{ "aboutHtml": "

Voyage rerank-3 ialah pemeringkat semula teks yang direka untuk meningkatkan kualiti bukti yang diperoleh. Dengan pertanyaan dan senarai dokumen calon, ia memeriksa setiap pasangan bersama-sama serta mengembalikan calon yang disusun mengikut kerelevanan. Pembenaman dan carian kata kunci boleh terlebih dahulu mengecilkan koleksi besar kepada senarai pendek yang boleh diurus; rerank-3 kemudian menerapkan penilaian kerelevanan yang lebih terperinci pada senarai pendek itu. Outputnya ialah bukti carian berskor untuk dipaparkan oleh aplikasi atau diteruskan ke langkah penjanaan jawapan berasingan.

Rerank 3 yang memfokuskan kualiti Pengeluar menempatkan rerank-3 sebagai edisi yang memfokuskan ketepatan dan rerank-3-lite sebagai edisi untuk carian yang sensitif terhadap kependaman. Generasi ketiga mengemas kini tulang belakang dan campuran latihan, dengan penambahbaikan khusus pada pemerolehan dokumen panjang serta kod sumber berbanding pendahulu 2.5 yang sepadan. Pengeluar menilainya merentas dokumentasi teknikal, kod, bahan berbilang bahasa dan bidang dokumen lain. Hasil itu menyokong peranannya dalam pemerolehan maklumat; pilih edisi menggunakan soalan dan dokumen calon yang penting kepada koleksi anda sendiri.

Dokumen panjang dengan konteks yang mencukupi Calon yang panjang boleh mengandungi konteks berguna jauh melepasi perenggan pembukaannya. Bekalkan bahagian atau dokumen yang koheren bersama tajuk dan bahan sekeliling yang berkaitan, supaya model boleh menilai hubungan soalan sebenar dengan kandungan. Untuk carian dasar produk, kekalkan pengepala dan pengecualian di sekitar petikan yang diminati. Jika beberapa bahagian yang diperoleh datang daripada sumber yang sama, kekalkan pengecam dokumen dan bahagiannya; aplikasi kemudian boleh menunjukkan tempat asal bukti yang dipilih.

Tetingkap konteks dikongsi oleh pertanyaan dan setiap calon. Panduan semasa pengeluar menyatakan 32,000 token bagi pasangan itu, termasuk pertanyaan yang tidak melebihi 8,000 token. Oleh itu, pertanyaan 3,000 token meninggalkan paling banyak 29,000 token untuk setiap dokumen. Sediakan input supaya kandungan pentingnya muat, khususnya apabila mukadimah panjang atau teks templat berulang akan menggunakan tetingkap tersebut. Pilihan pemangkasan yang didokumenkan diaktifkan secara lalai dan boleh memendekkan pertanyaan atau teks dokumen yang terlalu besar sebelum penskoran. Periksa perkara yang dikekalkan apabila kedudukan petikan penting.

Pemerolehan kod dan bahan teknikal Untuk peringkat pemerolehan maklumat pembantu pengekodan, calon boleh mengandungi pelaksanaan fungsi, dokumentasi API atau penjelasan teknikal sebagai teks. Sertakan simbol, tandatangan dan konteks yang diperlukan untuk membezakan calon yang serupa. Pertanyaan seperti “Cari fungsi yang menormalkan laluan sambil mengekalkan pemisah di hujung” memberikan tingkah laku konkrit untuk dipadankan. Sertakan sebarang kekangan bahasa, platform atau versi yang berkaitan. Selepas pemeringkatan, periksa kod yang dipilih dan kebergantungannya sebelum menggunakannya sebagai konteks; skor kerelevanan tidak membuktikan bahawa pelaksanaan memenuhi setiap keperluan yang dinyatakan.

Arahan menetapkan kerelevanan Model mengekalkan keupayaan pemeringkatan semula yang mematuhi arahan, yang diperkenalkan dalam Rerank 2.5. Letakkan arahan ringkas sebelum atau selepas pertanyaan apabila niat pengguna memerlukan penjelasan. Untuk carian dokumen penyelidikan, terangkan sama ada tumpuannya pada tajuk, kaedah tertentu atau bidang aplikasi. Untuk katalog dalaman, nyatakan sama ada permintaan berkaitan pemasangan, penyelesaian masalah atau keserasian. Pastikan arahan itu selaras dengan soalan; keutamaan tambahan yang bercanggah dengan permintaan utama boleh mengubah perkara yang cuba dioptimumkan oleh pemeringkatan.

Sediakan dokumen calon dan belanjawan Input ialah senarai rentetan teks. Ekstrak teks yang boleh digunakan daripada dokumen sumber, kekalkan sempadan bahagian yang bermakna dan simpan peta rekod tersusun bersama senarai. Pengeluar membenarkan sehingga 1,000 dokumen dalam satu permintaan. Ia turut menetapkan had agregat input 600,000 token: token pertanyaan didarab bilangan dokumen, ditambah jumlah semua token dokumen. Ini berbeza daripada had konteks bagi setiap pasangan. Mengurangkan teks pertanyaan yang berlebihan boleh menjimatkan kapasiti pasangan dan keseluruhan belanjawan permintaan.

Kira token bagi model yang berkaitan, tanpa menganggap bilangan perkataan atau aksara sebagai bilangan token. Untuk calon besar, pilih petikan yang koheren atau bahagikan bahan mengikut pengepala yang berguna sambil mengekalkan maklumat sumber induk. Pemeringkatan semula paling berguna selepas carian pertama menemukan calon yang munasabah: ia tidak boleh memberi kedudukan kepada sumber yang tiada dan tidak pernah memasuki senarai.

Hasil berperingkat dan penggunaan hiliran Hasil mengandungi skor kerelevanan dan indeks yang merujuk dokumen input asal, disusun mengikut kerelevanan menurun. Pilihan top_k mengehadkan bilangan hasil berperingkat yang dikembalikan; jika tidak dinyatakan, semua calon input dikembalikan. Antara muka REST pengeluar turut membenarkan teks dokumen disertakan. Gunakan setiap indeks asal untuk mendapatkan kembali tajuk, pengecam sumber dan sebarang metadata yang diperlukan oleh aplikasi anda, kemudian paparkan item yang dipilih atau masukkan teks berkaitan ke dalam konteks bukti jawapan.

Periksa hasil teratas terhadap soalan dan pastikan identiti sumber kekal kelihatan. Kedudukan relatif yang tinggi tidak mengesahkan ketepatan fakta dokumen, dan senarai pendek yang mengandungi hanya calon lemah tetap mempunyai item pertama. Asingkan pemilihan kerelevanan daripada penentuan sama ada bukti yang dipilih mencukupi untuk menjawab pengguna.

Migrasi edisi Pengeluar menerangkan rerank-3 sebagai pengganti terus rerank-2.5, dengan semantik API yang sama dan skor yang ditentukur kepada taburan pendahulunya yang sepadan. Keserasian itu menyokong pengekalan peringkat pemerolehan maklumat dan pemetaan rekod sedia ada. Bandingkan susunan hasil yang bermakna dan sebarang ambang skor pada korpus semasa sebelum bergantung pada migrasi. Kekalkan rerank-3 dan rerank-3-lite sebagai pilihan yang berbeza: had yang dikongsi dan pematuhan arahan tidak menjadikan keutamaan kualiti serta kependaman kedua-duanya sama.

", "aboutText": "Voyage rerank-3 ialah pemeringkat semula teks yang direka untuk meningkatkan kualiti bukti yang diperoleh. Dengan pertanyaan dan senarai dokumen calon, ia memeriksa setiap pasangan bersama-sama serta mengembalikan calon yang disusun mengikut kerelevanan. Pembenaman dan carian kata kunci boleh terlebih dahulu mengecilkan koleksi besar kepada senarai pendek yang boleh diurus; rerank-3 kemudian menerapkan penilaian kerelevanan yang lebih terperinci pada senarai pendek itu. Outputnya ialah bukti carian berskor untuk dipaparkan oleh aplikasi atau diteruskan ke langkah penjanaan jawapan berasingan.\n\nRerank 3 yang memfokuskan kualiti\nPengeluar menempatkan rerank-3 sebagai edisi yang memfokuskan ketepatan dan rerank-3-lite sebagai edisi untuk carian yang sensitif terhadap kependaman. Generasi ketiga mengemas kini tulang belakang dan campuran latihan, dengan penambahbaikan khusus pada pemerolehan dokumen panjang serta kod sumber berbanding pendahulu 2.5 yang sepadan. Pengeluar menilainya merentas dokumentasi teknikal, kod, bahan berbilang bahasa dan bidang dokumen lain. Hasil itu menyokong peranannya dalam pemerolehan maklumat; pilih edisi menggunakan soalan dan dokumen calon yang penting kepada koleksi anda sendiri.\n\nDokumen panjang dengan konteks yang mencukupi\nCalon yang panjang boleh mengandungi konteks berguna jauh melepasi perenggan pembukaannya. Bekalkan bahagian atau dokumen yang koheren bersama tajuk dan bahan sekeliling yang berkaitan, supaya model boleh menilai hubungan soalan sebenar dengan kandungan. Untuk carian dasar produk, kekalkan pengepala dan pengecualian di sekitar petikan yang diminati. Jika beberapa bahagian yang diperoleh datang daripada sumber yang sama, kekalkan pengecam dokumen dan bahagiannya; aplikasi kemudian boleh menunjukkan tempat asal bukti yang dipilih.\n\nTetingkap konteks dikongsi oleh pertanyaan dan setiap calon. Panduan semasa pengeluar menyatakan 32,000 token bagi pasangan itu, termasuk pertanyaan yang tidak melebihi 8,000 token. Oleh itu, pertanyaan 3,000 token meninggalkan paling banyak 29,000 token untuk setiap dokumen. Sediakan input supaya kandungan pentingnya muat, khususnya apabila mukadimah panjang atau teks templat berulang akan menggunakan tetingkap tersebut. Pilihan pemangkasan yang didokumenkan diaktifkan secara lalai dan boleh memendekkan pertanyaan atau teks dokumen yang terlalu besar sebelum penskoran. Periksa perkara yang dikekalkan apabila kedudukan petikan penting.\n\nPemerolehan kod dan bahan teknikal\nUntuk peringkat pemerolehan maklumat pembantu pengekodan, calon boleh mengandungi pelaksanaan fungsi, dokumentasi API atau penjelasan teknikal sebagai teks. Sertakan simbol, tandatangan dan konteks yang diperlukan untuk membezakan calon yang serupa. Pertanyaan seperti “Cari fungsi yang menormalkan laluan sambil mengekalkan pemisah di hujung” memberikan tingkah laku konkrit untuk dipadankan. Sertakan sebarang kekangan bahasa, platform atau versi yang berkaitan. Selepas pemeringkatan, periksa kod yang dipilih dan kebergantungannya sebelum menggunakannya sebagai konteks; skor kerelevanan tidak membuktikan bahawa pelaksanaan memenuhi setiap keperluan yang dinyatakan.\n\nArahan menetapkan kerelevanan\nModel mengekalkan keupayaan pemeringkatan semula yang mematuhi arahan, yang diperkenalkan dalam Rerank 2.5. Letakkan arahan ringkas sebelum atau selepas pertanyaan apabila niat pengguna memerlukan penjelasan. Untuk carian dokumen penyelidikan, terangkan sama ada tumpuannya pada tajuk, kaedah tertentu atau bidang aplikasi. Untuk katalog dalaman, nyatakan sama ada permintaan berkaitan pemasangan, penyelesaian masalah atau keserasian. Pastikan arahan itu selaras dengan soalan; keutamaan tambahan yang bercanggah dengan permintaan utama boleh mengubah perkara yang cuba dioptimumkan oleh pemeringkatan.\n\nSediakan dokumen calon dan belanjawan\nInput ialah senarai rentetan teks. Ekstrak teks yang boleh digunakan daripada dokumen sumber, kekalkan sempadan bahagian yang bermakna dan simpan peta rekod tersusun bersama senarai. Pengeluar membenarkan sehingga 1,000 dokumen dalam satu permintaan. Ia turut menetapkan had agregat input 600,000 token: token pertanyaan didarab bilangan dokumen, ditambah jumlah semua token dokumen. Ini berbeza daripada had konteks bagi setiap pasangan. Mengurangkan teks pertanyaan yang berlebihan boleh menjimatkan kapasiti pasangan dan keseluruhan belanjawan permintaan.\n\nKira token bagi model yang berkaitan, tanpa menganggap bilangan perkataan atau aksara sebagai bilangan token. Untuk calon besar, pilih petikan yang koheren atau bahagikan bahan mengikut pengepala yang berguna sambil mengekalkan maklumat sumber induk. Pemeringkatan semula paling berguna selepas carian pertama menemukan calon yang munasabah: ia tidak boleh memberi kedudukan kepada sumber yang tiada dan tidak pernah memasuki senarai.\n\nHasil berperingkat dan penggunaan hiliran\nHasil mengandungi skor kerelevanan dan indeks yang merujuk dokumen input asal, disusun mengikut kerelevanan menurun. Pilihan top_k mengehadkan bilangan hasil berperingkat yang dikembalikan; jika tidak dinyatakan, semua calon input dikembalikan. Antara muka REST pengeluar turut membenarkan teks dokumen disertakan. Gunakan setiap indeks asal untuk mendapatkan kembali tajuk, pengecam sumber dan sebarang metadata yang diperlukan oleh aplikasi anda, kemudian paparkan item yang dipilih atau masukkan teks berkaitan ke dalam konteks bukti jawapan.\n\nPeriksa hasil teratas terhadap soalan dan pastikan identiti sumber kekal kelihatan. Kedudukan relatif yang tinggi tidak mengesahkan ketepatan fakta dokumen, dan senarai pendek yang mengandungi hanya calon lemah tetap mempunyai item pertama. Asingkan pemilihan kerelevanan daripada penentuan sama ada bukti yang dipilih mencukupi untuk menjawab pengguna.\n\nMigrasi edisi\nPengeluar menerangkan rerank-3 sebagai pengganti terus rerank-2.5, dengan semantik API yang sama dan skor yang ditentukur kepada taburan pendahulunya yang sepadan. Keserasian itu menyokong pengekalan peringkat pemerolehan maklumat dan pemetaan rekod sedia ada. Bandingkan susunan hasil yang bermakna dan sebarang ambang skor pada korpus semasa sebelum bergantung pada migrasi. Kekalkan rerank-3 dan rerank-3-lite sebagai pilihan yang berbeza: had yang dikongsi dan pematuhan arahan tidak menjadikan keutamaan kualiti serta kependaman kedua-duanya sama.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "297ea0fbfa39ed0a8deb003e58f19d51673d8453e55c4bae02cf0396041496a5", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
•

VoyageAI by MongoDB: rerank-3

VoyageAI by MongoDB /voyageai/rerank-3

Pengenalan

Voyage rerank-3 ialah edisi Rerank 3 yang memfokuskan kualiti untuk penskoran kerelevanan pertanyaan-dokumen. Ia menyusun semula calon teks yang diperoleh, menyokong arahan kerelevanan bahasa semula jadi dan mengendalikan pasangan 32,000 token untuk carian dokumen panjang, kod dan pangkalan pengetahuan.

Input yang diterima
Teks
Hasil
Hasil mengikut kedudukan
Tentang model

Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.

Voyage rerank-3 ialah pemeringkat semula teks yang direka untuk meningkatkan kualiti bukti yang diperoleh. Dengan pertanyaan dan senarai dokumen calon, ia memeriksa setiap pasangan bersama-sama serta mengembalikan calon yang disusun mengikut kerelevanan. Pembenaman dan carian kata kunci boleh terlebih dahulu mengecilkan koleksi besar kepada senarai pendek yang boleh diurus; rerank-3 kemudian menerapkan penilaian kerelevanan yang lebih terperinci pada senarai pendek itu. Outputnya ialah bukti carian berskor untuk dipaparkan oleh aplikasi atau diteruskan ke langkah penjanaan jawapan berasingan.

Rerank 3 yang memfokuskan kualiti Pengeluar menempatkan rerank-3 sebagai edisi yang memfokuskan ketepatan dan rerank-3-lite sebagai edisi untuk carian yang sensitif terhadap kependaman. Generasi ketiga mengemas kini tulang belakang dan campuran latihan, dengan penambahbaikan khusus pada pemerolehan dokumen panjang serta kod sumber berbanding pendahulu 2.5 yang sepadan. Pengeluar menilainya merentas dokumentasi teknikal, kod, bahan berbilang bahasa dan bidang dokumen lain. Hasil itu menyokong peranannya dalam pemerolehan maklumat; pilih edisi menggunakan soalan dan dokumen calon yang penting kepada koleksi anda sendiri.

Dokumen panjang dengan konteks yang mencukupi Calon yang panjang boleh mengandungi konteks berguna jauh melepasi perenggan pembukaannya. Bekalkan bahagian atau dokumen yang koheren bersama tajuk dan bahan sekeliling yang berkaitan, supaya model boleh menilai hubungan soalan sebenar dengan kandungan. Untuk carian dasar produk, kekalkan pengepala dan pengecualian di sekitar petikan yang diminati. Jika beberapa bahagian yang diperoleh datang daripada sumber yang sama, kekalkan pengecam dokumen dan bahagiannya; aplikasi kemudian boleh menunjukkan tempat asal bukti yang dipilih.

Tetingkap konteks dikongsi oleh pertanyaan dan setiap calon. Panduan semasa pengeluar menyatakan 32,000 token bagi pasangan itu, termasuk pertanyaan yang tidak melebihi 8,000 token. Oleh itu, pertanyaan 3,000 token meninggalkan paling banyak 29,000 token untuk setiap dokumen. Sediakan input supaya kandungan pentingnya muat, khususnya apabila mukadimah panjang atau teks templat berulang akan menggunakan tetingkap tersebut. Pilihan pemangkasan yang didokumenkan diaktifkan secara lalai dan boleh memendekkan pertanyaan atau teks dokumen yang terlalu besar sebelum penskoran. Periksa perkara yang dikekalkan apabila kedudukan petikan penting.

Pemerolehan kod dan bahan teknikal Untuk peringkat pemerolehan maklumat pembantu pengekodan, calon boleh mengandungi pelaksanaan fungsi, dokumentasi API atau penjelasan teknikal sebagai teks. Sertakan simbol, tandatangan dan konteks yang diperlukan untuk membezakan calon yang serupa. Pertanyaan seperti “Cari fungsi yang menormalkan laluan sambil mengekalkan pemisah di hujung” memberikan tingkah laku konkrit untuk dipadankan. Sertakan sebarang kekangan bahasa, platform atau versi yang berkaitan. Selepas pemeringkatan, periksa kod yang dipilih dan kebergantungannya sebelum menggunakannya sebagai konteks; skor kerelevanan tidak membuktikan bahawa pelaksanaan memenuhi setiap keperluan yang dinyatakan.

Arahan menetapkan kerelevanan Model mengekalkan keupayaan pemeringkatan semula yang mematuhi arahan, yang diperkenalkan dalam Rerank 2.5. Letakkan arahan ringkas sebelum atau selepas pertanyaan apabila niat pengguna memerlukan penjelasan. Untuk carian dokumen penyelidikan, terangkan sama ada tumpuannya pada tajuk, kaedah tertentu atau bidang aplikasi. Untuk katalog dalaman, nyatakan sama ada permintaan berkaitan pemasangan, penyelesaian masalah atau keserasian. Pastikan arahan itu selaras dengan soalan; keutamaan tambahan yang bercanggah dengan permintaan utama boleh mengubah perkara yang cuba dioptimumkan oleh pemeringkatan.

Sediakan dokumen calon dan belanjawan Input ialah senarai rentetan teks. Ekstrak teks yang boleh digunakan daripada dokumen sumber, kekalkan sempadan bahagian yang bermakna dan simpan peta rekod tersusun bersama senarai. Pengeluar membenarkan sehingga 1,000 dokumen dalam satu permintaan. Ia turut menetapkan had agregat input 600,000 token: token pertanyaan didarab bilangan dokumen, ditambah jumlah semua token dokumen. Ini berbeza daripada had konteks bagi setiap pasangan. Mengurangkan teks pertanyaan yang berlebihan boleh menjimatkan kapasiti pasangan dan keseluruhan belanjawan permintaan.

Kira token bagi model yang berkaitan, tanpa menganggap bilangan perkataan atau aksara sebagai bilangan token. Untuk calon besar, pilih petikan yang koheren atau bahagikan bahan mengikut pengepala yang berguna sambil mengekalkan maklumat sumber induk. Pemeringkatan semula paling berguna selepas carian pertama menemukan calon yang munasabah: ia tidak boleh memberi kedudukan kepada sumber yang tiada dan tidak pernah memasuki senarai.

Hasil berperingkat dan penggunaan hiliran Hasil mengandungi skor kerelevanan dan indeks yang merujuk dokumen input asal, disusun mengikut kerelevanan menurun. Pilihan top_k mengehadkan bilangan hasil berperingkat yang dikembalikan; jika tidak dinyatakan, semua calon input dikembalikan. Antara muka REST pengeluar turut membenarkan teks dokumen disertakan. Gunakan setiap indeks asal untuk mendapatkan kembali tajuk, pengecam sumber dan sebarang metadata yang diperlukan oleh aplikasi anda, kemudian paparkan item yang dipilih atau masukkan teks berkaitan ke dalam konteks bukti jawapan.

Periksa hasil teratas terhadap soalan dan pastikan identiti sumber kekal kelihatan. Kedudukan relatif yang tinggi tidak mengesahkan ketepatan fakta dokumen, dan senarai pendek yang mengandungi hanya calon lemah tetap mempunyai item pertama. Asingkan pemilihan kerelevanan daripada penentuan sama ada bukti yang dipilih mencukupi untuk menjawab pengguna.

Migrasi edisi Pengeluar menerangkan rerank-3 sebagai pengganti terus rerank-2.5, dengan semantik API yang sama dan skor yang ditentukur kepada taburan pendahulunya yang sepadan. Keserasian itu menyokong pengekalan peringkat pemerolehan maklumat dan pemetaan rekod sedia ada. Bandingkan susunan hasil yang bermakna dan sebarang ambang skor pada korpus semasa sebelum bergantung pada migrasi. Kekalkan rerank-3 dan rerank-3-lite sebagai pilihan yang berbeza: had yang dikongsi dan pematuhan arahan tidak menjadikan keutamaan kualiti serta kependaman kedua-duanya sama.

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Pemeringkatan semula POST /v1/rerank
Input
text
Output
rerank
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedandocumentsJenisarrayKeperluanDiperlukanNilai & hadLalai—
MedanmodelJenisstringKeperluanDiperlukanNilai & had
voyageai/rerank-3
Lalai—
MedanproviderJenisschemaKeperluanPilihanNilai & hadLalai—
MedanqueryJenisstringKeperluanDiperlukanNilai & hadLalai—
Medansession_idJenisstringKeperluanPilihanNilai & hadLalai—
Medantop_nJenisintegerKeperluanPilihanNilai & had
Minimum: 1
Lalai—
MedantraceJenisschemaKeperluanPilihanNilai & hadLalai—
MedanuserJenisstringKeperluanPilihanNilai & hadLalai—
Medandocuments[].textJenisstringKeperluanPilihanNilai & hadLalai—
Medandocuments[].imageJenisstringKeperluanPilihanNilai & hadLalai—
Gabungan bahan input

text_rerank · Diperlukan: query, documents array with minItems1

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, query, documents
Parametermaterial_typesKontraktext
Parameteroptional_controlsKontrakprovider, session_id, top_n, trace, user
Parametermultimodal_input_bindingKontraknull

Kitar hayat: synchronous

Hantar ID model yang tepat dan simpan respons natif yang lengkap.

Pelan harga

Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.

Mod pantas
Tidak dinyatakan Apabila mod pantas dipilih
Mod flex
Tidak dinyatakan Apabila mod flex dipilih
Usaha penaakulan maksimum
Tidak dinyatakan Apabila usaha penaakulan maksimum menggunakan pelarasan default

Kadar Ailoot

Harga mengikut konfigurasi

Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.

KonfigurasiJadual kadarUnit pengebilanCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasUnit pengebilan—Caj
Input · Token input — / 1K token
Output · Token output — / 1K token
Input · Bacaan cache — / 1K token
Input · Penulisan cache — / 1K token
Input · Penulisan cache, 1 jam — / 1K token
KonfigurasiUltraJadual kadar—Unit pengebilan/ 1K tokenCaj
Input $0.0001 / 1K token

Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →

Contoh permintaan

Ailoot Ultra · Pemeringkatan semula

{\n  "documents": [\n    "Paris is the capital of France.",\n    "Berlin is the capital of Germany."\n  ],\n  "model": "voyageai/rerank-3",\n  "query": "What is the capital of France?",\n  "top_n": 3\n}

Terima dan simpan hasil

Ailoot Ultra · Pemeringkatan semula

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.

Setiap indeks hasil sebenar, relevance_score terhingga dan objek dokumen asal dikekalkan. Indeks mengikat tatasusunan dokumen asal. Keseluruhan JSON asal disimpan dan hanya dikembalikan selepas penyelesaian caj.

Jika respons asal perlu disemak

Simpan operasi asal dan balasan penuh/separa; jangan ulang POST.

Medan respons
MedanJenis
MedanmodelJenisstring
MedanidJenisstring
MedanproviderJenisstring
Medanresults[].indexJenisinteger
Medanresults[].relevance_scoreJenisnumber
Medanresults[].document.textJenisstring
Medanresults[].document.imageJenisstring
Medanusage.search_unitsJenisinteger
Medanusage.total_tokensJenisinteger
Medanusage.costJenisnumber
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, bentuk perwakilan atau nilai tidak sahLangkah seterusnyaBetulkan medan permintaan yang dinyatakan.

Alias

Alias model

Ailoot Ultra voyageai/rerank-3

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

voyageai/rerank-3

", "method_identity": { "effective_request_model_id": "voyageai/rerank-3", "fmt": "rerank", "http": "POST", "path": "/v1/rerank", "request_model_id": "voyageai/rerank-3", "route_label": "Ultra" }, "method_key": "Ultra|rerank|/v1/rerank|voyageai%2Frerank-3", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Every actual result index, finite relevance_score and original document object is retained. Indices bind the original document array. Entire original JSON is stored and returned only after settlement.", "errors": [ { "code": null, "condition": "Medan wajib, bentuk perwakilan atau nilai tidak sah", "http_status": 400, "recovery": "Betulkan medan permintaan yang dinyatakan.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "cancel": null, "idempotency_header": null, "job_retrieve": null, "mode": "synchronous", "streaming": false, "unknown": "Simpan operasi asal dan balasan penuh/separa; jangan ulang POST." }, "material_combinations": [ { "accepted": [ "string documents", "objects with text; image only for separately exact-supported multimodal model" ], "mode": "text_rerank", "required": [ "query", "documents array with minItems1" ] } ], "operation_modes": [ "rerank" ], "outputs": { "all_results": "Setiap indeks hasil sebenar, relevance_score terhingga dan objek dokumen asal dikekalkan. Indeks mengikat tatasusunan dokumen asal. Keseluruhan JSON asal disimpan dan hanya dikembalikan selepas penyelesaian caj.", "family": "rerank", "fields": [ { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "id", "type": "string" }, { "description": null, "name": "provider", "type": "string" }, { "description": null, "name": "results[].index", "type": "integer" }, { "description": null, "name": "results[].relevance_score", "type": "number" }, { "description": null, "name": "results[].document.text", "type": "string" }, { "description": null, "name": "results[].document.image", "type": "string" }, { "description": null, "name": "usage.search_units", "type": "integer" }, { "description": null, "name": "usage.total_tokens", "type": "integer" }, { "description": null, "name": "usage.cost", "type": "number" } ], "format": "json", "schema": { "description": "Rerank response containing ranked results", "example": { "id": "gen-rerank-1234567890-abc", "model": "cohere/rerank-v3.5", "results": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "usage": { "search_units": 1, "total_tokens": 150 } }, "properties": { "id": { "description": "Unique identifier for the rerank response (ORID format)", "example": "gen-rerank-1234567890-abc", "type": "string" }, "model": { "description": "The model used for reranking", "example": "cohere/rerank-v3.5", "type": "string" }, "provider": { "description": "The provider that served the rerank request", "example": "Cohere", "type": "string" }, "results": { "description": "List of rerank results sorted by relevance", "example": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "items": { "description": "A single rerank result", "example": { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 }, "properties": { "document": { "description": "The document object echoing the original input (text and/or image)", "properties": { "image": { "description": "The image (URL or data URI) from the original document", "example": "https://example.com/image.png", "type": "string" }, "text": { "description": "The document text", "example": "Paris is the capital of France.", "type": "string" } }, "type": "object" }, "index": { "description": "Index of the document in the original input list", "example": 0, "type": "integer" }, "relevance_score": { "description": "Relevance score of the document to the query", "example": 0.98, "format": "double", "type": "number" } }, "required": [ "index", "relevance_score", "document" ], "type": "object" }, "type": "array" }, "usage": { "description": "Usage statistics", "example": { "search_units": 1, "total_tokens": 150 }, "properties": { "cost": { "description": "Cost of the request in credits", "example": 0.001, "format": "double", "type": "number" }, "search_units": { "description": "Number of search units consumed (Cohere billing)", "example": 1, "type": "integer" }, "total_tokens": { "description": "Total number of tokens used", "example": 150, "type": "integer" } }, "type": "object" } }, "required": [ "model", "results" ], "type": "object" } }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "description": "The list of documents to rerank. Documents may be plain strings, or structured objects with `text` and/or `image` for multimodal models.", "enum": null, "enum_known": false, "minItems": 1, "name": "documents", "required": true, "type": "array" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "voyageai/rerank-3" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "schema" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "The search query to rerank documents against", "enum": null, "enum_known": false, "name": "query", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "A unique identifier for grouping related requests (e.g., a conversation or agent workflow). Used for observability grouping in Broadcast and private logging; never sent to the provider. If provided in both the request body and the x-session-id header, the body value takes precedence. Maximum of 256 characters.", "enum": null, "enum_known": false, "maxLength": 256, "name": "session_id", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "Number of most relevant documents to return", "enum": null, "enum_known": false, "minimum": 1, "name": "top_n", "required": false, "type": "integer" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "schema" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "A unique identifier representing your end-user. Forwarded to Broadcast and private logging as the end-user id; never sent to the provider.", "enum": null, "enum_known": false, "maxLength": 256, "name": "user", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "documents[].text", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "Official family image carrier is remote http/https URL or data:image URI; only for exact multimodal-model bindings.", "enum": null, "enum_known": false, "name": "documents[].image", "required": false, "type": "string" } ], "unsupported": [ "stream=true" ] }, "hints": [ "Hantar ID model yang tepat dan simpan respons natif yang lengkap." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "multimodal_input_binding": null, "optional_controls": [ "provider", "session_id", "top_n", "trace", "user" ], "required": [ "model", "query", "documents" ] }, "lifecycle": { "cancel": null, "idempotency_header": null, "job_retrieve": null, "mode": "synchronous", "streaming": false, "unknown": "Preserve original operation and full/partial reply; do not replay POST." }, "manufacturer_capability": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "rerank" ] }, "method": { "http": "POST", "path": "/v1/rerank" }, "method_aliases": [], "operation_modes": [ "rerank" ], "output": { "all_results": "Every actual result index, finite relevance_score and original document object is retained. Indices bind the original document array. Entire original JSON is stored and returned only after settlement.", "family": "rerank", "fields": [ { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "id", "type": "string" }, { "description": null, "name": "provider", "type": "string" }, { "description": null, "name": "results[].index", "type": "integer" }, { "description": null, "name": "results[].relevance_score", "type": "number" }, { "description": null, "name": "results[].document.text", "type": "string" }, { "description": null, "name": "results[].document.image", "type": "string" }, { "description": null, "name": "usage.search_units", "type": "integer" }, { "description": null, "name": "usage.total_tokens", "type": "integer" }, { "description": null, "name": "usage.cost", "type": "number" } ], "format": "json", "schema": { "description": "Rerank response containing ranked results", "example": { "id": "gen-rerank-1234567890-abc", "model": "cohere/rerank-v3.5", "results": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "usage": { "search_units": 1, "total_tokens": 150 } }, "properties": { "id": { "description": "Unique identifier for the rerank response (ORID format)", "example": "gen-rerank-1234567890-abc", "type": "string" }, "model": { "description": "The model used for reranking", "example": "cohere/rerank-v3.5", "type": "string" }, "provider": { "description": "The provider that served the rerank request", "example": "Cohere", "type": "string" }, "results": { "description": "List of rerank results sorted by relevance", "example": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "items": { "description": "A single rerank result", "example": { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 }, "properties": { "document": { "description": "The document object echoing the original input (text and/or image)", "properties": { "image": { "description": "The image (URL or data URI) from the original document", "example": "https://example.com/image.png", "type": "string" }, "text": { "description": "The document text", "example": "Paris is the capital of France.", "type": "string" } }, "type": "object" }, "index": { "description": "Index of the document in the original input list", "example": 0, "type": "integer" }, "relevance_score": { "description": "Relevance score of the document to the query", "example": 0.98, "format": "double", "type": "number" } }, "required": [ "index", "relevance_score", "document" ], "type": "object" }, "type": "array" }, "usage": { "description": "Usage statistics", "example": { "search_units": 1, "total_tokens": 150 }, "properties": { "cost": { "description": "Cost of the request in credits", "example": 0.001, "format": "double", "type": "number" }, "search_units": { "description": "Number of search units consumed (Cohere billing)", "example": 1, "type": "integer" }, "total_tokens": { "description": "Total number of tokens used", "example": 150, "type": "integer" } }, "type": "object" } }, "required": [ "model", "results" ], "type": "object" } }, "schema": { "request": { "description": "Rerank request input", "example": { "documents": [ "Paris is the capital of France.", "Berlin is the capital of Germany." ], "model": "cohere/rerank-v3.5", "query": "What is the capital of France?", "top_n": 3 }, "properties": { "documents": { "description": "The list of documents to rerank. Documents may be plain strings, or structured objects with `text` and/or `image` for multimodal models.", "example": [ "Paris is the capital of France.", "Berlin is the capital of Germany." ], "items": { "anyOf": [ { "type": "string" }, { "description": "A structured document with optional text and/or image content. At least one of `text` or `image` must be provided.", "properties": { "image": { "description": "An image associated with the document, as a remote URL (http/https) or a base64-encoded data URI (data:image/...).", "example": "https://upload.wikimedia.org/wikipedia/commons/thumb/8/8b/Phytogenic.png", "type": "string" }, "text": { "description": "The document text", "example": "AI enables robots to perceive, plan, and act autonomously.", "type": "string" } }, "type": "object" } ], "description": "A document to rerank. Either a plain string, or a structured object with optional `text` and/or `image`." }, "minItems": 1, "type": "array" }, "model": { "enum": [ "voyageai/rerank-3" ], "type": "string" }, "provider": { "allOf": [ { "$ref": "#/components/schemas/ProviderPreferences" }, { "description": "Provider routing preferences for the request." } ] }, "query": { "description": "The search query to rerank documents against", "example": "What is the capital of France?", "type": "string" }, "session_id": { "description": "A unique identifier for grouping related requests (e.g., a conversation or agent workflow). Used for observability grouping in Broadcast and private logging; never sent to the provider. If provided in both the request body and the x-session-id header, the body value takes precedence. Maximum of 256 characters.", "example": "session-1234", "maxLength": 256, "type": "string" }, "top_n": { "description": "Number of most relevant documents to return", "example": 3, "minimum": 1, "type": "integer" }, "trace": { "$ref": "#/components/schemas/TraceConfig" }, "user": { "description": "A unique identifier representing your end-user. Forwarded to Broadcast and private logging as the end-user id; never sent to the provider.", "example": "user-1234", "maxLength": 256, "type": "string" } }, "required": [ "model", "query", "documents" ], "type": "object" }, "response": { "description": "Rerank response containing ranked results", "example": { "id": "gen-rerank-1234567890-abc", "model": "cohere/rerank-v3.5", "results": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "usage": { "search_units": 1, "total_tokens": 150 } }, "properties": { "id": { "description": "Unique identifier for the rerank response (ORID format)", "example": "gen-rerank-1234567890-abc", "type": "string" }, "model": { "description": "The model used for reranking", "example": "cohere/rerank-v3.5", "type": "string" }, "provider": { "description": "The provider that served the rerank request", "example": "Cohere", "type": "string" }, "results": { "description": "List of rerank results sorted by relevance", "example": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "items": { "description": "A single rerank result", "example": { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 }, "properties": { "document": { "description": "The document object echoing the original input (text and/or image)", "properties": { "image": { "description": "The image (URL or data URI) from the original document", "example": "https://example.com/image.png", "type": "string" }, "text": { "description": "The document text", "example": "Paris is the capital of France.", "type": "string" } }, "type": "object" }, "index": { "description": "Index of the document in the original input list", "example": 0, "type": "integer" }, "relevance_score": { "description": "Relevance score of the document to the query", "example": 0.98, "format": "double", "type": "number" } }, "required": [ "index", "relevance_score", "document" ], "type": "object" }, "type": "array" }, "usage": { "description": "Usage statistics", "example": { "search_units": 1, "total_tokens": 150 }, "properties": { "cost": { "description": "Cost of the request in credits", "example": 0.001, "format": "double", "type": "number" }, "search_units": { "description": "Number of search units consumed (Cohere billing)", "example": 1, "type": "integer" }, "total_tokens": { "description": "Total number of tokens used", "example": 150, "type": "integer" } }, "type": "object" } }, "required": [ "model", "results" ], "type": "object" } } }, "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": { "native_endpoint": "rerank", "quoted_unit": "/ 1K tokens" }, "label": "Ultra", "units": [ { "amount": "0.0001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.0000001", "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" } ] } ], "examples": [ { "code": "{\n \"documents\": [\n \"Paris is the capital of France.\",\n \"Berlin is the capital of Germany.\"\n ],\n \"model\": \"voyageai/rerank-3\",\n \"query\": \"What is the capital of France?\",\n \"top_n\": 3\n}", "label": "Retained official request structure; documentary example", "language": "json" }, { "code": "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-3'\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\n", "label": "Use your actual request material and retain the complete result", "language": "bash", "material_policy": "Use real owner-supplied state/questions or query/documents. No invented file ID, document, image URL, job ID or returned result." } ], "family": "rerank", "fast_multiplier": null, "flex_multiplier": null, "fmt": "rerank", "http": "POST", "in": null, "input": [ "text" ], "label": "Pemeringkatan semula", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "native_endpoint": "rerank", "out": null, "output": [ "rerank" ], "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": { "input_token": 1e-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": { "native_endpoint": "rerank", "quoted_unit": "/ 1K tokens" }, "label": "Ultra", "units": [ { "amount": "0.0001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.0000001", "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" } ] } ], "request_model_id": "voyageai/rerank-3", "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": "0.0001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.0000001", "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" } ] } } ], "model_id": "voyageai/rerank-3", "nativeProvenance": { "input_facts_canonical_sha256": "acc443e4ff3bdcb89a1957c962d3a2cb6c92c69181d1f117eed7a66c7f8fa7a9", "input_html_sha256": "625ee96f65d37b3789f63f1e3d0bb7a116836ba429ce25c860a374759a174243", "private_audit_sha256": "fec2976c471774dc4f8038e7c7f334b3256e7784ea2a68eb517f83566ee6c537", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/voyageai-rerank-3/", "description": "Voyage rerank-3 ialah edisi Rerank 3 yang memfokuskan kualiti untuk penskoran kerelevanan pertanyaan-dokumen. Ia menyusun semula calon teks yang diperoleh, menyokong arahan kerelevanan bahasa semula jadi dan mengendalikan pasangan 32,000 token untuk carian dokumen panjang, kod dan pangkalan pengetahuan.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/voyageai-rerank-3/index.md", "title": "VoyageAI by MongoDB: rerank-3 — Ailoot", "url": "https://ailoot.ai/models/ms/voyageai-rerank-3/" }, "rawModel": { "about": "Voyage rerank-3 ialah pemeringkat semula teks yang direka untuk meningkatkan kualiti bukti yang diperoleh. Dengan pertanyaan dan senarai dokumen calon, ia memeriksa setiap pasangan bersama-sama serta mengembalikan calon yang disusun mengikut kerelevanan. Pembenaman dan carian kata kunci boleh terlebih dahulu mengecilkan koleksi besar kepada senarai pendek yang boleh diurus; rerank-3 kemudian menerapkan penilaian kerelevanan yang lebih terperinci pada senarai pendek itu. Outputnya ialah bukti carian berskor untuk dipaparkan oleh aplikasi atau diteruskan ke langkah penjanaan jawapan berasingan.\n\nRerank 3 yang memfokuskan kualiti\nPengeluar menempatkan rerank-3 sebagai edisi yang memfokuskan ketepatan dan rerank-3-lite sebagai edisi untuk carian yang sensitif terhadap kependaman. Generasi ketiga mengemas kini tulang belakang dan campuran latihan, dengan penambahbaikan khusus pada pemerolehan dokumen panjang serta kod sumber berbanding pendahulu 2.5 yang sepadan. Pengeluar menilainya merentas dokumentasi teknikal, kod, bahan berbilang bahasa dan bidang dokumen lain. Hasil itu menyokong peranannya dalam pemerolehan maklumat; pilih edisi menggunakan soalan dan dokumen calon yang penting kepada koleksi anda sendiri.\n\nDokumen panjang dengan konteks yang mencukupi\nCalon yang panjang boleh mengandungi konteks berguna jauh melepasi perenggan pembukaannya. Bekalkan bahagian atau dokumen yang koheren bersama tajuk dan bahan sekeliling yang berkaitan, supaya model boleh menilai hubungan soalan sebenar dengan kandungan. Untuk carian dasar produk, kekalkan pengepala dan pengecualian di sekitar petikan yang diminati. Jika beberapa bahagian yang diperoleh datang daripada sumber yang sama, kekalkan pengecam dokumen dan bahagiannya; aplikasi kemudian boleh menunjukkan tempat asal bukti yang dipilih.\n\nTetingkap konteks dikongsi oleh pertanyaan dan setiap calon. Panduan semasa pengeluar menyatakan 32,000 token bagi pasangan itu, termasuk pertanyaan yang tidak melebihi 8,000 token. Oleh itu, pertanyaan 3,000 token meninggalkan paling banyak 29,000 token untuk setiap dokumen. Sediakan input supaya kandungan pentingnya muat, khususnya apabila mukadimah panjang atau teks templat berulang akan menggunakan tetingkap tersebut. Pilihan pemangkasan yang didokumenkan diaktifkan secara lalai dan boleh memendekkan pertanyaan atau teks dokumen yang terlalu besar sebelum penskoran. Periksa perkara yang dikekalkan apabila kedudukan petikan penting.\n\nPemerolehan kod dan bahan teknikal\nUntuk peringkat pemerolehan maklumat pembantu pengekodan, calon boleh mengandungi pelaksanaan fungsi, dokumentasi API atau penjelasan teknikal sebagai teks. Sertakan simbol, tandatangan dan konteks yang diperlukan untuk membezakan calon yang serupa. Pertanyaan seperti “Cari fungsi yang menormalkan laluan sambil mengekalkan pemisah di hujung” memberikan tingkah laku konkrit untuk dipadankan. Sertakan sebarang kekangan bahasa, platform atau versi yang berkaitan. Selepas pemeringkatan, periksa kod yang dipilih dan kebergantungannya sebelum menggunakannya sebagai konteks; skor kerelevanan tidak membuktikan bahawa pelaksanaan memenuhi setiap keperluan yang dinyatakan.\n\nArahan menetapkan kerelevanan\nModel mengekalkan keupayaan pemeringkatan semula yang mematuhi arahan, yang diperkenalkan dalam Rerank 2.5. Letakkan arahan ringkas sebelum atau selepas pertanyaan apabila niat pengguna memerlukan penjelasan. Untuk carian dokumen penyelidikan, terangkan sama ada tumpuannya pada tajuk, kaedah tertentu atau bidang aplikasi. Untuk katalog dalaman, nyatakan sama ada permintaan berkaitan pemasangan, penyelesaian masalah atau keserasian. Pastikan arahan itu selaras dengan soalan; keutamaan tambahan yang bercanggah dengan permintaan utama boleh mengubah perkara yang cuba dioptimumkan oleh pemeringkatan.\n\nSediakan dokumen calon dan belanjawan\nInput ialah senarai rentetan teks. Ekstrak teks yang boleh digunakan daripada dokumen sumber, kekalkan sempadan bahagian yang bermakna dan simpan peta rekod tersusun bersama senarai. Pengeluar membenarkan sehingga 1,000 dokumen dalam satu permintaan. Ia turut menetapkan had agregat input 600,000 token: token pertanyaan didarab bilangan dokumen, ditambah jumlah semua token dokumen. Ini berbeza daripada had konteks bagi setiap pasangan. Mengurangkan teks pertanyaan yang berlebihan boleh menjimatkan kapasiti pasangan dan keseluruhan belanjawan permintaan.\n\nKira token bagi model yang berkaitan, tanpa menganggap bilangan perkataan atau aksara sebagai bilangan token. Untuk calon besar, pilih petikan yang koheren atau bahagikan bahan mengikut pengepala yang berguna sambil mengekalkan maklumat sumber induk. Pemeringkatan semula paling berguna selepas carian pertama menemukan calon yang munasabah: ia tidak boleh memberi kedudukan kepada sumber yang tiada dan tidak pernah memasuki senarai.\n\nHasil berperingkat dan penggunaan hiliran\nHasil mengandungi skor kerelevanan dan indeks yang merujuk dokumen input asal, disusun mengikut kerelevanan menurun. Pilihan top_k mengehadkan bilangan hasil berperingkat yang dikembalikan; jika tidak dinyatakan, semua calon input dikembalikan. Antara muka REST pengeluar turut membenarkan teks dokumen disertakan. Gunakan setiap indeks asal untuk mendapatkan kembali tajuk, pengecam sumber dan sebarang metadata yang diperlukan oleh aplikasi anda, kemudian paparkan item yang dipilih atau masukkan teks berkaitan ke dalam konteks bukti jawapan.\n\nPeriksa hasil teratas terhadap soalan dan pastikan identiti sumber kekal kelihatan. Kedudukan relatif yang tinggi tidak mengesahkan ketepatan fakta dokumen, dan senarai pendek yang mengandungi hanya calon lemah tetap mempunyai item pertama. Asingkan pemilihan kerelevanan daripada penentuan sama ada bukti yang dipilih mencukupi untuk menjawab pengguna.\n\nMigrasi edisi\nPengeluar menerangkan rerank-3 sebagai pengganti terus rerank-2.5, dengan semantik API yang sama dan skor yang ditentukur kepada taburan pendahulunya yang sepadan. Keserasian itu menyokong pengekalan peringkat pemerolehan maklumat dan pemetaan rekod sedia ada. Bandingkan susunan hasil yang bermakna dan sebarang ambang skor pada korpus semasa sebelum bergantung pada migrasi. Kekalkan rerank-3 dan rerank-3-lite sebagai pilihan yang berbeza: had yang dikongsi dan pematuhan arahan tidak menjadikan keutamaan kualiti serta kependaman kedua-duanya sama.", "alias_of": null, "aliases": [], "author": "VoyageAI by MongoDB", "available": null, "canonical_model": "voyageai/rerank-3", "capabilities": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "rerank" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.0001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.0000001", "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" } ], "summary": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran." } ], "ctx": null, "entity_type": "model", "formats": [ "rerank" ], "id": "voyageai/rerank-3", "input": [ "text" ], "kind": "rerank", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Every actual result index, finite relevance_score and original document object is retained. Indices bind the original document array. Entire original JSON is stored and returned only after settlement.", "errors": [ { "code": null, "condition": "Medan wajib, bentuk perwakilan atau nilai tidak sah", "http_status": 400, "recovery": "Betulkan medan permintaan yang dinyatakan.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "cancel": null, "idempotency_header": null, "job_retrieve": null, "mode": "synchronous", "streaming": false, "unknown": "Simpan operasi asal dan balasan penuh/separa; jangan ulang POST." }, "material_combinations": [ { "accepted": [ "string documents", "objects with text; image only for separately exact-supported multimodal model" ], "mode": "text_rerank", "required": [ "query", "documents array with minItems1" ] } ], "operation_modes": [ "rerank" ], "outputs": { "all_results": "Setiap indeks hasil sebenar, relevance_score terhingga dan objek dokumen asal dikekalkan. Indeks mengikat tatasusunan dokumen asal. Keseluruhan JSON asal disimpan dan hanya dikembalikan selepas penyelesaian caj.", "family": "rerank", "fields": [ { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "id", "type": "string" }, { "description": null, "name": "provider", "type": "string" }, { "description": null, "name": "results[].index", "type": "integer" }, { "description": null, "name": "results[].relevance_score", "type": "number" }, { "description": null, "name": "results[].document.text", "type": "string" }, { "description": null, "name": "results[].document.image", "type": "string" }, { "description": null, "name": "usage.search_units", "type": "integer" }, { "description": null, "name": "usage.total_tokens", "type": "integer" }, { "description": null, "name": "usage.cost", "type": "number" } ], "format": "json", "schema": { "description": "Rerank response containing ranked results", "example": { "id": "gen-rerank-1234567890-abc", "model": "cohere/rerank-v3.5", "results": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "usage": { "search_units": 1, "total_tokens": 150 } }, "properties": { "id": { "description": "Unique identifier for the rerank response (ORID format)", "example": "gen-rerank-1234567890-abc", "type": "string" }, "model": { "description": "The model used for reranking", "example": "cohere/rerank-v3.5", "type": "string" }, "provider": { "description": "The provider that served the rerank request", "example": "Cohere", "type": "string" }, "results": { "description": "List of rerank results sorted by relevance", "example": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "items": { "description": "A single rerank result", "example": { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 }, "properties": { "document": { "description": "The document object echoing the original input (text and/or image)", "properties": { "image": { "description": "The image (URL or data URI) from the original document", "example": "https://example.com/image.png", "type": "string" }, "text": { "description": "The document text", "example": "Paris is the capital of France.", "type": "string" } }, "type": "object" }, "index": { "description": "Index of the document in the original input list", "example": 0, "type": "integer" }, "relevance_score": { "description": "Relevance score of the document to the query", "example": 0.98, "format": "double", "type": "number" } }, "required": [ "index", "relevance_score", "document" ], "type": "object" }, "type": "array" }, "usage": { "description": "Usage statistics", "example": { "search_units": 1, "total_tokens": 150 }, "properties": { "cost": { "description": "Cost of the request in credits", "example": 0.001, "format": "double", "type": "number" }, "search_units": { "description": "Number of search units consumed (Cohere billing)", "example": 1, "type": "integer" }, "total_tokens": { "description": "Total number of tokens used", "example": 150, "type": "integer" } }, "type": "object" } }, "required": [ "model", "results" ], "type": "object" } }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "description": "The list of documents to rerank. Documents may be plain strings, or structured objects with `text` and/or `image` for multimodal models.", "enum": null, "enum_known": false, "minItems": 1, "name": "documents", "required": true, "type": "array" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "voyageai/rerank-3" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "schema" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "The search query to rerank documents against", "enum": null, "enum_known": false, "name": "query", "required": true, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "A unique identifier for grouping related requests (e.g., a conversation or agent workflow). Used for observability grouping in Broadcast and private logging; never sent to the provider. If provided in both the request body and the x-session-id header, the body value takes precedence. Maximum of 256 characters.", "enum": null, "enum_known": false, "maxLength": 256, "name": "session_id", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "Number of most relevant documents to return", "enum": null, "enum_known": false, "minimum": 1, "name": "top_n", "required": false, "type": "integer" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "schema" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "A unique identifier representing your end-user. Forwarded to Broadcast and private logging as the end-user id; never sent to the provider.", "enum": null, "enum_known": false, "maxLength": 256, "name": "user", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "documents[].text", "required": false, "type": "string" }, { "availability": "source_interface", "default": null, "default_known": false, "description": "Official family image carrier is remote http/https URL or data:image URI; only for exact multimodal-model bindings.", "enum": null, "enum_known": false, "name": "documents[].image", "required": false, "type": "string" } ], "unsupported": [ "stream=true" ] }, "hints": [ "Hantar ID model yang tepat dan simpan respons natif yang lengkap." ], "input": { "content_type": "application/json", "material_types": [ "text" ], "multimodal_input_binding": null, "optional_controls": [ "provider", "session_id", "top_n", "trace", "user" ], "required": [ "model", "query", "documents" ] }, "lifecycle": { "cancel": null, "idempotency_header": null, "job_retrieve": null, "mode": "synchronous", "streaming": false, "unknown": "Preserve original operation and full/partial reply; do not replay POST." }, "manufacturer_capability": { "context_length": 32000, "manufacturer_input": [ "text" ], "manufacturer_output": [ "rerank" ] }, "method": { "http": "POST", "path": "/v1/rerank" }, "method_aliases": [], "operation_modes": [ "rerank" ], "output": { "all_results": "Every actual result index, finite relevance_score and original document object is retained. Indices bind the original document array. Entire original JSON is stored and returned only after settlement.", "family": "rerank", "fields": [ { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "id", "type": "string" }, { "description": null, "name": "provider", "type": "string" }, { "description": null, "name": "results[].index", "type": "integer" }, { "description": null, "name": "results[].relevance_score", "type": "number" }, { "description": null, "name": "results[].document.text", "type": "string" }, { "description": null, "name": "results[].document.image", "type": "string" }, { "description": null, "name": "usage.search_units", "type": "integer" }, { "description": null, "name": "usage.total_tokens", "type": "integer" }, { "description": null, "name": "usage.cost", "type": "number" } ], "format": "json", "schema": { "description": "Rerank response containing ranked results", "example": { "id": "gen-rerank-1234567890-abc", "model": "cohere/rerank-v3.5", "results": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "usage": { "search_units": 1, "total_tokens": 150 } }, "properties": { "id": { "description": "Unique identifier for the rerank response (ORID format)", "example": "gen-rerank-1234567890-abc", "type": "string" }, "model": { "description": "The model used for reranking", "example": "cohere/rerank-v3.5", "type": "string" }, "provider": { "description": "The provider that served the rerank request", "example": "Cohere", "type": "string" }, "results": { "description": "List of rerank results sorted by relevance", "example": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "items": { "description": "A single rerank result", "example": { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 }, "properties": { "document": { "description": "The document object echoing the original input (text and/or image)", "properties": { "image": { "description": "The image (URL or data URI) from the original document", "example": "https://example.com/image.png", "type": "string" }, "text": { "description": "The document text", "example": "Paris is the capital of France.", "type": "string" } }, "type": "object" }, "index": { "description": "Index of the document in the original input list", "example": 0, "type": "integer" }, "relevance_score": { "description": "Relevance score of the document to the query", "example": 0.98, "format": "double", "type": "number" } }, "required": [ "index", "relevance_score", "document" ], "type": "object" }, "type": "array" }, "usage": { "description": "Usage statistics", "example": { "search_units": 1, "total_tokens": 150 }, "properties": { "cost": { "description": "Cost of the request in credits", "example": 0.001, "format": "double", "type": "number" }, "search_units": { "description": "Number of search units consumed (Cohere billing)", "example": 1, "type": "integer" }, "total_tokens": { "description": "Total number of tokens used", "example": 150, "type": "integer" } }, "type": "object" } }, "required": [ "model", "results" ], "type": "object" } }, "schema": { "request": { "description": "Rerank request input", "example": { "documents": [ "Paris is the capital of France.", "Berlin is the capital of Germany." ], "model": "cohere/rerank-v3.5", "query": "What is the capital of France?", "top_n": 3 }, "properties": { "documents": { "description": "The list of documents to rerank. Documents may be plain strings, or structured objects with `text` and/or `image` for multimodal models.", "example": [ "Paris is the capital of France.", "Berlin is the capital of Germany." ], "items": { "anyOf": [ { "type": "string" }, { "description": "A structured document with optional text and/or image content. At least one of `text` or `image` must be provided.", "properties": { "image": { "description": "An image associated with the document, as a remote URL (http/https) or a base64-encoded data URI (data:image/...).", "example": "https://upload.wikimedia.org/wikipedia/commons/thumb/8/8b/Phytogenic.png", "type": "string" }, "text": { "description": "The document text", "example": "AI enables robots to perceive, plan, and act autonomously.", "type": "string" } }, "type": "object" } ], "description": "A document to rerank. Either a plain string, or a structured object with optional `text` and/or `image`." }, "minItems": 1, "type": "array" }, "model": { "enum": [ "voyageai/rerank-3" ], "type": "string" }, "provider": { "allOf": [ { "$ref": "#/components/schemas/ProviderPreferences" }, { "description": "Provider routing preferences for the request." } ] }, "query": { "description": "The search query to rerank documents against", "example": "What is the capital of France?", "type": "string" }, "session_id": { "description": "A unique identifier for grouping related requests (e.g., a conversation or agent workflow). Used for observability grouping in Broadcast and private logging; never sent to the provider. If provided in both the request body and the x-session-id header, the body value takes precedence. Maximum of 256 characters.", "example": "session-1234", "maxLength": 256, "type": "string" }, "top_n": { "description": "Number of most relevant documents to return", "example": 3, "minimum": 1, "type": "integer" }, "trace": { "$ref": "#/components/schemas/TraceConfig" }, "user": { "description": "A unique identifier representing your end-user. Forwarded to Broadcast and private logging as the end-user id; never sent to the provider.", "example": "user-1234", "maxLength": 256, "type": "string" } }, "required": [ "model", "query", "documents" ], "type": "object" }, "response": { "description": "Rerank response containing ranked results", "example": { "id": "gen-rerank-1234567890-abc", "model": "cohere/rerank-v3.5", "results": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "usage": { "search_units": 1, "total_tokens": 150 } }, "properties": { "id": { "description": "Unique identifier for the rerank response (ORID format)", "example": "gen-rerank-1234567890-abc", "type": "string" }, "model": { "description": "The model used for reranking", "example": "cohere/rerank-v3.5", "type": "string" }, "provider": { "description": "The provider that served the rerank request", "example": "Cohere", "type": "string" }, "results": { "description": "List of rerank results sorted by relevance", "example": [ { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 } ], "items": { "description": "A single rerank result", "example": { "document": { "text": "Paris is the capital of France." }, "index": 0, "relevance_score": 0.98 }, "properties": { "document": { "description": "The document object echoing the original input (text and/or image)", "properties": { "image": { "description": "The image (URL or data URI) from the original document", "example": "https://example.com/image.png", "type": "string" }, "text": { "description": "The document text", "example": "Paris is the capital of France.", "type": "string" } }, "type": "object" }, "index": { "description": "Index of the document in the original input list", "example": 0, "type": "integer" }, "relevance_score": { "description": "Relevance score of the document to the query", "example": 0.98, "format": "double", "type": "number" } }, "required": [ "index", "relevance_score", "document" ], "type": "object" }, "type": "array" }, "usage": { "description": "Usage statistics", "example": { "search_units": 1, "total_tokens": 150 }, "properties": { "cost": { "description": "Cost of the request in credits", "example": 0.001, "format": "double", "type": "number" }, "search_units": { "description": "Number of search units consumed (Cohere billing)", "example": 1, "type": "integer" }, "total_tokens": { "description": "Total number of tokens used", "example": 150, "type": "integer" } }, "type": "object" } }, "required": [ "model", "results" ], "type": "object" } } }, "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": { "native_endpoint": "rerank", "quoted_unit": "/ 1K tokens" }, "label": "Ultra", "units": [ { "amount": "0.0001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.0000001", "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" } ] } ], "examples": [ { "code": "{\n \"documents\": [\n \"Paris is the capital of France.\",\n \"Berlin is the capital of Germany.\"\n ],\n \"model\": \"voyageai/rerank-3\",\n \"query\": \"What is the capital of France?\",\n \"top_n\": 3\n}", "label": "Retained official request structure; documentary example", "language": "json" }, { "code": "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-3'\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\n", "label": "Use your actual request material and retain the complete result", "language": "bash", "material_policy": "Use real owner-supplied state/questions or query/documents. No invented file ID, document, image URL, job ID or returned result." } ], "family": "rerank", "fast_multiplier": null, "flex_multiplier": null, "fmt": "rerank", "http": "POST", "in": null, "input": [ "text" ], "label": "Pemeringkatan semula", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "native_endpoint": "rerank", "out": null, "output": [ "rerank" ], "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": { "input_token": 1e-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": { "native_endpoint": "rerank", "quoted_unit": "/ 1K tokens" }, "label": "Ultra", "units": [ { "amount": "0.0001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.0000001", "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" } ] } ], "request_model_id": "voyageai/rerank-3", "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": "0.0001000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_token", "label": "input token", "native_amount_usd_per_unit": "0.0000001", "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" } ] } ], "model_aliases": [ { "canonical_model_id": "voyageai/rerank-3", "request_model_id": "voyageai/rerank-3", "route_label": "Ultra" } ], "name": "VoyageAI by MongoDB: rerank-3", "price": { "in": null, "in_label": null, "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": true }, "public_id": "voyageai/rerank-3", "short": "Voyage rerank-3 ialah edisi Rerank 3 yang memfokuskan kualiti untuk penskoran kerelevanan pertanyaan-dokumen. Ia menyusun semula calon teks yang diperoleh, menyokong arahan kerelevanan bahasa semula jadi dan mengendalikan pasangan 32,000 token untuk carian dokumen panjang, kod dan pangkalan pengetahuan." }, "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": "Voyage rerank-3 ialah edisi Rerank 3 yang memfokuskan kualiti untuk penskoran kerelevanan pertanyaan-dokumen. Ia menyusun semula calon teks yang diperoleh, menyokong arahan kerelevanan bahasa semula jadi dan mengendalikan pasangan 32,000 token untuk carian dokumen panjang, kod dan pangkalan pengetahuan.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "dc9b1d61b3757cb0dba657cc12da1e89c69d15c01763b82d2ab7072380b4765e", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "77f690f2b88b05b4ff74006df11486b38ac14a61d722d2ef3cf280e32fe4bb9f" }