BGE Reranker v2 M3 è un modello multilingue di pertinenza costruito su BGE-M3. Riceve insieme una query e un passaggio candidato e restituisce un punteggio per la loro relazione. BAAI propone questa edizione come reranker multilingue efficiente, anche per il recupero in cinese e inglese, quando un'applicazione di ricerca deve perfezionare un elenco di candidati esistente.
Un cross-encoder elabora entrambi i testi congiuntamente, consentendo ai loro contenuti di interagire prima della produzione del punteggio di pertinenza. Questo differisce da un modello di embedding, che codifica i testi indipendentemente per confronti vettoriali riutilizzabili. L'output del reranker è un punteggio scalare per una coppia specifica, anziché un vettore del documento o una risposta scritta.
Usa il modello dopo che una ricerca iniziale ha selezionato passaggi plausibili. Abbina la domanda a ciascun candidato e ordina i candidati in base ai punteggi risultanti. Questo concentra il confronto più dettagliato su una rosa gestibile, anziché chiedere a un cross-encoder di esaminare ogni passaggio di una raccolta ampia.
Il produttore identifica BGE-M3 come modello di base ed elenca il supporto multilingue come caratteristica principale. Nella famiglia di reranker v2, M3 è l'opzione multilingue efficiente; le varianti basate su Gemma e quelle con selezione dei livelli sono modelli distinti con scelte di implementazione diverse. Il nome M3 qui non significa che il reranker restituisca gli embedding densi, sparsi e multivettoriali del modello di embedding originale.
Questa distinzione conta quando scegli il risultato richiesto dall'applicazione. Seleziona un modello di embedding per rappresentare e cercare una raccolta di documenti. Seleziona questo reranker quando disponi già di testo candidato e devi decidere quale passaggio sia più pertinente alla query attuale.
Fornisci la domanda effettiva e il testo candidato completo necessario per interpretarlo. Preserva le intestazioni o le definizioni vicine quando determinano il significato di un passaggio. Nell'esempio Transformers pubblicato, query e passaggio vengono tokenizzati insieme con troncamento e max_length=512. Questa è un'impostazione di esempio anziché un limite valido per tutto il modello. Mantieni la domanda e le prove necessarie entro il budget selezionato per la coppia e controlla ciò che viene rimosso dal troncamento. Un risultato che menziona lo stesso prodotto della query può comunque essere irrilevante se riguarda l'operazione o la condizione sbagliata; prepara esempi che distinguano questi casi quando valuti la qualità del recupero.
Per un assistente documentale, mantieni gli identificatori dei candidati accanto al loro testo, assegna punteggi alle coppie domanda–passaggio e passa i passaggi originali selezionati alla fase di risposta. Il modello che risponde riceve così le prove anziché un punteggio di pertinenza privo della fonte. Questo è un flusso di recupero esemplificativo; il reranker stesso non cerca in una raccolta esterna e non scrive la risposta.
Il produttore restituisce punteggi grezzi di pertinenza, con un valore più alto che indica una corrispondenza più stretta. La normalizzazione facoltativa documentata applica una funzione sigmoide per collocare il punteggio fra 0 e 1. Un punteggio normalizzato ha un intervallo comodo, ma la sola trasformazione non stabilisce una probabilità calibrata che il candidato sia corretto.
Scegli le soglie di ordinamento o filtraggio usando coppie query–passaggio rappresentative del tuo carico di lavoro. Includi passaggi che condividono parole chiave ma rispondono a una domanda diversa, oltre a passaggi pertinenti con formulazioni differenti. Questo rende la soglia selezionata significativa per la raccolta in cui si cerca.
Per un progetto con Ailoot API, definisci cosa deve contenere il contesto finale e quanti candidati possono essere esaminati in modo efficiente. Il risultato utile è un insieme di prove ordinato meglio per il passaggio applicativo successivo. Mantieni l'output di pertinenza di questa edizione separato dagli embedding dei documenti, dalla prosa generata e dai controlli di selezione dei livelli documentati per altri reranker.
", "aboutText": "BGE Reranker v2 M3 è un modello multilingue di pertinenza costruito su BGE-M3. Riceve insieme una query e un passaggio candidato e restituisce un punteggio per la loro relazione. BAAI propone questa edizione come reranker multilingue efficiente, anche per il recupero in cinese e inglese, quando un'applicazione di ricerca deve perfezionare un elenco di candidati esistente.\n\n### Pertinenza da una coppia query–passaggio\n\nUn cross-encoder elabora entrambi i testi congiuntamente, consentendo ai loro contenuti di interagire prima della produzione del punteggio di pertinenza. Questo differisce da un modello di embedding, che codifica i testi indipendentemente per confronti vettoriali riutilizzabili. L'output del reranker è un punteggio scalare per una coppia specifica, anziché un vettore del documento o una risposta scritta.\n\nUsa il modello dopo che una ricerca iniziale ha selezionato passaggi plausibili. Abbina la domanda a ciascun candidato e ordina i candidati in base ai punteggi risultanti. Questo concentra il confronto più dettagliato su una rosa gestibile, anziché chiedere a un cross-encoder di esaminare ogni passaggio di una raccolta ampia.\n\n### L'edizione v2 M3\n\nIl produttore identifica BGE-M3 come modello di base ed elenca il supporto multilingue come caratteristica principale. Nella famiglia di reranker v2, M3 è l'opzione multilingue efficiente; le varianti basate su Gemma e quelle con selezione dei livelli sono modelli distinti con scelte di implementazione diverse. Il nome M3 qui non significa che il reranker restituisca gli embedding densi, sparsi e multivettoriali del modello di embedding originale.\n\nQuesta distinzione conta quando scegli il risultato richiesto dall'applicazione. Seleziona un modello di embedding per rappresentare e cercare una raccolta di documenti. Seleziona questo reranker quando disponi già di testo candidato e devi decidere quale passaggio sia più pertinente alla query attuale.\n\n### Preparare candidati che possano essere ordinati utilmente\n\nFornisci la domanda effettiva e il testo candidato completo necessario per interpretarlo. Preserva le intestazioni o le definizioni vicine quando determinano il significato di un passaggio. Nell'esempio Transformers pubblicato, query e passaggio vengono tokenizzati insieme con troncamento e max_length=512. Questa è un'impostazione di esempio anziché un limite valido per tutto il modello. Mantieni la domanda e le prove necessarie entro il budget selezionato per la coppia e controlla ciò che viene rimosso dal troncamento. Un risultato che menziona lo stesso prodotto della query può comunque essere irrilevante se riguarda l'operazione o la condizione sbagliata; prepara esempi che distinguano questi casi quando valuti la qualità del recupero.\n\nPer un assistente documentale, mantieni gli identificatori dei candidati accanto al loro testo, assegna punteggi alle coppie domanda–passaggio e passa i passaggi originali selezionati alla fase di risposta. Il modello che risponde riceve così le prove anziché un punteggio di pertinenza privo della fonte. Questo è un flusso di recupero esemplificativo; il reranker stesso non cerca in una raccolta esterna e non scrive la risposta.\n\n### Leggere e normalizzare i punteggi\n\nIl produttore restituisce punteggi grezzi di pertinenza, con un valore più alto che indica una corrispondenza più stretta. La normalizzazione facoltativa documentata applica una funzione sigmoide per collocare il punteggio fra 0 e 1. Un punteggio normalizzato ha un intervallo comodo, ma la sola trasformazione non stabilisce una probabilità calibrata che il candidato sia corretto.\n\nScegli le soglie di ordinamento o filtraggio usando coppie query–passaggio rappresentative del tuo carico di lavoro. Includi passaggi che condividono parole chiave ma rispondono a una domanda diversa, oltre a passaggi pertinenti con formulazioni differenti. Questo rende la soglia selezionata significativa per la raccolta in cui si cerca.\n\nPer un progetto con Ailoot API, definisci cosa deve contenere il contesto finale e quanti candidati possono essere esaminati in modo efficiente. Il risultato utile è un insieme di prove ordinato meglio per il passaggio applicativo successivo. Mantieni l'output di pertinenza di questa edizione separato dagli embedding dei documenti, dalla prosa generata e dai controlli di selezione dei livelli documentati per altri reranker.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3b27f1398434f1d3990bdbee7fc614c5043d5e9d7c84cb77371d96aeae76cdb2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "bge-reranker-v2-m3Il cross-encoder multilingue di BAAI per ordinare passaggi candidati rispetto a una query. Legge insieme ogni coppia query–passaggio e restituisce un punteggio di pertinenza, perfezionando una rosa di risultati di ricerca senza generare una risposta o creare embedding dei documenti.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
BGE Reranker v2 M3 è un modello multilingue di pertinenza costruito su BGE-M3. Riceve insieme una query e un passaggio candidato e restituisce un punteggio per la loro relazione. BAAI propone questa edizione come reranker multilingue efficiente, anche per il recupero in cinese e inglese, quando un'applicazione di ricerca deve perfezionare un elenco di candidati esistente.
Un cross-encoder elabora entrambi i testi congiuntamente, consentendo ai loro contenuti di interagire prima della produzione del punteggio di pertinenza. Questo differisce da un modello di embedding, che codifica i testi indipendentemente per confronti vettoriali riutilizzabili. L'output del reranker è un punteggio scalare per una coppia specifica, anziché un vettore del documento o una risposta scritta.
Usa il modello dopo che una ricerca iniziale ha selezionato passaggi plausibili. Abbina la domanda a ciascun candidato e ordina i candidati in base ai punteggi risultanti. Questo concentra il confronto più dettagliato su una rosa gestibile, anziché chiedere a un cross-encoder di esaminare ogni passaggio di una raccolta ampia.
Il produttore identifica BGE-M3 come modello di base ed elenca il supporto multilingue come caratteristica principale. Nella famiglia di reranker v2, M3 è l'opzione multilingue efficiente; le varianti basate su Gemma e quelle con selezione dei livelli sono modelli distinti con scelte di implementazione diverse. Il nome M3 qui non significa che il reranker restituisca gli embedding densi, sparsi e multivettoriali del modello di embedding originale.
Questa distinzione conta quando scegli il risultato richiesto dall'applicazione. Seleziona un modello di embedding per rappresentare e cercare una raccolta di documenti. Seleziona questo reranker quando disponi già di testo candidato e devi decidere quale passaggio sia più pertinente alla query attuale.
Fornisci la domanda effettiva e il testo candidato completo necessario per interpretarlo. Preserva le intestazioni o le definizioni vicine quando determinano il significato di un passaggio. Nell'esempio Transformers pubblicato, query e passaggio vengono tokenizzati insieme con troncamento e max_length=512. Questa è un'impostazione di esempio anziché un limite valido per tutto il modello. Mantieni la domanda e le prove necessarie entro il budget selezionato per la coppia e controlla ciò che viene rimosso dal troncamento. Un risultato che menziona lo stesso prodotto della query può comunque essere irrilevante se riguarda l'operazione o la condizione sbagliata; prepara esempi che distinguano questi casi quando valuti la qualità del recupero.
Per un assistente documentale, mantieni gli identificatori dei candidati accanto al loro testo, assegna punteggi alle coppie domanda–passaggio e passa i passaggi originali selezionati alla fase di risposta. Il modello che risponde riceve così le prove anziché un punteggio di pertinenza privo della fonte. Questo è un flusso di recupero esemplificativo; il reranker stesso non cerca in una raccolta esterna e non scrive la risposta.
Il produttore restituisce punteggi grezzi di pertinenza, con un valore più alto che indica una corrispondenza più stretta. La normalizzazione facoltativa documentata applica una funzione sigmoide per collocare il punteggio fra 0 e 1. Un punteggio normalizzato ha un intervallo comodo, ma la sola trasformazione non stabilisce una probabilità calibrata che il candidato sia corretto.
Scegli le soglie di ordinamento o filtraggio usando coppie query–passaggio rappresentative del tuo carico di lavoro. Includi passaggi che condividono parole chiave ma rispondono a una domanda diversa, oltre a passaggi pertinenti con formulazioni differenti. Questo rende la soglia selezionata significativa per la raccolta in cui si cerca.
Per un progetto con Ailoot API, definisci cosa deve contenere il contesto finale e quanti candidati possono essere esaminati in modo efficiente. Il risultato utile è un insieme di prove ordinato meglio per il passaggio applicativo successivo. Mantieni l'output di pertinenza di questa edizione separato dagli embedding dei documenti, dalla prosa generata e dai controlli di selezione dei livelli documentati per altri reranker.
POST /v1/reranktextrerank| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti bge-reranker-v2-m3 | Predefinito— |
Campoquery | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campodocuments | Tipoarray | RequisitoObbligatorio | Valori e limiti | Predefinito— |
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, documents |
Parametromaterial_types | Contrattotext |
Parametromaterial_conditions | ContrattoImposta la tua query reale e un array non vuoto di documenti di testo originali. Gli indici dei risultati si riferiscono a quell'array originale. |
Ciclo di vita: synchronous_result_then_owned_library
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Unità di fatturazione | Costo |
|---|---|---|---|
| ConfigurazioneTariffe base dei token | Listino delle tariffeTariffa base | Unità di fatturazione— | Costo Input · Token in input — / 1K token Output · Token in output — / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| Configurazionetoken totali | Listino delle tariffe— | Unità di fatturazione/ 1K token | Costo Input · token totali $0.00004 / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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.\nRisultato JSON nativo originale completo con il modello di risposta configurato, gli indici dei documenti originali, i punteggi di pertinenza, le stringhe dei documenti e l'utilizzo nativo dei token. Conserva ogni campo effettivo del risultato e di utilizzo.
GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva la risposta completa e gli header, ogni output effettivo, gli identificatori originali restituiti e tutti i campi di utilizzo. Recupera l'operazione originale senza inviare nuovamente la richiesta di creazione.
Conserva l'X-Client-Request-ID effettivo e la risposta completa. Consulta le risorse originali di tua proprietà e i relativi URL firmati esatti del contenuto; non inviare mai nuovamente una creazione dall'esito incerto.
| Campo | Tipo | Significato |
|---|---|---|
Campomodel | Tipostring | SignificatoModello di risposta esatto richiesto dal componente configurato nel codice sorgente che elabora la risposta. |
Camporesults[].index | Tipointeger | SignificatoIndice univoco del documento originale in ingresso. |
Camporesults[].relevance_score | Tiponumber | SignificatoPunteggio di pertinenza finito. |
Camporesults[].document | Tipostring | SignificatoDocumento di testo originale richiesto da questo componente configurato che utilizza la risposta. |
Campousage.total_tokens | Tipointeger | SignificatoConteggio nativo di token finito e non negativo richiesto dalla tariffa attualmente accettata. |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneIl corpo JSON o l'ID canonico esplicito del modello non è valido. | Passaggio successivoConserva la risposta e correggi il campo della richiesta indicato. |
Risposta401 · authentication_error | CondizioneLa chiave API Ailoot non è valida. | Passaggio successivoUsa la tua chiave API Ailoot autorizzata. |
Risposta403 · permission_error | CondizioneIl gruppo della chiave non è autorizzato a utilizzare questo metodo. | Passaggio successivoConserva i dettagli dell'errore restituiti. |
Risposta404 · not_found_error | CondizioneIl metodo selezionato non dispone di una rotta autorizzata all'utilizzo. | Passaggio successivoConserva i dettagli dell'errore restituiti. |
Risposta422 · price_unavailable | CondizioneLa tariffa accettata non può ottenere la quantità in ingresso o il limite richiesto. | Passaggio successivoConserva la risposta; usa la rappresentazione dell'input richiesta dalla tariffa accettata. |
Risposta503 · | CondizioneL'archiviazione richiesta, la rotta, il prezzo del metodo o la riserva dell'importo non sono disponibili. | Passaggio successivoConserva l'intera risposta originale. Una riserva dell'importo dall'esito incerto non autorizza un nuovo invio. |
Risposta502 · billing_requires_check | CondizioneIl risultato originale, i dati di utilizzo o il conguaglio dell'addebito richiedono una verifica. | Passaggio successivoConserva l'ID effettivo della richiesta e la risposta originale. Consulta il record esistente di tua proprietà; non inviare nuovamente la richiesta di creazione. |
Ailoot Ultra bge-reranker-v2-m3
Usa i percorsi dei metodi indicati sopra.