang. Bagian yang hanya menyebut perangkat mungkin kurang berguna dibanding bagian yang menjelaskan operasi yang diminta. Berikan isi yang diperlukan model untuk membandingkan, bukan hanya judul dokumen.\n\nGunakan bagian teks yang utuh secara makna. Judul tabel, definisi, atau pengecualian dapat mengubah hubungan paragraf dengan kueri, jadi jangan menghapusnya hanya untuk membuat setiap kandidat sama pendeknya. Reranker mengevaluasi kandidat yang diberikan; model tidak dapat memulihkan dokumen relevan yang dilewatkan tahap pengambilan sebelumnya.\n\n### Penilaian kueri–dokumen\n\nIni adalah cross-encoder: kueri dan teks kandidat diproses bersama. Antarmuka penilaian langsung mengembalikan skor relevansi bilangan floating-point untuk setiap pasangan terkait. Skor lebih tinggi menunjukkan relevansi lebih besar dalam perbandingan tersebut. Skor adalah sinyal pemeringkatan, bukan penjelasan yang dibangkitkan atau bukti bahwa dokumen benar.\n\nPembuat juga menyediakan fungsi pembantu pemeringkatan ulang yang mengembalikan dokumen terurut beserta skornya. Kontrol hasil teratas memilih berapa banyak kandidat terperingkat yang dipertahankan. Simpan pengenal dan teksnya ketika meneruskannya ke tahap berikutnya. Untuk alur tanya jawab, model berikutnya tetap membutuhkan kueri dan bukti terpilih; daftar terperingkat sendiri bukan pertanyaan yang telah dijawab.\n\nKetika membandingkan perubahan pengambilan informasi, pertahankan kueri dan kriteria evaluasi tetap sama. Periksa apakah bagian yang dinaikkan ke posisi teratas benar-benar memuat informasi yang diminta. Tetapkan ambang penyaringan menggunakan contoh dari koleksi Anda sendiri, alih-alih memperlakukan skor relevansi sebagai ukuran universal kebenaran jawaban.\n\n### Jendela model dan dokumen lebih panjang\n\nModel mendukung panjang konteks hingga 1.024 token. Fungsi pembantu `rerank()` yang didokumentasikan menangani dokumen lebih panjang dengan pendekatan jendela bergeser, menilai potongan secara terpisah, dan menggabungkannya menjadi hasil tingkat dokumen. Pemotongan merupakan perilaku fungsi pembantu itu; hal ini tidak boleh disamakan dengan satu masukan model yang memiliki jendela konteks tanpa batas.\n\nFungsi pembantu menyediakan kontrol panjang kueri dan panjang potongan serta pengaturan tumpang tindih. Nilai tumpang tindih bawaannya yang didokumentasikan adalah 80. Contoh penggunaan terbitan menetapkan panjang kueri maksimum 512 dan panjang potongan 1.024; ini adalah contoh pengaturan fungsi pembantu yang harus dibedakan dari janji bahwa setiap pemanggil atau rute menggunakannya.\n\nUntuk manual panjang, pertahankan teks di sekitar secukupnya agar instruksi dan syaratnya muncul bersama. Saat menilai hasil, periksa bagian relevan dari dokumen berperingkat tinggi, jangan berasumsi setiap bagiannya sama-sama menjawab kueri dengan baik.\n\n### Pengambilan teks multibahasa dan khusus\n\nModel v2 bersifat multibahasa. Contoh pembuat memeringkat kueri bahasa Inggris terhadap bagian teks bahasa Inggris, Jerman, Spanyol, Mandarin, dan Jepang. Ini mendukung koleksi dengan materi relevan yang ditulis dalam beberapa bahasa tanpa mewajibkan setiap kandidat diterjemahkan ke bahasa kueri terlebih dahulu.\n\nCakupan tugas yang didokumentasikan juga mencakup pencarian kode dan pemeringkatan representasi teks terkait fungsi atau SQL. Ini tetap merupakan tugas pemeringkatan relevansi: model mengevaluasi teks yang diberikan. Model tidak mengeksekusi fungsi, menjalankan SQL, atau menghasilkan hasil alat hanya karena jenis kandidat tersebut muncul dalam kumpulan hasil pencarian.\n\n### Edisi dan batas praktis\n\nBedakan varian v2 Base Multilingual ini dari reranker Jina sebelumnya yang hanya berbahasa Inggris, Jina Reranker v3, dan varian pemeringkatan ulang multimodal. Semuanya adalah model berbeda dengan karakteristik tugas dan masukan berbeda. Masukan varian ini berupa pasangan kueri–teks; isi gambar atau video memerlukan representasi atau model yang sesuai tersendiri.\n\nImplementasi referensi pembuat mendukung skor langsung dan fungsi pembantu pemeringkatan dokumen, dengan attention dipercepat opsional. Pilihan implementasi tersebut memengaruhi cara masukan disiapkan dan diproses; pilihan itu tidak membuktikan setiap integrasi menyediakan kontrol identik.\n\nGunakan keluaran terperingkat untuk pencarian multibahasa, basis pengetahuan dukungan, pencarian dokumen, dan pemilihan bukti sebelum pembangkitan. Tinjau bagian teratas, simpan pemetaan kandidat asli, dan bedakan relevansi dari validitas faktual. Hasil pengambilan informasi yang berguna mengedepankan bukti tepat yang diberikan sambil menyerahkan tugas berikutnya—menjawab, meringkas, atau memutuskan—kepada alur kerja yang sesuai.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a227352477f5c7e3e36a733cc4bd34d99028ea453bfad25eab74a3d63a740742", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "jina-reranker-v2-base-multilingualJina Reranker v2 Base Multilingual menilai kueri terhadap teks kandidat dan mengurutkannya berdasarkan relevansi. Cross-encoder-nya menangani pengambilan informasi multibahasa, sedangkan fungsi pembantu pemeringkatan ulang dari pembuat membagi dokumen panjang menjadi potongan berdasarkan jendela model 1.024 token.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Jina Reranker v2 Base Multilingual adalah model pemeringkatan teks untuk tahap kedua pengambilan informasi. Berikan kueri dan dokumen atau bagian teks kandidat; model mengevaluasi setiap pasangan kueri–dokumen dan mengembalikan skor relevansi. Hasil yang berguna adalah kumpulan kandidat dengan urutan yang lebih baik untuk pencarian atau alur kerja yang diperkuat pengambilan informasi. Model ini tidak menulis jawaban atas kueri atau membuat embedding dokumen.
Tulis kueri agar menyatakan kebutuhan informasi. Kemudian berikan teks yang ditemukan oleh tahap pengambilan informasi sebelumnya. Simpan pengenal stabil di samping setiap kandidat agar skor relevansinya dapat dihubungkan dengan dokumen, bagian, atau catatan asli.
Untuk pencarian dukungan, gunakan pertanyaan sebenarnya dan kutipan kandidat yang memuat prosedur relevan. Kueri tentang menyetel ulang perangkat tertentu perlu dipasangkan dengan bagian teks yang mempertahankan nama perangkat, versi, dan syarat penyetelan ulang. Bagian yang hanya menyebut perangkat mungkin kurang berguna dibanding bagian yang menjelaskan operasi yang diminta. Berikan isi yang diperlukan model untuk membandingkan, bukan hanya judul dokumen.
Gunakan bagian teks yang utuh secara makna. Judul tabel, definisi, atau pengecualian dapat mengubah hubungan paragraf dengan kueri, jadi jangan menghapusnya hanya untuk membuat setiap kandidat sama pendeknya. Reranker mengevaluasi kandidat yang diberikan; model tidak dapat memulihkan dokumen relevan yang dilewatkan tahap pengambilan sebelumnya.
Ini adalah cross-encoder: kueri dan teks kandidat diproses bersama. Antarmuka penilaian langsung mengembalikan skor relevansi bilangan floating-point untuk setiap pasangan terkait. Skor lebih tinggi menunjukkan relevansi lebih besar dalam perbandingan tersebut. Skor adalah sinyal pemeringkatan, bukan penjelasan yang dibangkitkan atau bukti bahwa dokumen benar.
Pembuat juga menyediakan fungsi pembantu pemeringkatan ulang yang mengembalikan dokumen terurut beserta skornya. Kontrol hasil teratas memilih berapa banyak kandidat terperingkat yang dipertahankan. Simpan pengenal dan teksnya ketika meneruskannya ke tahap berikutnya. Untuk alur tanya jawab, model berikutnya tetap membutuhkan kueri dan bukti terpilih; daftar terperingkat sendiri bukan pertanyaan yang telah dijawab.
Ketika membandingkan perubahan pengambilan informasi, pertahankan kueri dan kriteria evaluasi tetap sama. Periksa apakah bagian yang dinaikkan ke posisi teratas benar-benar memuat informasi yang diminta. Tetapkan ambang penyaringan menggunakan contoh dari koleksi Anda sendiri, alih-alih memperlakukan skor relevansi sebagai ukuran universal kebenaran jawaban.
Model mendukung panjang konteks hingga 1.024 token. Fungsi pembantu rerank() yang didokumentasikan menangani dokumen lebih panjang dengan pendekatan jendela bergeser, menilai potongan secara terpisah, dan menggabungkannya menjadi hasil tingkat dokumen. Pemotongan merupakan perilaku fungsi pembantu itu; hal ini tidak boleh disamakan dengan satu masukan model yang memiliki jendela konteks tanpa batas.
Fungsi pembantu menyediakan kontrol panjang kueri dan panjang potongan serta pengaturan tumpang tindih. Nilai tumpang tindih bawaannya yang didokumentasikan adalah 80. Contoh penggunaan terbitan menetapkan panjang kueri maksimum 512 dan panjang potongan 1.024; ini adalah contoh pengaturan fungsi pembantu yang harus dibedakan dari janji bahwa setiap pemanggil atau rute menggunakannya.
Untuk manual panjang, pertahankan teks di sekitar secukupnya agar instruksi dan syaratnya muncul bersama. Saat menilai hasil, periksa bagian relevan dari dokumen berperingkat tinggi, jangan berasumsi setiap bagiannya sama-sama menjawab kueri dengan baik.
Model v2 bersifat multibahasa. Contoh pembuat memeringkat kueri bahasa Inggris terhadap bagian teks bahasa Inggris, Jerman, Spanyol, Mandarin, dan Jepang. Ini mendukung koleksi dengan materi relevan yang ditulis dalam beberapa bahasa tanpa mewajibkan setiap kandidat diterjemahkan ke bahasa kueri terlebih dahulu.
Cakupan tugas yang didokumentasikan juga mencakup pencarian kode dan pemeringkatan representasi teks terkait fungsi atau SQL. Ini tetap merupakan tugas pemeringkatan relevansi: model mengevaluasi teks yang diberikan. Model tidak mengeksekusi fungsi, menjalankan SQL, atau menghasilkan hasil alat hanya karena jenis kandidat tersebut muncul dalam kumpulan hasil pencarian.
Bedakan varian v2 Base Multilingual ini dari reranker Jina sebelumnya yang hanya berbahasa Inggris, Jina Reranker v3, dan varian pemeringkatan ulang multimodal. Semuanya adalah model berbeda dengan karakteristik tugas dan masukan berbeda. Masukan varian ini berupa pasangan kueri–teks; isi gambar atau video memerlukan representasi atau model yang sesuai tersendiri.
Implementasi referensi pembuat mendukung skor langsung dan fungsi pembantu pemeringkatan dokumen, dengan attention dipercepat opsional. Pilihan implementasi tersebut memengaruhi cara masukan disiapkan dan diproses; pilihan itu tidak membuktikan setiap integrasi menyediakan kontrol identik.
Gunakan keluaran terperingkat untuk pencarian multibahasa, basis pengetahuan dukungan, pencarian dokumen, dan pemilihan bukti sebelum pembangkitan. Tinjau bagian teratas, simpan pemetaan kandidat asli, dan bedakan relevansi dari validitas faktual. Hasil pengambilan informasi yang berguna mengedepankan bukti tepat yang diberikan sambil menyerahkan tugas berikutnya—menjawab, meringkas, atau memutuskan—kepada alur kerja yang sesuai.
POST /v1/reranktextrerank| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan jina-reranker-v2-base-multilingual | 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 $0.0001 / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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': 'jina-reranker-v2-base-multilingual', '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 jina-reranker-v2-base-multilingual
Gunakan jalur metode yang ditampilkan di atas.