rerank-2.5-lite는 Voyage AI의 2.5 재정렬기 릴리스에 속하는 경량 모델입니다. 제조사는 자연어 지시 이행과 다국어 지원을 갖추고 지연 시간과 관련성 품질의 균형을 맞추는 범용 모델로 설명합니다. 입력은 질의와 후보 텍스트이며 출력은 관련성 점수가 포함된, 더 정교해진 후보 순서입니다.
Lite 모델은 크로스 인코더로서 각 질의·문서 쌍을 함께 처리합니다. 1단계 임베딩 또는 어휘 검색 뒤에서 해당 단계가 선택한 지문을 세밀하게 재정렬할 수 있습니다. 이는 재사용 가능한 임베딩 인덱스를 준비하는 것과 다릅니다. 재정렬기는 현재 관련성 판단을 위해 제출된 질의와 문서 텍스트를 함께 살펴봅니다.
대화형 도움말 검색에서는 사용자의 질문에 답할 수 있는 후보 설명을 제출하세요. 동작과 그 적용 조건을 전달할 수 있을 만큼 각 지문을 남기고 입력 인덱스와 원본 항목의 연결을 보존하세요. 초점이 분명한 후보 집합은 재정렬 작업을 명확하게 하면서 검색한 근거를 표시나 후속 답변에 계속 활용할 수 있게 합니다.
rerank-2.5와 마찬가지로 Lite는 질의 앞이나 뒤의 자연어 지시를 받습니다. 제조사의 예시는 이를 사용하여 문서 구성 요소를 강조하고, 선호하는 출처 유형을 선택하거나, 모호한 단어에 맥락을 추가합니다. 애플리케이션이 고정된 관련성 선호사항을 제공하거나 현재 질문에 더 구체적인 선호사항을 포함할 수 있습니다.
지원 질의의 예로 어떤 지문이 오류를 설명하는지 묻고 일반 제품 설명보다 문제 해결 단계를 우선하라고 지시할 수 있습니다. 문서 검색에서는 정책에 대한 논의보다 원래 정책 문구를 요청할 수 있습니다. 원하는 근거를 설명하고 지시를 간결하게 유지하세요. 지시는 관련성 점수에 영향을 줍니다. 관련성 선호사항을 보장된 필터로 취급하지 말고 엄격한 버전, 날짜, 권한 제한은 후보 선택 단계에서 준비하세요.
출력은 관련성이 높은 순서로 정렬됩니다. 각 결과에는 원래 문서 인덱스와 부동소수점 점수가 포함되며, 선택적인 return-documents 설정은 해당 입력 텍스트도 반환합니다. top-k 옵션은 반환할 상위 결과 수를 결정하며, 생략하면 제출한 모든 후보의 순위를 반환합니다.
이 인덱스로 원본 지문과 식별자를 복구하세요. 재정렬된 후보는 검색 결과나 다음 RAG 단계의 근거가 될 수 있지만, 출력은 다시 쓴 답변이 아니라 제공된 텍스트의 순서입니다. 자료 모음에 실제로 존재하는 언어와 문서 유형을 포함하여 상위 지문이 질문과 관련성 지시를 모두 충족하는지 평가하세요.
2.5 Lite 버전에는 질의 최대 8,000토큰, 질의와 각 개별 문서 합산 32,000토큰의 한도가 문서화되어 있습니다. 이는 더 작은 컨텍스트의 이전 rerank-2-lite 모델과 구분됩니다. 최대 1,000개 문서를 제출할 수 있고 전체 입력은 600,000토큰으로 제한됩니다. 계산식은 질의 토큰 수에 후보 수를 곱한 값에 후보 문서 토큰 수의 합을 더하는 방식입니다.
지연 시간에 민감한 사용을 위해 제조사의 FAQ는 rerank-2.5-lite 요청당 전체 토큰을 200,000 이하로 권장합니다. 이는 명시된 최대값보다 낮은 실용적인 가이드이며 다른 문서별 창 크기를 뜻하지는 않습니다. 긴 질의나 지시는 후보 쌍마다 한 번씩 계산되므로 후보 수와 질의 길이가 모두 총량에 영향을 줍니다.
잘라내기는 기본적으로 활성화되며 길이를 초과한 질의·문서 입력을 맞춰 줄입니다. 이를 비활성화하면 길이를 초과한 질의나 쌍에 오류가 반환됩니다. 유용한 근거가 잘려 나가는 경계 뒤에 남지 않도록 간결하면서 답변을 담은 후보를 신중히 준비하세요. top-k로 출력 결과 수를 줄여도 제공한 다른 후보는 토큰 계산에서 제외되지 않습니다. 반환된 원본 지문을 살펴보고 검색 인터페이스가 답해야 하는 실제 질문을 중심으로 입력 준비를 개선하세요.
", "aboutText": "rerank-2.5-lite는 Voyage AI의 2.5 재정렬기 릴리스에 속하는 경량 모델입니다. 제조사는 자연어 지시 이행과 다국어 지원을 갖추고 지연 시간과 관련성 품질의 균형을 맞추는 범용 모델로 설명합니다. 입력은 질의와 후보 텍스트이며 출력은 관련성 점수가 포함된, 더 정교해진 후보 순서입니다.\n\n### 경량의 2단계 관련성 판단\n\nLite 모델은 크로스 인코더로서 각 질의·문서 쌍을 함께 처리합니다. 1단계 임베딩 또는 어휘 검색 뒤에서 해당 단계가 선택한 지문을 세밀하게 재정렬할 수 있습니다. 이는 재사용 가능한 임베딩 인덱스를 준비하는 것과 다릅니다. 재정렬기는 현재 관련성 판단을 위해 제출된 질의와 문서 텍스트를 함께 살펴봅니다.\n\n대화형 도움말 검색에서는 사용자의 질문에 답할 수 있는 후보 설명을 제출하세요. 동작과 그 적용 조건을 전달할 수 있을 만큼 각 지문을 남기고 입력 인덱스와 원본 항목의 연결을 보존하세요. 초점이 분명한 후보 집합은 재정렬 작업을 명확하게 하면서 검색한 근거를 표시나 후속 답변에 계속 활용할 수 있게 합니다.\n\n### 지시는 사용자가 우선하려는 내용을 표현합니다\n\nrerank-2.5와 마찬가지로 Lite는 질의 앞이나 뒤의 자연어 지시를 받습니다. 제조사의 예시는 이를 사용하여 문서 구성 요소를 강조하고, 선호하는 출처 유형을 선택하거나, 모호한 단어에 맥락을 추가합니다. 애플리케이션이 고정된 관련성 선호사항을 제공하거나 현재 질문에 더 구체적인 선호사항을 포함할 수 있습니다.\n\n지원 질의의 예로 어떤 지문이 오류를 설명하는지 묻고 일반 제품 설명보다 문제 해결 단계를 우선하라고 지시할 수 있습니다. 문서 검색에서는 정책에 대한 논의보다 원래 정책 문구를 요청할 수 있습니다. 원하는 근거를 설명하고 지시를 간결하게 유지하세요. 지시는 관련성 점수에 영향을 줍니다. 관련성 선호사항을 보장된 필터로 취급하지 말고 엄격한 버전, 날짜, 권한 제한은 후보 선택 단계에서 준비하세요.\n\n### 순위를 읽고 원본 지문 반환하기\n\n출력은 관련성이 높은 순서로 정렬됩니다. 각 결과에는 원래 문서 인덱스와 부동소수점 점수가 포함되며, 선택적인 return-documents 설정은 해당 입력 텍스트도 반환합니다. top-k 옵션은 반환할 상위 결과 수를 결정하며, 생략하면 제출한 모든 후보의 순위를 반환합니다.\n\n이 인덱스로 원본 지문과 식별자를 복구하세요. 재정렬된 후보는 검색 결과나 다음 RAG 단계의 근거가 될 수 있지만, 출력은 다시 쓴 답변이 아니라 제공된 텍스트의 순서입니다. 자료 모음에 실제로 존재하는 언어와 문서 유형을 포함하여 상위 지문이 질문과 관련성 지시를 모두 충족하는지 평가하세요.\n\n### 한도와 실용적인 후보 예산\n\n2.5 Lite 버전에는 질의 최대 8,000토큰, 질의와 각 개별 문서 합산 32,000토큰의 한도가 문서화되어 있습니다. 이는 더 작은 컨텍스트의 이전 rerank-2-lite 모델과 구분됩니다. 최대 1,000개 문서를 제출할 수 있고 전체 입력은 600,000토큰으로 제한됩니다. 계산식은 질의 토큰 수에 후보 수를 곱한 값에 후보 문서 토큰 수의 합을 더하는 방식입니다.\n\n지연 시간에 민감한 사용을 위해 제조사의 FAQ는 rerank-2.5-lite 요청당 전체 토큰을 200,000 이하로 권장합니다. 이는 명시된 최대값보다 낮은 실용적인 가이드이며 다른 문서별 창 크기를 뜻하지는 않습니다. 긴 질의나 지시는 후보 쌍마다 한 번씩 계산되므로 후보 수와 질의 길이가 모두 총량에 영향을 줍니다.\n\n잘라내기는 기본적으로 활성화되며 길이를 초과한 질의·문서 입력을 맞춰 줄입니다. 이를 비활성화하면 길이를 초과한 질의나 쌍에 오류가 반환됩니다. 유용한 근거가 잘려 나가는 경계 뒤에 남지 않도록 간결하면서 답변을 담은 후보를 신중히 준비하세요. top-k로 출력 결과 수를 줄여도 제공한 다른 후보는 토큰 계산에서 제외되지 않습니다. 반환된 원본 지문을 살펴보고 검색 인터페이스가 답해야 하는 실제 질문을 중심으로 입력 준비를 개선하세요.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d7b5449760ffeb0b891029d0208ee4013b7c59441c9bcd9bc6150929351062a2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ko", "methods": [ { "html": "voyageai/rerank-2.5-litererank-2.5-lite는 제공한 텍스트 후보 집합을 처리하는 Voyage AI의 지연 시간 중심 지시 이행 재정렬기입니다. 32,000토큰 질의·문서 컨텍스트와 다국어 지원을 유지하며, 관련성 점수와 원래 문서 인덱스를 순서가 있는 목록으로 반환합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
rerank-2.5-lite는 Voyage AI의 2.5 재정렬기 릴리스에 속하는 경량 모델입니다. 제조사는 자연어 지시 이행과 다국어 지원을 갖추고 지연 시간과 관련성 품질의 균형을 맞추는 범용 모델로 설명합니다. 입력은 질의와 후보 텍스트이며 출력은 관련성 점수가 포함된, 더 정교해진 후보 순서입니다.
Lite 모델은 크로스 인코더로서 각 질의·문서 쌍을 함께 처리합니다. 1단계 임베딩 또는 어휘 검색 뒤에서 해당 단계가 선택한 지문을 세밀하게 재정렬할 수 있습니다. 이는 재사용 가능한 임베딩 인덱스를 준비하는 것과 다릅니다. 재정렬기는 현재 관련성 판단을 위해 제출된 질의와 문서 텍스트를 함께 살펴봅니다.
대화형 도움말 검색에서는 사용자의 질문에 답할 수 있는 후보 설명을 제출하세요. 동작과 그 적용 조건을 전달할 수 있을 만큼 각 지문을 남기고 입력 인덱스와 원본 항목의 연결을 보존하세요. 초점이 분명한 후보 집합은 재정렬 작업을 명확하게 하면서 검색한 근거를 표시나 후속 답변에 계속 활용할 수 있게 합니다.
rerank-2.5와 마찬가지로 Lite는 질의 앞이나 뒤의 자연어 지시를 받습니다. 제조사의 예시는 이를 사용하여 문서 구성 요소를 강조하고, 선호하는 출처 유형을 선택하거나, 모호한 단어에 맥락을 추가합니다. 애플리케이션이 고정된 관련성 선호사항을 제공하거나 현재 질문에 더 구체적인 선호사항을 포함할 수 있습니다.
지원 질의의 예로 어떤 지문이 오류를 설명하는지 묻고 일반 제품 설명보다 문제 해결 단계를 우선하라고 지시할 수 있습니다. 문서 검색에서는 정책에 대한 논의보다 원래 정책 문구를 요청할 수 있습니다. 원하는 근거를 설명하고 지시를 간결하게 유지하세요. 지시는 관련성 점수에 영향을 줍니다. 관련성 선호사항을 보장된 필터로 취급하지 말고 엄격한 버전, 날짜, 권한 제한은 후보 선택 단계에서 준비하세요.
출력은 관련성이 높은 순서로 정렬됩니다. 각 결과에는 원래 문서 인덱스와 부동소수점 점수가 포함되며, 선택적인 return-documents 설정은 해당 입력 텍스트도 반환합니다. top-k 옵션은 반환할 상위 결과 수를 결정하며, 생략하면 제출한 모든 후보의 순위를 반환합니다.
이 인덱스로 원본 지문과 식별자를 복구하세요. 재정렬된 후보는 검색 결과나 다음 RAG 단계의 근거가 될 수 있지만, 출력은 다시 쓴 답변이 아니라 제공된 텍스트의 순서입니다. 자료 모음에 실제로 존재하는 언어와 문서 유형을 포함하여 상위 지문이 질문과 관련성 지시를 모두 충족하는지 평가하세요.
2.5 Lite 버전에는 질의 최대 8,000토큰, 질의와 각 개별 문서 합산 32,000토큰의 한도가 문서화되어 있습니다. 이는 더 작은 컨텍스트의 이전 rerank-2-lite 모델과 구분됩니다. 최대 1,000개 문서를 제출할 수 있고 전체 입력은 600,000토큰으로 제한됩니다. 계산식은 질의 토큰 수에 후보 수를 곱한 값에 후보 문서 토큰 수의 합을 더하는 방식입니다.
지연 시간에 민감한 사용을 위해 제조사의 FAQ는 rerank-2.5-lite 요청당 전체 토큰을 200,000 이하로 권장합니다. 이는 명시된 최대값보다 낮은 실용적인 가이드이며 다른 문서별 창 크기를 뜻하지는 않습니다. 긴 질의나 지시는 후보 쌍마다 한 번씩 계산되므로 후보 수와 질의 길이가 모두 총량에 영향을 줍니다.
잘라내기는 기본적으로 활성화되며 길이를 초과한 질의·문서 입력을 맞춰 줄입니다. 이를 비활성화하면 길이를 초과한 질의나 쌍에 오류가 반환됩니다. 유용한 근거가 잘려 나가는 경계 뒤에 남지 않도록 간결하면서 답변을 담은 후보를 신중히 준비하세요. top-k로 출력 결과 수를 줄여도 제공한 다른 후보는 토큰 계산에서 제외되지 않습니다. 반환된 원본 지문을 살펴보고 검색 인터페이스가 답해야 하는 실제 질문을 중심으로 입력 준비를 개선하세요.
POST /v1/reranktextrerank| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드documents | 유형array | 요건필수 | 값과 한도 | 기본값— |
필드model | 유형string | 요건필수 | 값과 한도 voyageai/rerank-2.5-lite | 기본값— |
필드provider | 유형schema | 요건선택 사항 | 값과 한도 | 기본값— |
필드query | 유형string | 요건필수 | 값과 한도 | 기본값— |
필드session_id | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드top_n | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 | 기본값— |
필드trace | 유형schema | 요건선택 사항 | 값과 한도 | 기본값— |
필드user | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드documents[].text | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드documents[].image | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
text_rerank · 필수: query, documents array with minItems1
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, query, documents |
매개변수material_types | 명세text |
매개변수optional_controls | 명세provider, session_id, top_n, trace, user |
매개변수multimodal_input_binding | 명세null |
수명 주기: synchronous
정확한 모델 ID를 전송하고 네이티브 응답 전체를 보존하세요.
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 과금 단위 | 요금 |
|---|---|---|---|
| 설정기본 토큰 요금 | 요금표기본 요금 | 과금 단위— | 요금 입력 · 입력 토큰 — / 1K 토큰 출력 · 출력 토큰 — / 1K 토큰 입력 · 캐시 읽기 — / 1K 토큰 입력 · 캐시 쓰기 — / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정Ultra | 요금표— | 과금 단위/ 1K 토큰 | 요금 입력 $0.00004 / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "documents": [\n "Paris is the capital of France.",\n "Berlin is the capital of Germany."\n ],\n "model": "voyageai/rerank-2.5-lite",\n "query": "What is the capital of France?",\n "top_n": 3\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='voyageai/rerank-2.5-lite'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/rerank \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 실제 결과 인덱스, 유한한 relevance_score 및 원본 문서 객체가 보존됩니다. 인덱스는 원본 문서 배열과 연결됩니다. 원본 JSON 전체는 정산이 끝난 후에만 저장되고 반환됩니다.
원래 작업과 전체/부분 응답을 보존하세요. POST를 재전송하지 마세요.
| 필드 | 유형 |
|---|---|
필드model | 유형string |
필드id | 유형string |
필드provider | 유형string |
필드results[].index | 유형integer |
필드results[].relevance_score | 유형number |
필드results[].document.text | 유형string |
필드results[].document.image | 유형string |
필드usage.search_units | 유형integer |
필드usage.total_tokens | 유형integer |
필드usage.cost | 유형number |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 표현 형식 또는 값이 유효하지 않음 | 다음 단계표시된 요청 필드를 수정하세요. |
Ailoot Ultra voyageai/rerank-2.5-lite
위에 표시된 메서드 경로를 사용하세요.