rerank-2.5는 검색 후보 집합을 세밀하게 조정하도록 설계된 Voyage AI의 지시 이행 재정렬기입니다. 크로스 인코더로서 질의와 각 문서를 함께 살펴본 다음 관련성 순서를 반환합니다. 제조사의 릴리스는 무엇을 관련 있다고 볼지에 대한 자연어 제어, 다국어 검색, 이전 rerank-2 버전보다 긴 질의·문서 컨텍스트를 강조합니다.
입력은 질의와 후보 텍스트 문서 목록입니다. 임베딩 검색이나 어휘 기반 1단계 검색이 선택한 지문일 수 있습니다. 재정렬기는 문서 집합의 임베딩을 만드는 대신 제공한 텍스트를 평가하므로, 실제 역할은 최초 검색이 이미 찾은 후보를 더 세밀하게 정리하는 것입니다.
목록을 준비할 때 원래 후보 순서와 출처 식별자를 유지하세요. 반환된 인덱스는 해당 입력 위치를 가리킵니다. RAG 작업에서는 제목이나 해석에 필요한 적용 조건을 포함하여 답변 단계에서 실제로 사용할 수 있는 지문을 제공하세요. 제출한 후보 집합에 없는 관련 문서는 재정렬을 통해 새로 발견된 결과로 나타날 수 없습니다.
질의 뒤나 앞에 지시를 붙일 수 있습니다. 릴리스는 문서의 특정 부분 강조, 출처 유형 선호, 애플리케이션 맥락으로 질의의 모호성 해소라는 세 가지 유용한 역할을 설명합니다. 이는 모델에 제시하는 관련성 작업을 바꿉니다.
기술 검색용 지시의 예는 “실패와 복구 동작을 설명하는 지문을 우선하세요. 입문 개요는 부차적입니다.”입니다. 조사 자료 모음에서는 제목, 방법, 결과 중 무엇이 가장 중요한지 지정하세요. 모호한 용어에는 검색의 주제 분야를 명시하세요. 한쪽은 넓은 주제를 요청하고 다른 쪽은 알리지 않고 작업을 바꾸지 않도록 질문과 지시를 서로 양립하게 유지하세요.
이러한 선호사항은 관련성 점수화를 안내합니다. 애플리케이션에 출처 버전, 날짜, 접근 범위 같은 엄격한 적격 요건이 있다면 적격 후보 집합을 별도로 준비하세요. 모델의 관련성 지시와 규칙에 따라 확정적으로 적용되는 자료 모음 제한은 서로 다른 목적을 갖습니다.
결과는 관련성이 높은 순서로 정렬되며 부동소수점 관련성 점수와 후보의 원래 입력 인덱스를 포함합니다. top-k 옵션은 반환할 상위 결과 수를 선택합니다. 생략하면 제조사 사양에 따라 제출한 모든 후보의 결과를 반환합니다. 선택적인 return-documents 설정은 해당 원본 텍스트를 포함하고, 그렇지 않으면 응답에는 인덱스와 점수가 들어갑니다.
순서를 사용하여 표시하거나 후속 답변 단계에 전달할 지문을 선택하되 출처 식별 정보를 온전히 유지하세요. 순위를 평가할 때 실제 텍스트를 살펴보세요. 점수는 제출한 질의에 대한 관련성 척도이며 생성된 답변이나 문서 주장의 정확성 검증이 아닙니다. 따라서 이 모델은 순위 산정을 해당 분야의 결론으로 바꾸지 않으면서 기술, 법률, 금융, 의료, 대화, 다국어 검색 자료를 더 세밀하게 정리하는 데 유용합니다.
문서화된 질의 한도는 질의에 배치한 지시를 포함하여 8,000토큰입니다. 질의와 후보 문서 하나의 합은 32,000토큰 이내여야 하며 문서 목록에는 최대 1,000개 항목을 포함할 수 있습니다. 전체 허용량은 600,000토큰으로, 질의 토큰 수에 문서 수를 곱한 값에 모든 문서 토큰 수를 더해 계산합니다. 따라서 긴 지시는 후보 쌍마다 반복 계산됩니다.
출력 top-k 수는 해당 입력 토큰 계산의 후보 수를 바꾸지 않습니다. 기본 잘라내기는 길이를 초과한 질의나 문서를 줄여 컨텍스트 한도에 맞춥니다. 이를 비활성화하면 초과 길이 질의나 쌍에 오류가 반환됩니다. 답변을 담은 지문을 신중히 준비하고 모델이 보게 될 텍스트 안에 관련 적용 조건을 유지하세요. 대표 질문과 지시로 개선된 순서를 평가한 다음 선택한 원본 지문을 다음 단계에 전달하세요.
", "aboutText": "rerank-2.5는 검색 후보 집합을 세밀하게 조정하도록 설계된 Voyage AI의 지시 이행 재정렬기입니다. 크로스 인코더로서 질의와 각 문서를 함께 살펴본 다음 관련성 순서를 반환합니다. 제조사의 릴리스는 무엇을 관련 있다고 볼지에 대한 자연어 제어, 다국어 검색, 이전 rerank-2 버전보다 긴 질의·문서 컨텍스트를 강조합니다.\n\n### 비교할 후보를 모델에 제공하기\n\n입력은 질의와 후보 텍스트 문서 목록입니다. 임베딩 검색이나 어휘 기반 1단계 검색이 선택한 지문일 수 있습니다. 재정렬기는 문서 집합의 임베딩을 만드는 대신 제공한 텍스트를 평가하므로, 실제 역할은 최초 검색이 이미 찾은 후보를 더 세밀하게 정리하는 것입니다.\n\n목록을 준비할 때 원래 후보 순서와 출처 식별자를 유지하세요. 반환된 인덱스는 해당 입력 위치를 가리킵니다. RAG 작업에서는 제목이나 해석에 필요한 적용 조건을 포함하여 답변 단계에서 실제로 사용할 수 있는 지문을 제공하세요. 제출한 후보 집합에 없는 관련 문서는 재정렬을 통해 새로 발견된 결과로 나타날 수 없습니다.\n\n### 의도한 관련성의 의미 지정하기\n\n질의 뒤나 앞에 지시를 붙일 수 있습니다. 릴리스는 문서의 특정 부분 강조, 출처 유형 선호, 애플리케이션 맥락으로 질의의 모호성 해소라는 세 가지 유용한 역할을 설명합니다. 이는 모델에 제시하는 관련성 작업을 바꿉니다.\n\n기술 검색용 지시의 예는 “실패와 복구 동작을 설명하는 지문을 우선하세요. 입문 개요는 부차적입니다.”입니다. 조사 자료 모음에서는 제목, 방법, 결과 중 무엇이 가장 중요한지 지정하세요. 모호한 용어에는 검색의 주제 분야를 명시하세요. 한쪽은 넓은 주제를 요청하고 다른 쪽은 알리지 않고 작업을 바꾸지 않도록 질문과 지시를 서로 양립하게 유지하세요.\n\n이러한 선호사항은 관련성 점수화를 안내합니다. 애플리케이션에 출처 버전, 날짜, 접근 범위 같은 엄격한 적격 요건이 있다면 적격 후보 집합을 별도로 준비하세요. 모델의 관련성 지시와 규칙에 따라 확정적으로 적용되는 자료 모음 제한은 서로 다른 목적을 갖습니다.\n\n### 순위 출력과 후속 결과 활용\n\n결과는 관련성이 높은 순서로 정렬되며 부동소수점 관련성 점수와 후보의 원래 입력 인덱스를 포함합니다. top-k 옵션은 반환할 상위 결과 수를 선택합니다. 생략하면 제조사 사양에 따라 제출한 모든 후보의 결과를 반환합니다. 선택적인 return-documents 설정은 해당 원본 텍스트를 포함하고, 그렇지 않으면 응답에는 인덱스와 점수가 들어갑니다.\n\n순서를 사용하여 표시하거나 후속 답변 단계에 전달할 지문을 선택하되 출처 식별 정보를 온전히 유지하세요. 순위를 평가할 때 실제 텍스트를 살펴보세요. 점수는 제출한 질의에 대한 관련성 척도이며 생성된 답변이나 문서 주장의 정확성 검증이 아닙니다. 따라서 이 모델은 순위 산정을 해당 분야의 결론으로 바꾸지 않으면서 기술, 법률, 금융, 의료, 대화, 다국어 검색 자료를 더 세밀하게 정리하는 데 유용합니다.\n\n### 컨텍스트, 전체 토큰 예산, 잘라내기\n\n문서화된 질의 한도는 질의에 배치한 지시를 포함하여 8,000토큰입니다. 질의와 후보 문서 하나의 합은 32,000토큰 이내여야 하며 문서 목록에는 최대 1,000개 항목을 포함할 수 있습니다. 전체 허용량은 600,000토큰으로, 질의 토큰 수에 문서 수를 곱한 값에 모든 문서 토큰 수를 더해 계산합니다. 따라서 긴 지시는 후보 쌍마다 반복 계산됩니다.\n\n출력 top-k 수는 해당 입력 토큰 계산의 후보 수를 바꾸지 않습니다. 기본 잘라내기는 길이를 초과한 질의나 문서를 줄여 컨텍스트 한도에 맞춥니다. 이를 비활성화하면 초과 길이 질의나 쌍에 오류가 반환됩니다. 답변을 담은 지문을 신중히 준비하고 모델이 보게 될 텍스트 안에 관련 적용 조건을 유지하세요. 대표 질문과 지시로 개선된 순서를 평가한 다음 선택한 원본 지문을 다음 단계에 전달하세요.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ed750497748f075a9b2ac2b1b490da17802ee137299bd91d933c15578b0daf12", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ko", "methods": [ { "html": "voyageai/rerank-2.5rerank-2.5는 제공한 텍스트 후보 집합을 질의와 선택적인 자연어 지시에 대한 관련성순으로 재정렬합니다. 32,000토큰 질의·문서 컨텍스트를 갖춘 다국어 품질 중심 재정렬기로, 원래 후보 인덱스와 연결된 순위 점수를 반환합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
rerank-2.5는 검색 후보 집합을 세밀하게 조정하도록 설계된 Voyage AI의 지시 이행 재정렬기입니다. 크로스 인코더로서 질의와 각 문서를 함께 살펴본 다음 관련성 순서를 반환합니다. 제조사의 릴리스는 무엇을 관련 있다고 볼지에 대한 자연어 제어, 다국어 검색, 이전 rerank-2 버전보다 긴 질의·문서 컨텍스트를 강조합니다.
입력은 질의와 후보 텍스트 문서 목록입니다. 임베딩 검색이나 어휘 기반 1단계 검색이 선택한 지문일 수 있습니다. 재정렬기는 문서 집합의 임베딩을 만드는 대신 제공한 텍스트를 평가하므로, 실제 역할은 최초 검색이 이미 찾은 후보를 더 세밀하게 정리하는 것입니다.
목록을 준비할 때 원래 후보 순서와 출처 식별자를 유지하세요. 반환된 인덱스는 해당 입력 위치를 가리킵니다. RAG 작업에서는 제목이나 해석에 필요한 적용 조건을 포함하여 답변 단계에서 실제로 사용할 수 있는 지문을 제공하세요. 제출한 후보 집합에 없는 관련 문서는 재정렬을 통해 새로 발견된 결과로 나타날 수 없습니다.
질의 뒤나 앞에 지시를 붙일 수 있습니다. 릴리스는 문서의 특정 부분 강조, 출처 유형 선호, 애플리케이션 맥락으로 질의의 모호성 해소라는 세 가지 유용한 역할을 설명합니다. 이는 모델에 제시하는 관련성 작업을 바꿉니다.
기술 검색용 지시의 예는 “실패와 복구 동작을 설명하는 지문을 우선하세요. 입문 개요는 부차적입니다.”입니다. 조사 자료 모음에서는 제목, 방법, 결과 중 무엇이 가장 중요한지 지정하세요. 모호한 용어에는 검색의 주제 분야를 명시하세요. 한쪽은 넓은 주제를 요청하고 다른 쪽은 알리지 않고 작업을 바꾸지 않도록 질문과 지시를 서로 양립하게 유지하세요.
이러한 선호사항은 관련성 점수화를 안내합니다. 애플리케이션에 출처 버전, 날짜, 접근 범위 같은 엄격한 적격 요건이 있다면 적격 후보 집합을 별도로 준비하세요. 모델의 관련성 지시와 규칙에 따라 확정적으로 적용되는 자료 모음 제한은 서로 다른 목적을 갖습니다.
결과는 관련성이 높은 순서로 정렬되며 부동소수점 관련성 점수와 후보의 원래 입력 인덱스를 포함합니다. top-k 옵션은 반환할 상위 결과 수를 선택합니다. 생략하면 제조사 사양에 따라 제출한 모든 후보의 결과를 반환합니다. 선택적인 return-documents 설정은 해당 원본 텍스트를 포함하고, 그렇지 않으면 응답에는 인덱스와 점수가 들어갑니다.
순서를 사용하여 표시하거나 후속 답변 단계에 전달할 지문을 선택하되 출처 식별 정보를 온전히 유지하세요. 순위를 평가할 때 실제 텍스트를 살펴보세요. 점수는 제출한 질의에 대한 관련성 척도이며 생성된 답변이나 문서 주장의 정확성 검증이 아닙니다. 따라서 이 모델은 순위 산정을 해당 분야의 결론으로 바꾸지 않으면서 기술, 법률, 금융, 의료, 대화, 다국어 검색 자료를 더 세밀하게 정리하는 데 유용합니다.
문서화된 질의 한도는 질의에 배치한 지시를 포함하여 8,000토큰입니다. 질의와 후보 문서 하나의 합은 32,000토큰 이내여야 하며 문서 목록에는 최대 1,000개 항목을 포함할 수 있습니다. 전체 허용량은 600,000토큰으로, 질의 토큰 수에 문서 수를 곱한 값에 모든 문서 토큰 수를 더해 계산합니다. 따라서 긴 지시는 후보 쌍마다 반복 계산됩니다.
출력 top-k 수는 해당 입력 토큰 계산의 후보 수를 바꾸지 않습니다. 기본 잘라내기는 길이를 초과한 질의나 문서를 줄여 컨텍스트 한도에 맞춥니다. 이를 비활성화하면 초과 길이 질의나 쌍에 오류가 반환됩니다. 답변을 담은 지문을 신중히 준비하고 모델이 보게 될 텍스트 안에 관련 적용 조건을 유지하세요. 대표 질문과 지시로 개선된 순서를 평가한 다음 선택한 원본 지문을 다음 단계에 전달하세요.
POST /v1/reranktextrerank| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드documents | 유형array | 요건필수 | 값과 한도 | 기본값— |
필드model | 유형string | 요건필수 | 값과 한도 voyageai/rerank-2.5 | 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 $0.0001 / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "documents": [\n "Paris is the capital of France.",\n "Berlin is the capital of Germany."\n ],\n "model": "voyageai/rerank-2.5",\n "query": "What is the capital of France?",\n "top_n": 3\n}set -eu\n: "${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'\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
위에 표시된 메서드 경로를 사용하세요.