{
  "aboutHtml": "<p>Qwen3 Rerank menilai teks calon berdasarkan pertanyaan dan arahan pemeringkatan yang dibekalkan. Pemilih tepat yang dikonfigurasikan ialah qwen3-rerank. Peranannya ialah menyusun calon yang dibekalkan untuk kerja carian dan pemilihan dokumen; permintaan menyimpan pertanyaan, arahan dan petikan calon bersama-sama supaya penilaian kerelevanan dapat dijejaki semula kepada inputnya.</p><p>Sediakan documents sebagai tatasusunan rentetan, dengan satu petikan calon dalam setiap entri. Simpan pemetaan berasingan daripada setiap kedudukan tatasusunan kepada pengecam dokumen, tajuk atau lokasi sumber anda sendiri. Ini membolehkan aplikasi menghubungkan semula hasil yang telah diperingkatkan dengan petikan asal tanpa menambahkan objek pengecam yang tidak didokumenkan ke dalam tatasusunan rentetan. Untuk carian sokongan, calonnya mungkin bahagian berkaitan yang sudah diperoleh daripada panduan produk; pertanyaan perlu menyatakan keperluan maklumat sebenar pengguna.</p><p>Permintaan yang didokumenkan memerlukan model, documents, query, top_n dan instruct. Medan query dan instruct ialah rentetan, manakala top_n ialah integer yang dibekalkan secara eksplisit. Contoh yang diterbitkan menggunakan tiga teks calon, top_n=2 dan arahan untuk mendapatkan petikan berkaitan yang menjawab pertanyaan carian web. Gunakan instruct untuk menyatakan hubungan yang penting bagi pemeringkatan, sambil mengekalkan soalan sebenar dalam query dan bahan yang perlu dinilai dalam documents.</p><p>Panduan operasi menyenaraikan panjang input maksimum sebanyak 30K. Fokuskan petikan calon pada teks yang diperlukan untuk menilai kerelevanannya, sambil mengekalkan tajuk atau konteks berdekatan apabila perkara itu mengubah makna. Kekalkan sempadan sumber supaya petikan yang dipilih masih dapat disemak dalam dokumen asalnya. Profil permintaan yang tepat dan medan wajibnya kekal sebagai asas penyediaan input.</p><p>Hasil berstruktur yang dikembalikan mengandungi entri results dengan index dan relevance_score. index merujuk kepada kedudukan calon dalam tatasusunan documents asal, bukannya kedudukannya dalam senarai hasil yang telah diperingkatkan. Kekalkan susunan yang dikembalikan dan gunakan setiap index untuk mendapatkan semula teks input yang sepadan. Simpan setiap hasil yang dikembalikan supaya aplikasi dapat memeriksa calon yang dipilih bersama skornya.</p><p>Simpan keseluruhan respons JSON, termasuk model, id respons dan usage.total_tokens. Teks dokumen yang dikembalikan mungkin tiada, jadi pastikan tatasusunan calon asal tersedia semasa memproses indeks. Skor kerelevanan dan penggunaan yang dilaporkan mempunyai peranan berasingan: skor menerangkan hasil pemeringkatan, manakala penggunaan merekodkan kuantiti yang dilaporkan untuk operasi itu. Kedua-duanya tidak menggantikan petikan sumber yang menyokong jawapan kemudian.</p><p>Untuk aliran kerja carian, gunakan pemeringkatan bagi memilih petikan yang perlu diperiksa atau dipetik oleh langkah seterusnya. Bandingkan petikan yang dipilih dengan pertanyaan dan arahan sebelum membentangkan kandungannya sebagai bukti. Kedudukan tinggi dalam senarai hasil mengenal pasti calon untuk semakan; jawapan akhir aplikasi perlu kekal dikaitkan dengan teks sebenar dan pengecam sumbernya.</p><p>Semak hasil dengan pertanyaan yang mewakili penggunaan sebenar dan set calon yang digunakan oleh aplikasi. Pastikan indeks merujuk kepada teks asal yang dimaksudkan, susunannya memenuhi arahan yang dibekalkan dan petikan yang dipilih menjawab soalan. Simpan pemilih tepat, pertanyaan, arahan, pemetaan calon dan keseluruhan respons bersama-sama untuk menghasilkan rekod pemilihan berdasarkan kerelevanan yang boleh digunakan semula pada langkah carian atau dokumen seterusnya.</p>",
  "aboutText": "Qwen3 Rerank menilai teks calon berdasarkan pertanyaan dan arahan pemeringkatan yang dibekalkan. Pemilih tepat yang dikonfigurasikan ialah qwen3-rerank. Peranannya ialah menyusun calon yang dibekalkan untuk kerja carian dan pemilihan dokumen; permintaan menyimpan pertanyaan, arahan dan petikan calon bersama-sama supaya penilaian kerelevanan dapat dijejaki semula kepada inputnya.\n\nSediakan documents sebagai tatasusunan rentetan, dengan satu petikan calon dalam setiap entri. Simpan pemetaan berasingan daripada setiap kedudukan tatasusunan kepada pengecam dokumen, tajuk atau lokasi sumber anda sendiri. Ini membolehkan aplikasi menghubungkan semula hasil yang telah diperingkatkan dengan petikan asal tanpa menambahkan objek pengecam yang tidak didokumenkan ke dalam tatasusunan rentetan. Untuk carian sokongan, calonnya mungkin bahagian berkaitan yang sudah diperoleh daripada panduan produk; pertanyaan perlu menyatakan keperluan maklumat sebenar pengguna.\n\nPermintaan yang didokumenkan memerlukan model, documents, query, top_n dan instruct. Medan query dan instruct ialah rentetan, manakala top_n ialah integer yang dibekalkan secara eksplisit. Contoh yang diterbitkan menggunakan tiga teks calon, top_n=2 dan arahan untuk mendapatkan petikan berkaitan yang menjawab pertanyaan carian web. Gunakan instruct untuk menyatakan hubungan yang penting bagi pemeringkatan, sambil mengekalkan soalan sebenar dalam query dan bahan yang perlu dinilai dalam documents.\n\nPanduan operasi menyenaraikan panjang input maksimum sebanyak 30K. Fokuskan petikan calon pada teks yang diperlukan untuk menilai kerelevanannya, sambil mengekalkan tajuk atau konteks berdekatan apabila perkara itu mengubah makna. Kekalkan sempadan sumber supaya petikan yang dipilih masih dapat disemak dalam dokumen asalnya. Profil permintaan yang tepat dan medan wajibnya kekal sebagai asas penyediaan input.\n\nHasil berstruktur yang dikembalikan mengandungi entri results dengan index dan relevance_score. index merujuk kepada kedudukan calon dalam tatasusunan documents asal, bukannya kedudukannya dalam senarai hasil yang telah diperingkatkan. Kekalkan susunan yang dikembalikan dan gunakan setiap index untuk mendapatkan semula teks input yang sepadan. Simpan setiap hasil yang dikembalikan supaya aplikasi dapat memeriksa calon yang dipilih bersama skornya.\n\nSimpan keseluruhan respons JSON, termasuk model, id respons dan usage.total_tokens. Teks dokumen yang dikembalikan mungkin tiada, jadi pastikan tatasusunan calon asal tersedia semasa memproses indeks. Skor kerelevanan dan penggunaan yang dilaporkan mempunyai peranan berasingan: skor menerangkan hasil pemeringkatan, manakala penggunaan merekodkan kuantiti yang dilaporkan untuk operasi itu. Kedua-duanya tidak menggantikan petikan sumber yang menyokong jawapan kemudian.\n\nUntuk aliran kerja carian, gunakan pemeringkatan bagi memilih petikan yang perlu diperiksa atau dipetik oleh langkah seterusnya. Bandingkan petikan yang dipilih dengan pertanyaan dan arahan sebelum membentangkan kandungannya sebagai bukti. Kedudukan tinggi dalam senarai hasil mengenal pasti calon untuk semakan; jawapan akhir aplikasi perlu kekal dikaitkan dengan teks sebenar dan pengecam sumbernya.\n\nSemak hasil dengan pertanyaan yang mewakili penggunaan sebenar dan set calon yang digunakan oleh aplikasi. Pastikan indeks merujuk kepada teks asal yang dimaksudkan, susunannya memenuhi arahan yang dibekalkan dan petikan yang dipilih menjawab soalan. Simpan pemilih tepat, pertanyaan, arahan, pemetaan calon dan keseluruhan respons bersama-sama untuk menghasilkan rekod pemilihan berdasarkan kerelevanan yang boleh digunakan semula pada langkah carian atau dokumen seterusnya.",
  "editorialOverlay": {
    "copy_fields": null,
    "copy_sha256": null,
    "copy_source": null,
    "html_sha256": "f23acec0b7a77f373bd1bd134a4d9498e3642e4f83bb19acc2529fd13d25fad8",
    "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06",
    "raw_model_unchanged": true,
    "schema": "ailoot-native-model-editorial-v1"
  },
  "locale": "ms",
  "methods": [
    {
      "html": "<div class=\"sheet-head\"><span class=\"mav\" aria-hidden=\"true\">•</span><h2 id=\"sheet-title\">Qwen: Qwen3 Rerank</h2><button class=\"icon-btn\" type=\"button\" data-close-sheet aria-label=\"Tutup\">×</button></div><div class=\"idline\"><span>Qwen /</span><code>qwen3-rerank</code><button type=\"button\" id=\"copy-id\">Salin ID</button></div><nav class=\"card-jump-nav\" aria-label=\"Bahagian kad model\"><button type=\"button\" data-card-jump=\"overview\">Pengenalan</button><button type=\"button\" data-card-jump=\"methods\">Input &amp; kaedah</button><button type=\"button\" data-card-jump=\"pricing\">Pelan harga</button><button type=\"button\" data-card-jump=\"examples\">Contoh</button><button type=\"button\" data-card-jump=\"results\">Hasil</button><button type=\"button\" data-card-jump=\"aliases\">Alias</button></nav><div class=\"card-method-tabs\" role=\"tablist\" aria-label=\"Kaedah API\"><button type=\"button\" role=\"tab\" tabindex=\"0\" aria-controls=\"card-method-content\" aria-selected=\"true\" id=\"card-method-tab-0\" data-card-method=\"Ultra|rerank|/v1/rerank|qwen3-rerank\">Pemeringkatan semula</button></div><div id=\"card-method-content\" role=\"tabpanel\" aria-labelledby=\"card-method-tab-0\"><section class=\"card-section\" data-card-section=\"overview\"><h3 tabindex=\"-1\">Pengenalan</h3><p class=\"mdesc-full\">Qwen3 Rerank menyusun teks calon berdasarkan pertanyaan dan arahan yang dibekalkan. Profil qwen3-rerank yang tepat menerima senarai dokumen teks dan mengembalikan skor kerelevanan berindeks bersama metadata penggunaan untuk aliran kerja carian dan pemilihan dokumen.</p><dl class=\"card-io\" data-card-io><div><dt>Input yang diterima</dt><dd>Teks</dd></div><div><dt>Hasil</dt><dd>structured</dd></div></dl><details class=\"card-about\"><summary>Tentang model</summary><p class=\"note-s\" data-model-method-boundary>Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.</p><div class=\"mabout\" id=\"m-about\"><p>Qwen3 Rerank menilai teks calon berdasarkan pertanyaan dan arahan pemeringkatan yang dibekalkan. Pemilih tepat yang dikonfigurasikan ialah qwen3-rerank. Peranannya ialah menyusun calon yang dibekalkan untuk kerja carian dan pemilihan dokumen; permintaan menyimpan pertanyaan, arahan dan petikan calon bersama-sama supaya penilaian kerelevanan dapat dijejaki semula kepada inputnya.</p><p>Sediakan documents sebagai tatasusunan rentetan, dengan satu petikan calon dalam setiap entri. Simpan pemetaan berasingan daripada setiap kedudukan tatasusunan kepada pengecam dokumen, tajuk atau lokasi sumber anda sendiri. Ini membolehkan aplikasi menghubungkan semula hasil yang telah diperingkatkan dengan petikan asal tanpa menambahkan objek pengecam yang tidak didokumenkan ke dalam tatasusunan rentetan. Untuk carian sokongan, calonnya mungkin bahagian berkaitan yang sudah diperoleh daripada panduan produk; pertanyaan perlu menyatakan keperluan maklumat sebenar pengguna.</p><p>Permintaan yang didokumenkan memerlukan model, documents, query, top_n dan instruct. Medan query dan instruct ialah rentetan, manakala top_n ialah integer yang dibekalkan secara eksplisit. Contoh yang diterbitkan menggunakan tiga teks calon, top_n=2 dan arahan untuk mendapatkan petikan berkaitan yang menjawab pertanyaan carian web. Gunakan instruct untuk menyatakan hubungan yang penting bagi pemeringkatan, sambil mengekalkan soalan sebenar dalam query dan bahan yang perlu dinilai dalam documents.</p><p>Panduan operasi menyenaraikan panjang input maksimum sebanyak 30K. Fokuskan petikan calon pada teks yang diperlukan untuk menilai kerelevanannya, sambil mengekalkan tajuk atau konteks berdekatan apabila perkara itu mengubah makna. Kekalkan sempadan sumber supaya petikan yang dipilih masih dapat disemak dalam dokumen asalnya. Profil permintaan yang tepat dan medan wajibnya kekal sebagai asas penyediaan input.</p><p>Hasil berstruktur yang dikembalikan mengandungi entri results dengan index dan relevance_score. index merujuk kepada kedudukan calon dalam tatasusunan documents asal, bukannya kedudukannya dalam senarai hasil yang telah diperingkatkan. Kekalkan susunan yang dikembalikan dan gunakan setiap index untuk mendapatkan semula teks input yang sepadan. Simpan setiap hasil yang dikembalikan supaya aplikasi dapat memeriksa calon yang dipilih bersama skornya.</p><p>Simpan keseluruhan respons JSON, termasuk model, id respons dan usage.total_tokens. Teks dokumen yang dikembalikan mungkin tiada, jadi pastikan tatasusunan calon asal tersedia semasa memproses indeks. Skor kerelevanan dan penggunaan yang dilaporkan mempunyai peranan berasingan: skor menerangkan hasil pemeringkatan, manakala penggunaan merekodkan kuantiti yang dilaporkan untuk operasi itu. Kedua-duanya tidak menggantikan petikan sumber yang menyokong jawapan kemudian.</p><p>Untuk aliran kerja carian, gunakan pemeringkatan bagi memilih petikan yang perlu diperiksa atau dipetik oleh langkah seterusnya. Bandingkan petikan yang dipilih dengan pertanyaan dan arahan sebelum membentangkan kandungannya sebagai bukti. Kedudukan tinggi dalam senarai hasil mengenal pasti calon untuk semakan; jawapan akhir aplikasi perlu kekal dikaitkan dengan teks sebenar dan pengecam sumbernya.</p><p>Semak hasil dengan pertanyaan yang mewakili penggunaan sebenar dan set calon yang digunakan oleh aplikasi. Pastikan indeks merujuk kepada teks asal yang dimaksudkan, susunannya memenuhi arahan yang dibekalkan dan petikan yang dipilih menjawab soalan. Simpan pemilih tepat, pertanyaan, arahan, pemetaan calon dan keseluruhan respons bersama-sama untuk menghasilkan rekod pemilihan berdasarkan kerelevanan yang boleh digunakan semula pada langkah carian atau dokumen seterusnya.</p></div></details></section><section class=\"card-section\" data-card-section=\"methods\"><h3 tabindex=\"-1\">Tersedia di Ailoot · input &amp; kaedah</h3><details class=\"card-method\" open><summary><b>Ailoot Ultra · Pemeringkatan semula</b> <code>POST /v1/rerank</code></summary><dl class=\"method-capabilities\"><div><dt>Input</dt><dd><code>text</code></dd></div><div><dt>Output</dt><dd><code>structured</code></dd></div><div><dt>Format output</dt><dd>application/json</dd></div></dl><div class=\"tw\" data-card-parameters data-typed-parameters><table><thead><tr><th>Medan</th><th>Jenis</th><th>Keperluan</th><th>Nilai &amp; had</th><th>Lalai</th></tr></thead><tbody><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>string</code></td><td data-cell-label=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Diperlukan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span><div>qwen3-rerank</div><div>Syarat: Pemilih model literal.</div></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</span><code class=\"card-field-name\">documents</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>array</code></td><td data-cell-label=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Diperlukan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span><div>Syarat: Petikan teks calon, dikekalkan dalam susunan input asalnya.</div></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</span><code class=\"card-field-name\">query</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>string</code></td><td data-cell-label=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Diperlukan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span><div>Syarat: Pertanyaan kerelevanan.</div></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</span><code class=\"card-field-name\">top_n</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>integer</code></td><td data-cell-label=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Diperlukan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span><div>Syarat: Bilangan hasil tersusun mengikut kedudukan yang diminta; tiada nilai minimum, maksimum atau lalai yang tidak didokumenkan dinyatakan sebagai terjamin.</div></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr><tr data-parameter-availability=\"source_interface\"><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</span><code class=\"card-field-name\">instruct</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span><code>string</code></td><td data-cell-label=\"Keperluan\"><span class=\"card-cell-label\">Keperluan</span>Diperlukan</td><td data-cell-label=\"Nilai &amp; had\"><span class=\"card-cell-label\">Nilai &amp; had</span><div>Syarat: Arahan yang menerangkan tugas pemerolehan maklumat.</div></td><td data-cell-label=\"Lalai\" data-default=\"unspecified\"><span class=\"card-cell-label\">Lalai</span>—</td></tr></tbody></table></div><details class=\"card-about\" data-material-combinations><summary>Gabungan bahan input</summary><p class=\"note-s\"><b></b></p></details><details class=\"note-s\" data-method-contract><summary>Parameter kaedah dan kitar hayat</summary><div class=\"tw\" data-card-table=\"contract\"><table><thead><tr><th>Parameter</th><th>Kontrak</th></tr></thead><tbody><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>content_type</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>application/json</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>required</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>model, documents, query, top_n, instruct</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>optional</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span></td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>material_types</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>text</td></tr><tr><th data-cell-label=\"Parameter\" scope=\"row\"><span class=\"card-cell-label\">Parameter</span><code>additional_properties</code></th><td data-cell-label=\"Kontrak\"><span class=\"card-cell-label\">Kontrak</span>true</td></tr></tbody></table></div><p>Kitar hayat: <code>synchronous</code></p></details></details></section><section class=\"card-section\" data-card-section=\"pricing\"><h3 tabindex=\"-1\">Pelan harga</h3><div data-native-semantic-method=\"v1\" data-tariff-reference-only><p class=\"note-s\" data-rate-support-note>Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.</p><dl data-price-conditions><dt>Mod pantas</dt><dd>Tidak dinyatakan <span class=\"note-s\">Apabila mod pantas dipilih</span></dd><dt>Mod flex</dt><dd>Tidak dinyatakan <span class=\"note-s\">Apabila mod flex dipilih</span></dd><dt>Usaha penaakulan maksimum</dt><dd>Tidak dinyatakan <span class=\"note-s\">Apabila usaha penaakulan maksimum menggunakan pelarasan default</span></dd></dl></div><div data-declared-tariff-pricing><h4>Kadar Ailoot</h4><h4>Harga mengikut konfigurasi</h4><p class=\"note-s\">Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.</p><div class=\"tw\" data-pricing-profiles><table><thead><tr><th>Konfigurasi</th><th>Jadual kadar</th><th>Unit pengebilan</th><th>Caj</th></tr></thead><tbody><tr><th data-cell-label=\"Konfigurasi\" scope=\"row\"><span class=\"card-cell-label\">Konfigurasi</span>Kadar asas token</th><td data-cell-label=\"Jadual kadar\"><span class=\"card-cell-label\">Jadual kadar</span>Kadar asas</td><td data-cell-label=\"Unit pengebilan\"><span class=\"card-cell-label\">Unit pengebilan</span>—</td><td data-cell-label=\"Caj\"><span class=\"card-cell-label\">Caj</span><div><span>Input · Token input</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Output · Token output</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Bacaan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Penulisan cache</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div><div><span>Input · Penulisan cache, 1 jam</span> <b>—</b> <span class=\"price-unit\">/ 1K token</span></div></td></tr><tr><th data-cell-label=\"Konfigurasi\" scope=\"row\"><span class=\"card-cell-label\">Konfigurasi</span>jumlah token</th><td data-cell-label=\"Jadual kadar\"><span class=\"card-cell-label\">Jadual kadar</span>—</td><td data-cell-label=\"Unit pengebilan\"><span class=\"card-cell-label\">Unit pengebilan</span>/ 1K token</td><td data-cell-label=\"Caj\"><span class=\"card-cell-label\">Caj</span><div><span>Input · jumlah token</span> <b>$0.00014</b> <span class=\"price-unit\">/ 1K token</span></div></td></tr></tbody></table></div></div><p class=\"note-s\">Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. <a href=\"/docs/ms/billing/reserve/\">Cara rizab dan penyelesaian caj berfungsi →</a></p></section><section class=\"card-section\" data-card-section=\"examples\"><h3 tabindex=\"-1\">Contoh permintaan</h3><h4>Ailoot Ultra · Pemeringkatan semula</h4><div class=\"code-group\"><div class=\"cg-bar\"><div class=\"cg-tabs\" role=\"tablist\" aria-label=\"Pilihan kod\"><button class=\"cg-tab\" id=\"model-code-2786-tab-0\" role=\"tab\" type=\"button\" aria-controls=\"model-code-2786-panel-0\" aria-selected=\"true\" tabindex=\"0\">JSON · susun semula kedudukan teks</button></div><div class=\"cg-tools\"><button class=\"cg-btn cg-copy\" type=\"button\" aria-label=\"Salin kod\"><svg class=\"cp\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><rect x=\"5.25\" y=\"5.25\" width=\"8.5\" height=\"8.5\" rx=\"1.75\"/><path d=\"M10.75 5.25V3.5a1.25 1.25 0 0 0-1.25-1.25H3.5A1.25 1.25 0 0 0 2.25 3.5v6a1.25 1.25 0 0 0 1.25 1.25h1.75\"/></svg><svg class=\"ok\" viewBox=\"0 0 16 16\" fill=\"none\" stroke=\"currentColor\" stroke-width=\"1.4\"><path d=\"m3 8.5 3.25 3.25L13 5\"/></svg></button></div></div><div class=\"cg-body\"><div class=\"cg-pane\" id=\"model-code-2786-panel-0\" role=\"tabpanel\" aria-labelledby=\"model-code-2786-tab-0\"><pre data-lang=\"json\"><code>{\n  &quot;model&quot;: &quot;qwen3-rerank&quot;,\n  &quot;query&quot;: &quot;Which passage discusses text ranking?&quot;,\n  &quot;documents&quot;: [\n    &quot;Text ranking orders candidate passages by relevance.&quot;,\n    &quot;Quantum computing studies computation using quantum systems.&quot;,\n    &quot;Pretrained language models can improve text ranking.&quot;\n  ],\n  &quot;top_n&quot;: 2,\n  &quot;instruct&quot;: &quot;Given a web search query, retrieve relevant passages that answer the query.&quot;\n}</code></pre></div></div></div></section><section class=\"card-section\" data-card-section=\"results\"><h3 tabindex=\"-1\">Terima dan simpan hasil</h3><h4>Ailoot Ultra · Pemeringkatan semula</h4><p class=\"note-s\">Baca indeks dan skor kerelevanan serta padankan setiap indeks kembali kepada dokumen asal anda. Dokumen yang dipulangkan semula mungkin tiada.</p><div class=\"card-result-process\" data-unknown-recovery><h5>Jika respons asal perlu disemak</h5><p class=\"note-s\">Simpan respons asal dan id permintaan selepas penghantaran yang tidak pasti; jangan sekali-kali mengulanginya.</p></div><details class=\"card-about\" data-output-fields><summary>Medan respons</summary><div class=\"tw\" data-card-table=\"output\"><table><thead><tr><th>Medan</th><th>Jenis</th><th>Maksud</th></tr></thead><tbody><tr><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</span><code class=\"card-field-name\">results[].index</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span>integer</td><td data-cell-label=\"Maksud\"><span class=\"card-cell-label\">Maksud</span>Indeks dokumen input asal yang sepadan.</td></tr><tr><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</span><code class=\"card-field-name\">results[].relevance_score</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span>number</td><td data-cell-label=\"Maksud\"><span class=\"card-cell-label\">Maksud</span>Skor kerelevanan yang dikembalikan.</td></tr><tr><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</span><code class=\"card-field-name\">model</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span>string</td><td data-cell-label=\"Maksud\"><span class=\"card-cell-label\">Maksud</span>Model respons sebenar.</td></tr><tr><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</span><code class=\"card-field-name\">id</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span>string</td><td data-cell-label=\"Maksud\"><span class=\"card-cell-label\">Maksud</span>Pengecam respons sebenar.</td></tr><tr><th data-cell-label=\"Medan\" scope=\"row\"><span class=\"card-cell-label\">Medan</span><code class=\"card-field-name\">usage.total_tokens</code></th><td data-cell-label=\"Jenis\" data-field-type><span class=\"card-cell-label\">Jenis</span>integer</td><td data-cell-label=\"Maksud\"><span class=\"card-cell-label\">Maksud</span>Jumlah token terukur yang digunakan untuk pengebilan.</td></tr></tbody></table></div></details><details class=\"card-about\" data-method-errors><summary>Ralat dan langkah seterusnya</summary><div class=\"tw\" data-card-table=\"errors\"><table><thead><tr><th>Respons</th><th>Syarat</th><th>Langkah seterusnya</th></tr></thead><tbody><tr><th data-cell-label=\"Respons\" scope=\"row\"><span class=\"card-cell-label\">Respons</span>400 · <code>invalid_request_error</code></th><td data-cell-label=\"Syarat\"><span class=\"card-cell-label\">Syarat</span>JSON atau pemilihan model wajib tidak sah.</td><td data-cell-label=\"Langkah seterusnya\"><span class=\"card-cell-label\">Langkah seterusnya</span>Betulkan input yang dinyatakan sebelum membuat permintaan baharu.</td></tr><tr><th data-cell-label=\"Respons\" scope=\"row\"><span class=\"card-cell-label\">Respons</span>401 · <code>authentication_error</code></th><td data-cell-label=\"Syarat\"><span class=\"card-cell-label\">Syarat</span>Kunci API tidak sah.</td><td data-cell-label=\"Langkah seterusnya\"><span class=\"card-cell-label\">Langkah seterusnya</span>Gunakan kunci API Ailoot anda yang sah.</td></tr><tr><th data-cell-label=\"Respons\" scope=\"row\"><span class=\"card-cell-label\">Respons</span>503 · <code>price_unavailable</code></th><td data-cell-label=\"Syarat\"><span class=\"card-cell-label\">Syarat</span>Penetapan harga berstruktur atau kebenaran akses kaedah tidak tersedia.</td><td data-cell-label=\"Langkah seterusnya\"><span class=\"card-cell-label\">Langkah seterusnya</span>Simpan respons asal; jangan ulang penghantaran yang tidak pasti.</td></tr></tbody></table></div></details></section><section class=\"card-section\" data-card-section=\"aliases\"><h3 tabindex=\"-1\">Alias</h3><h4>Alias model</h4><p class=\"note-s\"><span data-model-alias-route=\"Ultra\"><b>Ailoot Ultra</b> <a href=\"#m=qwen3-rerank&amp;route=Ultra&amp;caller=qwen3-rerank&amp;fmt=rerank\"><code>qwen3-rerank</code></a></span></p><h4>Alias laluan kaedah</h4><p class=\"note-s\">Gunakan laluan kaedah yang dipaparkan di atas.</p><h4>ID pemanggil berkaitan</h4><p class=\"note-s\"><a href=\"#m=qwen3-rerank&amp;route=Ultra&amp;caller=qwen3-rerank&amp;fmt=rerank\"><code>qwen3-rerank</code></a></p></section></div>",
      "method_identity": {
        "effective_request_model_id": "qwen3-rerank",
        "fmt": "rerank",
        "http": "POST",
        "path": "/v1/rerank",
        "request_model_id": "qwen3-rerank",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|rerank|/v1/rerank|qwen3-rerank",
      "ordinal": 0,
      "rawMethod": {
        "available": null,
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "errors": [
              {
                "condition": "JSON atau pemilihan model wajib tidak sah.",
                "http_status": 400,
                "recovery": "Betulkan input yang dinyatakan sebelum membuat permintaan baharu.",
                "type": "invalid_request_error"
              },
              {
                "condition": "Kunci API tidak sah.",
                "http_status": 401,
                "recovery": "Gunakan kunci API Ailoot anda yang sah.",
                "type": "authentication_error"
              },
              {
                "condition": "Penetapan harga berstruktur atau kebenaran akses kaedah tidak tersedia.",
                "http_status": 503,
                "recovery": "Simpan respons asal; jangan ulang penghantaran yang tidak pasti.",
                "type": "price_unavailable"
              }
            ],
            "ignored_fields": [],
            "lifecycle": {
              "content": [],
              "create": {
                "http": "POST",
                "path": "/v1/rerank"
              },
              "mode": "synchronous",
              "status": [],
              "submit_status": 200,
              "unknown": "Simpan respons asal dan id permintaan selepas penghantaran yang tidak pasti; jangan sekali-kali mengulanginya."
            },
            "material_combinations": [
              [
                "text"
              ]
            ],
            "operation_modes": [
              "text_reranking"
            ],
            "outputs": {
              "every_actual_output": true,
              "family": "structured",
              "fields": [
                {
                  "description": "Indeks dokumen input asal yang sepadan.",
                  "name": "results[].index",
                  "type": "integer"
                },
                {
                  "description": "Skor kerelevanan yang dikembalikan.",
                  "name": "results[].relevance_score",
                  "type": "number"
                },
                {
                  "description": "Model respons sebenar.",
                  "name": "model",
                  "type": "string"
                },
                {
                  "description": "Pengecam respons sebenar.",
                  "name": "id",
                  "type": "string"
                },
                {
                  "description": "Jumlah token terukur yang digunakan untuk pengebilan.",
                  "name": "usage.total_tokens",
                  "type": "integer"
                }
              ],
              "format": "application/json",
              "result": "Baca indeks dan skor kerelevanan serta padankan setiap indeks kembali kepada dokumen asal anda. Dokumen yang dipulangkan semula mungkin tiada."
            },
            "parameters": [
              {
                "availability": "source_interface",
                "conditions": "Pemilih model literal.",
                "default": null,
                "default_known": false,
                "enum": [
                  "qwen3-rerank"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "conditions": "Petikan teks calon, dikekalkan dalam susunan input asalnya.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "documents",
                "required": true,
                "type": "array"
              },
              {
                "availability": "source_interface",
                "conditions": "Pertanyaan kerelevanan.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "query",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "conditions": "Bilangan hasil tersusun mengikut kedudukan yang diminta; tiada nilai minimum, maksimum atau lalai yang tidak didokumenkan dinyatakan sebagai terjamin.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "top_n",
                "required": true,
                "type": "integer"
              },
              {
                "availability": "source_interface",
                "conditions": "Arahan yang menerangkan tugas pemerolehan maklumat.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "instruct",
                "required": true,
                "type": "string"
              }
            ],
            "request_schema": {
              "additionalProperties": true,
              "properties": {
                "documents": {
                  "items": {
                    "type": "string"
                  },
                  "type": "array"
                },
                "instruct": {
                  "type": "string"
                },
                "model": {
                  "const": "qwen3-rerank",
                  "type": "string"
                },
                "query": {
                  "type": "string"
                },
                "top_n": {
                  "type": "integer"
                }
              },
              "required": [
                "model",
                "documents",
                "query",
                "top_n",
                "instruct"
              ],
              "type": "object"
            },
            "source_ambiguities": [
              {
                "field": "maximum_input_length",
                "meaning": "The operation says 30K without specifying a per-document or whole-batch allocation or an explicit unit."
              }
            ],
            "unsupported": []
          },
          "hints": [],
          "input": {
            "additional_properties": true,
            "content_type": "application/json",
            "material_types": [
              "text"
            ],
            "optional": [],
            "required": [
              "model",
              "documents",
              "query",
              "top_n",
              "instruct"
            ]
          },
          "lifecycle": {
            "content": [],
            "create": {
              "http": "POST",
              "path": "/v1/rerank"
            },
            "mode": "synchronous",
            "status": [],
            "submit_status": 200,
            "unknown": "Preserve the original response and request id after an ambiguous send; never replay it."
          },
          "method": {
            "http": "POST",
            "path": "/v1/rerank"
          },
          "operation_modes": [
            "text_reranking"
          ],
          "output": {
            "every_actual_output": true,
            "family": "structured",
            "fields": [
              {
                "description": "Index of the corresponding original input document.",
                "name": "results[].index",
                "type": "integer"
              },
              {
                "description": "Returned relevance score.",
                "name": "results[].relevance_score",
                "type": "number"
              },
              {
                "description": "Actual response model.",
                "name": "model",
                "type": "string"
              },
              {
                "description": "Actual response identifier.",
                "name": "id",
                "type": "string"
              },
              {
                "description": "Measured total tokens used for billing.",
                "name": "usage.total_tokens",
                "type": "integer"
              }
            ],
            "format": "application/json",
            "result": "Read indices and relevance scores and map each index back to your original documents. An echoed document can be absent."
          }
        },
        "ctx": null,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Base token rates",
            "units": [
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          },
          {
            "dimensions": {
              "quoted_unit": "/ 1K tokens"
            },
            "label": "total token",
            "units": [
              {
                "amount": "0.00014000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "total_token",
                "label": "total token",
                "native_amount_usd_per_unit": "0.00000014",
                "native_quantity": 1,
                "native_unit": "total_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "total_token"
              }
            ]
          }
        ],
        "examples": [
          {
            "code": "{\n  \"model\": \"qwen3-rerank\",\n  \"query\": \"Which passage discusses text ranking?\",\n  \"documents\": [\n    \"Text ranking orders candidate passages by relevance.\",\n    \"Quantum computing studies computation using quantum systems.\",\n    \"Pretrained language models can improve text ranking.\"\n  ],\n  \"top_n\": 2,\n  \"instruct\": \"Given a web search query, retrieve relevant passages that answer the query.\"\n}",
            "label": "JSON · rerank text",
            "language": "json"
          }
        ],
        "family": "openai",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "fmt": "rerank",
        "hints": [
          "Keep your original document order so returned indices identify the right passages.",
          "Read relevance_score rather than treating the response as generated text or embeddings.",
          "Billing uses measured total tokens."
        ],
        "http": "POST",
        "in": null,
        "input": [
          "text"
        ],
        "label": "Pemeringkatan semula",
        "max_out": null,
        "max_reasoning_effort_multiplier": null,
        "method_aliases": [],
        "out": null,
        "output": [
          "structured"
        ],
        "path": "/v1/rerank",
        "price_conditions": [
          {
            "label": "Fast mode",
            "value": "Not specified",
            "when": "When fast mode is selected"
          },
          {
            "label": "Flex mode",
            "value": "Not specified",
            "when": "When flex mode is selected"
          },
          {
            "label": "Maximum reasoning effort",
            "value": "Not specified",
            "when": "When maximum reasoning effort uses the default adjustment"
          }
        ],
        "pricing": {
          "billing_mode": "per_request",
          "image_input_price": null,
          "image_output_price": null,
          "per_request_price": null,
          "unit_prices": {
            "total_token": 1.4e-07
          }
        },
        "pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Base token rates",
            "units": [
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          },
          {
            "dimensions": {
              "quoted_unit": "/ 1K tokens"
            },
            "label": "total token",
            "units": [
              {
                "amount": "0.00014000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "total_token",
                "label": "total token",
                "native_amount_usd_per_unit": "0.00000014",
                "native_quantity": 1,
                "native_unit": "total_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "total_token"
              }
            ]
          }
        ],
        "request_model_id": "qwen3-rerank",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_read_price",
            "label": "Cache read",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "cached_input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "cached_input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_price",
            "label": "Cache write",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "generic_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "generic_cache_creation_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_1h_price",
            "label": "Cache write, 1 hour",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "one_hour_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "one_hour_cache_creation_token"
          },
          {
            "amount": "0.00014000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "total_token",
            "label": "total token",
            "native_amount_usd_per_unit": "0.00000014",
            "native_quantity": 1,
            "native_unit": "total_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "total_token"
          }
        ]
      }
    }
  ],
  "model_id": "qwen3-rerank",
  "nativeProvenance": {
    "input_facts_canonical_sha256": "8f28c19c426ab459aadd867e50123443493ded7aae6a17082e486b7a9738808e",
    "input_html_sha256": "c75894591546b968346a48f5ea60f462964b2a1f21f6b09e70cd4c2eef8345c6",
    "private_audit_sha256": "1a54f7c58bb5a485a1b888249a2fe07bffdff84cdc08f1b1ca89ddd5ed92d220",
    "role": "historical-normalized-input-audit-hashes",
    "schema": "ailoot-native-model-provenance-v2"
  },
  "page": {
    "canonical": "https://ailoot.ai/models/ms/qwen3-rerank/",
    "description": "Qwen3 Rerank menyusun teks calon berdasarkan pertanyaan dan arahan yang dibekalkan. Profil qwen3-rerank yang tepat menerima senarai dokumen teks dan mengembalikan skor kerelevanan berindeks bersama metadata penggunaan untuk aliran kerja carian dan pemilihan dokumen.",
    "locale": "ms",
    "md_url": "https://ailoot.ai/models/ms/qwen3-rerank/index.md",
    "title": "Qwen: Qwen3 Rerank — Ailoot",
    "url": "https://ailoot.ai/models/ms/qwen3-rerank/"
  },
  "rawModel": {
    "about": "Qwen3 Rerank menilai teks calon berdasarkan pertanyaan dan arahan pemeringkatan yang dibekalkan. Pemilih tepat yang dikonfigurasikan ialah qwen3-rerank. Peranannya ialah menyusun calon yang dibekalkan untuk kerja carian dan pemilihan dokumen; permintaan menyimpan pertanyaan, arahan dan petikan calon bersama-sama supaya penilaian kerelevanan dapat dijejaki semula kepada inputnya.\n\nSediakan documents sebagai tatasusunan rentetan, dengan satu petikan calon dalam setiap entri. Simpan pemetaan berasingan daripada setiap kedudukan tatasusunan kepada pengecam dokumen, tajuk atau lokasi sumber anda sendiri. Ini membolehkan aplikasi menghubungkan semula hasil yang telah diperingkatkan dengan petikan asal tanpa menambahkan objek pengecam yang tidak didokumenkan ke dalam tatasusunan rentetan. Untuk carian sokongan, calonnya mungkin bahagian berkaitan yang sudah diperoleh daripada panduan produk; pertanyaan perlu menyatakan keperluan maklumat sebenar pengguna.\n\nPermintaan yang didokumenkan memerlukan model, documents, query, top_n dan instruct. Medan query dan instruct ialah rentetan, manakala top_n ialah integer yang dibekalkan secara eksplisit. Contoh yang diterbitkan menggunakan tiga teks calon, top_n=2 dan arahan untuk mendapatkan petikan berkaitan yang menjawab pertanyaan carian web. Gunakan instruct untuk menyatakan hubungan yang penting bagi pemeringkatan, sambil mengekalkan soalan sebenar dalam query dan bahan yang perlu dinilai dalam documents.\n\nPanduan operasi menyenaraikan panjang input maksimum sebanyak 30K. Fokuskan petikan calon pada teks yang diperlukan untuk menilai kerelevanannya, sambil mengekalkan tajuk atau konteks berdekatan apabila perkara itu mengubah makna. Kekalkan sempadan sumber supaya petikan yang dipilih masih dapat disemak dalam dokumen asalnya. Profil permintaan yang tepat dan medan wajibnya kekal sebagai asas penyediaan input.\n\nHasil berstruktur yang dikembalikan mengandungi entri results dengan index dan relevance_score. index merujuk kepada kedudukan calon dalam tatasusunan documents asal, bukannya kedudukannya dalam senarai hasil yang telah diperingkatkan. Kekalkan susunan yang dikembalikan dan gunakan setiap index untuk mendapatkan semula teks input yang sepadan. Simpan setiap hasil yang dikembalikan supaya aplikasi dapat memeriksa calon yang dipilih bersama skornya.\n\nSimpan keseluruhan respons JSON, termasuk model, id respons dan usage.total_tokens. Teks dokumen yang dikembalikan mungkin tiada, jadi pastikan tatasusunan calon asal tersedia semasa memproses indeks. Skor kerelevanan dan penggunaan yang dilaporkan mempunyai peranan berasingan: skor menerangkan hasil pemeringkatan, manakala penggunaan merekodkan kuantiti yang dilaporkan untuk operasi itu. Kedua-duanya tidak menggantikan petikan sumber yang menyokong jawapan kemudian.\n\nUntuk aliran kerja carian, gunakan pemeringkatan bagi memilih petikan yang perlu diperiksa atau dipetik oleh langkah seterusnya. Bandingkan petikan yang dipilih dengan pertanyaan dan arahan sebelum membentangkan kandungannya sebagai bukti. Kedudukan tinggi dalam senarai hasil mengenal pasti calon untuk semakan; jawapan akhir aplikasi perlu kekal dikaitkan dengan teks sebenar dan pengecam sumbernya.\n\nSemak hasil dengan pertanyaan yang mewakili penggunaan sebenar dan set calon yang digunakan oleh aplikasi. Pastikan indeks merujuk kepada teks asal yang dimaksudkan, susunannya memenuhi arahan yang dibekalkan dan petikan yang dipilih menjawab soalan. Simpan pemilih tepat, pertanyaan, arahan, pemetaan calon dan keseluruhan respons bersama-sama untuk menghasilkan rekod pemilihan berdasarkan kerelevanan yang boleh digunakan semula pada langkah carian atau dokumen seterusnya.",
    "alias_of": null,
    "aliases": [],
    "author": "Qwen",
    "capabilities": {
      "context_length": 30000,
      "manufacturer_input": [
        "text"
      ],
      "manufacturer_output": [
        "rerank"
      ]
    },
    "card_routes": [
      {
        "label": "Ultra",
        "rates": [
          {
            "amount": "0.00014000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "total_token",
            "label": "total token",
            "native_amount_usd_per_unit": "0.00000014",
            "native_quantity": 1,
            "native_unit": "total_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "total_token"
          }
        ],
        "summary": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran."
      }
    ],
    "ctx": null,
    "formats": [
      "rerank"
    ],
    "id": "qwen3-rerank",
    "input": [
      "text"
    ],
    "kind": "rerank",
    "max_out": null,
    "methods": [
      {
        "available": null,
        "cache_read": null,
        "cache_write": null,
        "cache_write_1h": null,
        "contract": {
          "data": {
            "errors": [
              {
                "condition": "JSON atau pemilihan model wajib tidak sah.",
                "http_status": 400,
                "recovery": "Betulkan input yang dinyatakan sebelum membuat permintaan baharu.",
                "type": "invalid_request_error"
              },
              {
                "condition": "Kunci API tidak sah.",
                "http_status": 401,
                "recovery": "Gunakan kunci API Ailoot anda yang sah.",
                "type": "authentication_error"
              },
              {
                "condition": "Penetapan harga berstruktur atau kebenaran akses kaedah tidak tersedia.",
                "http_status": 503,
                "recovery": "Simpan respons asal; jangan ulang penghantaran yang tidak pasti.",
                "type": "price_unavailable"
              }
            ],
            "ignored_fields": [],
            "lifecycle": {
              "content": [],
              "create": {
                "http": "POST",
                "path": "/v1/rerank"
              },
              "mode": "synchronous",
              "status": [],
              "submit_status": 200,
              "unknown": "Simpan respons asal dan id permintaan selepas penghantaran yang tidak pasti; jangan sekali-kali mengulanginya."
            },
            "material_combinations": [
              [
                "text"
              ]
            ],
            "operation_modes": [
              "text_reranking"
            ],
            "outputs": {
              "every_actual_output": true,
              "family": "structured",
              "fields": [
                {
                  "description": "Indeks dokumen input asal yang sepadan.",
                  "name": "results[].index",
                  "type": "integer"
                },
                {
                  "description": "Skor kerelevanan yang dikembalikan.",
                  "name": "results[].relevance_score",
                  "type": "number"
                },
                {
                  "description": "Model respons sebenar.",
                  "name": "model",
                  "type": "string"
                },
                {
                  "description": "Pengecam respons sebenar.",
                  "name": "id",
                  "type": "string"
                },
                {
                  "description": "Jumlah token terukur yang digunakan untuk pengebilan.",
                  "name": "usage.total_tokens",
                  "type": "integer"
                }
              ],
              "format": "application/json",
              "result": "Baca indeks dan skor kerelevanan serta padankan setiap indeks kembali kepada dokumen asal anda. Dokumen yang dipulangkan semula mungkin tiada."
            },
            "parameters": [
              {
                "availability": "source_interface",
                "conditions": "Pemilih model literal.",
                "default": null,
                "default_known": false,
                "enum": [
                  "qwen3-rerank"
                ],
                "enum_known": true,
                "name": "model",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "conditions": "Petikan teks calon, dikekalkan dalam susunan input asalnya.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "documents",
                "required": true,
                "type": "array"
              },
              {
                "availability": "source_interface",
                "conditions": "Pertanyaan kerelevanan.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "query",
                "required": true,
                "type": "string"
              },
              {
                "availability": "source_interface",
                "conditions": "Bilangan hasil tersusun mengikut kedudukan yang diminta; tiada nilai minimum, maksimum atau lalai yang tidak didokumenkan dinyatakan sebagai terjamin.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "top_n",
                "required": true,
                "type": "integer"
              },
              {
                "availability": "source_interface",
                "conditions": "Arahan yang menerangkan tugas pemerolehan maklumat.",
                "default": null,
                "default_known": false,
                "enum": null,
                "enum_known": false,
                "name": "instruct",
                "required": true,
                "type": "string"
              }
            ],
            "request_schema": {
              "additionalProperties": true,
              "properties": {
                "documents": {
                  "items": {
                    "type": "string"
                  },
                  "type": "array"
                },
                "instruct": {
                  "type": "string"
                },
                "model": {
                  "const": "qwen3-rerank",
                  "type": "string"
                },
                "query": {
                  "type": "string"
                },
                "top_n": {
                  "type": "integer"
                }
              },
              "required": [
                "model",
                "documents",
                "query",
                "top_n",
                "instruct"
              ],
              "type": "object"
            },
            "source_ambiguities": [
              {
                "field": "maximum_input_length",
                "meaning": "The operation says 30K without specifying a per-document or whole-batch allocation or an explicit unit."
              }
            ],
            "unsupported": []
          },
          "hints": [],
          "input": {
            "additional_properties": true,
            "content_type": "application/json",
            "material_types": [
              "text"
            ],
            "optional": [],
            "required": [
              "model",
              "documents",
              "query",
              "top_n",
              "instruct"
            ]
          },
          "lifecycle": {
            "content": [],
            "create": {
              "http": "POST",
              "path": "/v1/rerank"
            },
            "mode": "synchronous",
            "status": [],
            "submit_status": 200,
            "unknown": "Preserve the original response and request id after an ambiguous send; never replay it."
          },
          "method": {
            "http": "POST",
            "path": "/v1/rerank"
          },
          "operation_modes": [
            "text_reranking"
          ],
          "output": {
            "every_actual_output": true,
            "family": "structured",
            "fields": [
              {
                "description": "Index of the corresponding original input document.",
                "name": "results[].index",
                "type": "integer"
              },
              {
                "description": "Returned relevance score.",
                "name": "results[].relevance_score",
                "type": "number"
              },
              {
                "description": "Actual response model.",
                "name": "model",
                "type": "string"
              },
              {
                "description": "Actual response identifier.",
                "name": "id",
                "type": "string"
              },
              {
                "description": "Measured total tokens used for billing.",
                "name": "usage.total_tokens",
                "type": "integer"
              }
            ],
            "format": "application/json",
            "result": "Read indices and relevance scores and map each index back to your original documents. An echoed document can be absent."
          }
        },
        "ctx": null,
        "declared_pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Base token rates",
            "units": [
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          },
          {
            "dimensions": {
              "quoted_unit": "/ 1K tokens"
            },
            "label": "total token",
            "units": [
              {
                "amount": "0.00014000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "total_token",
                "label": "total token",
                "native_amount_usd_per_unit": "0.00000014",
                "native_quantity": 1,
                "native_unit": "total_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "total_token"
              }
            ]
          }
        ],
        "examples": [
          {
            "code": "{\n  \"model\": \"qwen3-rerank\",\n  \"query\": \"Which passage discusses text ranking?\",\n  \"documents\": [\n    \"Text ranking orders candidate passages by relevance.\",\n    \"Quantum computing studies computation using quantum systems.\",\n    \"Pretrained language models can improve text ranking.\"\n  ],\n  \"top_n\": 2,\n  \"instruct\": \"Given a web search query, retrieve relevant passages that answer the query.\"\n}",
            "label": "JSON · rerank text",
            "language": "json"
          }
        ],
        "family": "openai",
        "fast_multiplier": null,
        "flex_multiplier": null,
        "fmt": "rerank",
        "hints": [
          "Keep your original document order so returned indices identify the right passages.",
          "Read relevance_score rather than treating the response as generated text or embeddings.",
          "Billing uses measured total tokens."
        ],
        "http": "POST",
        "in": null,
        "input": [
          "text"
        ],
        "label": "Pemeringkatan semula",
        "max_out": null,
        "max_reasoning_effort_multiplier": null,
        "method_aliases": [],
        "out": null,
        "output": [
          "structured"
        ],
        "path": "/v1/rerank",
        "price_conditions": [
          {
            "label": "Fast mode",
            "value": "Not specified",
            "when": "When fast mode is selected"
          },
          {
            "label": "Flex mode",
            "value": "Not specified",
            "when": "When flex mode is selected"
          },
          {
            "label": "Maximum reasoning effort",
            "value": "Not specified",
            "when": "When maximum reasoning effort uses the default adjustment"
          }
        ],
        "pricing": {
          "billing_mode": "per_request",
          "image_input_price": null,
          "image_output_price": null,
          "per_request_price": null,
          "unit_prices": {
            "total_token": 1.4e-07
          }
        },
        "pricing_profiles": [
          {
            "dimensions": {
              "regime": "base"
            },
            "label": "Base token rates",
            "units": [
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "input_price",
                "label": "Input tokens",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "output_price",
                "label": "Output tokens",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "output_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "out",
                "unit": "output_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_read_price",
                "label": "Cache read",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "cached_input_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "cached_input_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_price",
                "label": "Cache write",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "generic_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "generic_cache_creation_token"
              },
              {
                "amount": null,
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "cache_write_1h_price",
                "label": "Cache write, 1 hour",
                "native_amount_usd_per_unit": null,
                "native_quantity": 1,
                "native_unit": "one_hour_cache_creation_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "one_hour_cache_creation_token"
              }
            ]
          },
          {
            "dimensions": {
              "quoted_unit": "/ 1K tokens"
            },
            "label": "total token",
            "units": [
              {
                "amount": "0.00014000",
                "amount_unit": "usd_per_thousand_tokens",
                "billing_input": true,
                "estimate_only": false,
                "key": "total_token",
                "label": "total token",
                "native_amount_usd_per_unit": "0.00000014",
                "native_quantity": 1,
                "native_unit": "total_token",
                "public_unit_label": "/ 1K tokens",
                "quantity": 1000,
                "quantity_is_estimate": false,
                "rate_role": "typed_native_retail_rate",
                "side": "in",
                "unit": "total_token"
              }
            ]
          }
        ],
        "request_model_id": "qwen3-rerank",
        "route_label": "Ultra",
        "status_reads": [],
        "tiers": [],
        "units": [
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "input_price",
            "label": "Input tokens",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "output_price",
            "label": "Output tokens",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "output_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "out",
            "unit": "output_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_read_price",
            "label": "Cache read",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "cached_input_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "cached_input_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_price",
            "label": "Cache write",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "generic_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "generic_cache_creation_token"
          },
          {
            "amount": null,
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "cache_write_1h_price",
            "label": "Cache write, 1 hour",
            "native_amount_usd_per_unit": null,
            "native_quantity": 1,
            "native_unit": "one_hour_cache_creation_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "one_hour_cache_creation_token"
          },
          {
            "amount": "0.00014000",
            "amount_unit": "usd_per_thousand_tokens",
            "billing_input": true,
            "estimate_only": false,
            "key": "total_token",
            "label": "total token",
            "native_amount_usd_per_unit": "0.00000014",
            "native_quantity": 1,
            "native_unit": "total_token",
            "public_unit_label": "/ 1K tokens",
            "quantity": 1000,
            "quantity_is_estimate": false,
            "rate_role": "typed_native_retail_rate",
            "side": "in",
            "unit": "total_token"
          }
        ]
      }
    ],
    "model_aliases": [
      {
        "canonical_model_id": "qwen3-rerank",
        "request_model_id": "qwen3-rerank",
        "route_label": "Ultra"
      }
    ],
    "name": "Qwen: Qwen3 Rerank",
    "price": {
      "in": null,
      "in_label": null,
      "out": null,
      "out_label": null,
      "sort_in": null,
      "sort_out": null,
      "varies": true
    },
    "short": "Qwen3 Rerank menyusun teks calon berdasarkan pertanyaan dan arahan yang dibekalkan. Profil qwen3-rerank yang tepat menerima senarai dokumen teks dan mengembalikan skor kerelevanan berindeks bersama metadata penggunaan untuk aliran kerja carian dan pemilihan dokumen."
  },
  "renderer_schema": {
    "method_order": "Original DTO methods order; every exact route/format/path/caller survives.",
    "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers."
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "representationNotes": {
    "current_reference": {
      "about_json_pointer": "/aboutHtml",
      "methods": [
        {
          "contract_json_pointer": "/methods/0/rawMethod/contract",
          "html_json_pointer": "/methods/0/html",
          "method_ordinal": 0
        }
      ],
      "role": "current-semantic-reference"
    },
    "raw_input": {
      "examples_role": "historical-input-not-current-ready-examples",
      "json_pointers": [
        "/rawModel",
        "/methods/0/rawMethod"
      ],
      "role": "historical-owner-input"
    },
    "schema": "ailoot-native-model-representations-v1"
  },
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "Qwen3 Rerank menyusun teks calon berdasarkan pertanyaan dan arahan yang dibekalkan. Profil qwen3-rerank yang tepat menerima senarai dokumen teks dan mengembalikan skor kerelevanan berindeks bersama metadata penggunaan untuk aliran kerja carian dan pemilihan dokumen.",
  "source": {
    "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1",
    "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036",
    "raw_model_json_sha256": "49d82dff7511851f37765f4c099a4492b7e5f3171d8d1990bcb5803f05233c15",
    "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460"
  },
  "sourceRevision": "571ab706d01ad100cbd22579cfc43694d7b5fc3b3bd3b7306bdab465cc5bf03d"
}