rerank-2.5-lite er det lette medlemmet i Voyage AIs 2.5-utgivelse av omrangeringsmodeller. Produsenten beskriver den som en generalistmodell som balanserer latenstid og relevanskvalitet, med instruksjonsfølging på naturlig språk og flerspråklig støtte. Inndataene er en spørring og kandidattekster, og utdataene er en forbedret rekkefølge for disse kandidatene med relevansskårer.
Lite-modellen behandler hvert spørring–dokument-par samlet som en kryssenkoder. Den kan følge etter et embedding- eller leksikalsk søk i første trinn og finjustere tekstutdragene dette trinnet valgte. Dette skiller seg fra å forberede en gjenbrukbar embedding-indeks: omrangeringsmodellen undersøker den innsendte spørringen og dokumentteksten samlet for den aktuelle relevansavgjørelsen.
For et interaktivt hjelpesøk sender du inn kandidatforklaringene som kan besvare brukerens spørsmål. Behold nok av hvert tekstutdrag til å formidle oppførselen og forbeholdene ved den, og bevar koblingen mellom inndataindeksen og kildeelementet. Et avgrenset kandidatsett bidrar til å gjøre omrangeringsoppgaven tydelig, samtidig som det innhentede belegget forblir brukbart for visning eller et senere svar.
Som rerank-2.5 godtar Lite instruksjoner på naturlig språk før eller etter spørringen. Produsentens eksempler bruker dem til å fremheve dokumentdeler, velge en foretrukket kildetype eller gi kontekst til et tvetydig ord. En applikasjon kan gi en fast relevanspreferanse, eller det aktuelle spørsmålet kan inneholde en mer spesifikk preferanse.
En illustrerende støttespørring kan spørre hvilket tekstutdrag som forklarer en feil, med en instruksjon om å prioritere feilsøkingstrinn fremfor generelle produktbeskrivelser. Et dokumentsøk kan be om den opprinnelige ordlyden i retningslinjer fremfor en diskusjon av retningslinjene. Beskriv det tiltenkte belegget, og hold instruksjonen kort. Instruksjoner påvirker relevansskårer; forbered eventuelle strenge versjons-, dato- eller tilgangsbegrensninger i kandidatutvalget, fremfor å behandle en relevanspreferanse som et garantert filter.
Utdataene sorteres etter synkende relevans. Hvert resultat inneholder den opprinnelige dokumentindeksen og en flyttallsskår; det valgfrie return-documents-valget returnerer også den tilsvarende inndatateksten. Valget top-k bestemmer hvor mange av de fremste resultatene som returneres, mens utelatelse av det returnerer rangeringen for alle innsendte kandidater.
Bruk disse indeksene til å hente kildeteksten og identifikatoren. En omrangert kandidat kan bli et søkeresultat eller belegg for neste RAG-trinn, men utdataene er en ordning av gitt tekst fremfor et omskrevet svar. Vurder om de fremste tekstutdragene oppfyller både spørsmålet og relevansinstruksjonen, også for språkene og dokumenttypene som faktisk finnes i samlingen.
2.5 Lite-utgaven har et dokumentert spørringsmaksimum på 8 000 tokener og en grense på 32 000 tokener for spørringen pluss hvert enkelt dokument. Den er atskilt fra den tidligere rerank-2-lite-modellen og dens mindre kontekst. Maksimalt 1000 dokumenter kan sendes inn, og totale inndata er begrenset til 600 000 tokener etter formelen: spørringstokener multiplisert med antall kandidater, pluss summen av kandidatdokumentenes tokener.
For bruk som er følsom for latenstid, anbefaler produsentens FAQ rerank-2.5-lite med maksimalt 200 000 tokener totalt per forespørsel. Dette er praktisk veiledning under det angitte maksimumet, ikke et annet vindu per dokument. En lengre spørring eller instruksjon telles én gang for hvert kandidatpar, så både antall kandidater og spørringslengden påvirker totalen.
Avkorting er aktivert som standard og forkorter for lange spørrings-/dokumentinndata slik at de får plass; når den deaktiveres, returneres en feil for en for lang spørring eller et for langt par. Forbered kompakte kandidater som inneholder svaret, bevisst, slik at nyttig belegg ikke havner utenfor en avkortet grense. Å velge færre utdataresultater med top-k fjerner ikke de andre innsendte kandidatene fra tokenberegningen. Undersøk de returnerte kildetekstene, og forbedre inndataforberedelsen rundt de faktiske spørsmålene søkegrensesnittet må besvare.
", "aboutText": "rerank-2.5-lite er det lette medlemmet i Voyage AIs 2.5-utgivelse av omrangeringsmodeller. Produsenten beskriver den som en generalistmodell som balanserer latenstid og relevanskvalitet, med instruksjonsfølging på naturlig språk og flerspråklig støtte. Inndataene er en spørring og kandidattekster, og utdataene er en forbedret rekkefølge for disse kandidatene med relevansskårer.\n\n### En lett relevansavgjørelse i andre trinn\n\nLite-modellen behandler hvert spørring–dokument-par samlet som en kryssenkoder. Den kan følge etter et embedding- eller leksikalsk søk i første trinn og finjustere tekstutdragene dette trinnet valgte. Dette skiller seg fra å forberede en gjenbrukbar embedding-indeks: omrangeringsmodellen undersøker den innsendte spørringen og dokumentteksten samlet for den aktuelle relevansavgjørelsen.\n\nFor et interaktivt hjelpesøk sender du inn kandidatforklaringene som kan besvare brukerens spørsmål. Behold nok av hvert tekstutdrag til å formidle oppførselen og forbeholdene ved den, og bevar koblingen mellom inndataindeksen og kildeelementet. Et avgrenset kandidatsett bidrar til å gjøre omrangeringsoppgaven tydelig, samtidig som det innhentede belegget forblir brukbart for visning eller et senere svar.\n\n### Instruksjoner uttrykker hva brukeren vil prioritere\n\nSom rerank-2.5 godtar Lite instruksjoner på naturlig språk før eller etter spørringen. Produsentens eksempler bruker dem til å fremheve dokumentdeler, velge en foretrukket kildetype eller gi kontekst til et tvetydig ord. En applikasjon kan gi en fast relevanspreferanse, eller det aktuelle spørsmålet kan inneholde en mer spesifikk preferanse.\n\nEn illustrerende støttespørring kan spørre hvilket tekstutdrag som forklarer en feil, med en instruksjon om å prioritere feilsøkingstrinn fremfor generelle produktbeskrivelser. Et dokumentsøk kan be om den opprinnelige ordlyden i retningslinjer fremfor en diskusjon av retningslinjene. Beskriv det tiltenkte belegget, og hold instruksjonen kort. Instruksjoner påvirker relevansskårer; forbered eventuelle strenge versjons-, dato- eller tilgangsbegrensninger i kandidatutvalget, fremfor å behandle en relevanspreferanse som et garantert filter.\n\n### Les rangeringen og returner kildeteksten\n\nUtdataene sorteres etter synkende relevans. Hvert resultat inneholder den opprinnelige dokumentindeksen og en flyttallsskår; det valgfrie return-documents-valget returnerer også den tilsvarende inndatateksten. Valget top-k bestemmer hvor mange av de fremste resultatene som returneres, mens utelatelse av det returnerer rangeringen for alle innsendte kandidater.\n\nBruk disse indeksene til å hente kildeteksten og identifikatoren. En omrangert kandidat kan bli et søkeresultat eller belegg for neste RAG-trinn, men utdataene er en ordning av gitt tekst fremfor et omskrevet svar. Vurder om de fremste tekstutdragene oppfyller både spørsmålet og relevansinstruksjonen, også for språkene og dokumenttypene som faktisk finnes i samlingen.\n\n### Grenser og et praktisk kandidatbudsjett\n\n2.5 Lite-utgaven har et dokumentert spørringsmaksimum på 8 000 tokener og en grense på 32 000 tokener for spørringen pluss hvert enkelt dokument. Den er atskilt fra den tidligere rerank-2-lite-modellen og dens mindre kontekst. Maksimalt 1000 dokumenter kan sendes inn, og totale inndata er begrenset til 600 000 tokener etter formelen: spørringstokener multiplisert med antall kandidater, pluss summen av kandidatdokumentenes tokener.\n\nFor bruk som er følsom for latenstid, anbefaler produsentens FAQ rerank-2.5-lite med maksimalt 200 000 tokener totalt per forespørsel. Dette er praktisk veiledning under det angitte maksimumet, ikke et annet vindu per dokument. En lengre spørring eller instruksjon telles én gang for hvert kandidatpar, så både antall kandidater og spørringslengden påvirker totalen.\n\nAvkorting er aktivert som standard og forkorter for lange spørrings-/dokumentinndata slik at de får plass; når den deaktiveres, returneres en feil for en for lang spørring eller et for langt par. Forbered kompakte kandidater som inneholder svaret, bevisst, slik at nyttig belegg ikke havner utenfor en avkortet grense. Å velge færre utdataresultater med top-k fjerner ikke de andre innsendte kandidatene fra tokenberegningen. Undersøk de returnerte kildetekstene, og forbedre inndataforberedelsen rundt de faktiske spørsmålene søkegrensesnittet må besvare.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "4ac6a74a49200fd97246f228f172a61300998eb5b856ac4daa2be37823ceb7bb", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "voyageai/rerank-2.5-litererank-2.5-lite er Voyage AIs latenstidsorienterte, instruksjonsfølgende omrangeringsmodell for et innsendt sett med tekstkandidater. Den beholder en spørring–dokument-kontekst på 32 000 tokener og flerspråklig støtte og returnerer en ordnet liste med relevansskårer og opprinnelige dokumentindekser.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
rerank-2.5-lite er det lette medlemmet i Voyage AIs 2.5-utgivelse av omrangeringsmodeller. Produsenten beskriver den som en generalistmodell som balanserer latenstid og relevanskvalitet, med instruksjonsfølging på naturlig språk og flerspråklig støtte. Inndataene er en spørring og kandidattekster, og utdataene er en forbedret rekkefølge for disse kandidatene med relevansskårer.
Lite-modellen behandler hvert spørring–dokument-par samlet som en kryssenkoder. Den kan følge etter et embedding- eller leksikalsk søk i første trinn og finjustere tekstutdragene dette trinnet valgte. Dette skiller seg fra å forberede en gjenbrukbar embedding-indeks: omrangeringsmodellen undersøker den innsendte spørringen og dokumentteksten samlet for den aktuelle relevansavgjørelsen.
For et interaktivt hjelpesøk sender du inn kandidatforklaringene som kan besvare brukerens spørsmål. Behold nok av hvert tekstutdrag til å formidle oppførselen og forbeholdene ved den, og bevar koblingen mellom inndataindeksen og kildeelementet. Et avgrenset kandidatsett bidrar til å gjøre omrangeringsoppgaven tydelig, samtidig som det innhentede belegget forblir brukbart for visning eller et senere svar.
Som rerank-2.5 godtar Lite instruksjoner på naturlig språk før eller etter spørringen. Produsentens eksempler bruker dem til å fremheve dokumentdeler, velge en foretrukket kildetype eller gi kontekst til et tvetydig ord. En applikasjon kan gi en fast relevanspreferanse, eller det aktuelle spørsmålet kan inneholde en mer spesifikk preferanse.
En illustrerende støttespørring kan spørre hvilket tekstutdrag som forklarer en feil, med en instruksjon om å prioritere feilsøkingstrinn fremfor generelle produktbeskrivelser. Et dokumentsøk kan be om den opprinnelige ordlyden i retningslinjer fremfor en diskusjon av retningslinjene. Beskriv det tiltenkte belegget, og hold instruksjonen kort. Instruksjoner påvirker relevansskårer; forbered eventuelle strenge versjons-, dato- eller tilgangsbegrensninger i kandidatutvalget, fremfor å behandle en relevanspreferanse som et garantert filter.
Utdataene sorteres etter synkende relevans. Hvert resultat inneholder den opprinnelige dokumentindeksen og en flyttallsskår; det valgfrie return-documents-valget returnerer også den tilsvarende inndatateksten. Valget top-k bestemmer hvor mange av de fremste resultatene som returneres, mens utelatelse av det returnerer rangeringen for alle innsendte kandidater.
Bruk disse indeksene til å hente kildeteksten og identifikatoren. En omrangert kandidat kan bli et søkeresultat eller belegg for neste RAG-trinn, men utdataene er en ordning av gitt tekst fremfor et omskrevet svar. Vurder om de fremste tekstutdragene oppfyller både spørsmålet og relevansinstruksjonen, også for språkene og dokumenttypene som faktisk finnes i samlingen.
2.5 Lite-utgaven har et dokumentert spørringsmaksimum på 8 000 tokener og en grense på 32 000 tokener for spørringen pluss hvert enkelt dokument. Den er atskilt fra den tidligere rerank-2-lite-modellen og dens mindre kontekst. Maksimalt 1000 dokumenter kan sendes inn, og totale inndata er begrenset til 600 000 tokener etter formelen: spørringstokener multiplisert med antall kandidater, pluss summen av kandidatdokumentenes tokener.
For bruk som er følsom for latenstid, anbefaler produsentens FAQ rerank-2.5-lite med maksimalt 200 000 tokener totalt per forespørsel. Dette er praktisk veiledning under det angitte maksimumet, ikke et annet vindu per dokument. En lengre spørring eller instruksjon telles én gang for hvert kandidatpar, så både antall kandidater og spørringslengden påvirker totalen.
Avkorting er aktivert som standard og forkorter for lange spørrings-/dokumentinndata slik at de får plass; når den deaktiveres, returneres en feil for en for lang spørring eller et for langt par. Forbered kompakte kandidater som inneholder svaret, bevisst, slik at nyttig belegg ikke havner utenfor en avkortet grense. Å velge færre utdataresultater med top-k fjerner ikke de andre innsendte kandidatene fra tokenberegningen. Undersøk de returnerte kildetekstene, og forbedre inndataforberedelsen rundt de faktiske spørsmålene søkegrensesnittet må besvare.
POST /v1/reranktextrerank| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltdocuments | Typearray | KravPåkrevd | Verdier & grenser | Standard— |
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser voyageai/rerank-2.5-lite | Standard— |
Feltprovider | Typeschema | KravValgfritt | Verdier & grenser | Standard— |
Feltquery | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltsession_id | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttop_n | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 | Standard— |
Felttrace | Typeschema | KravValgfritt | Verdier & grenser | Standard— |
Feltuser | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltdocuments[].text | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltdocuments[].image | Typestring | KravValgfritt | Verdier & grenser | Standard— |
text_rerank · Påkrevd: query, documents array with minItems1
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, query, documents |
Parametermaterial_types | Avtaletext |
Parameteroptional_controls | Avtaleprovider, session_id, top_n, trace, user |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous
Send den eksakte modell-ID-en og behold hele svaret i det opprinnelige formatet.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Faktureringsenhet | Kostnad |
|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Faktureringsenhet— | Kostnad Inndata · Inngående tokener — / 1K tokener Utdata · Utgående tokener — / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonUltra | Prisplan— | Faktureringsenhet/ 1K tokener | Kostnad Inndata $0.00004 / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "documents": [\n "Paris is the capital of France.",\n "Berlin is the capital of Germany."\n ],\n "model": "voyageai/rerank-2.5-lite",\n "query": "What is the capital of France?",\n "top_n": 3\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='voyageai/rerank-2.5-lite'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/rerank \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Alle faktiske resultatindekser, alle endelige relevance_score-verdier og de opprinnelige dokumentobjektene bevares. Indeksene knytter resultatene til den opprinnelige dokumentmatrisen. Hele det opprinnelige JSON-svaret lagres og returneres først etter oppgjør.
Behold den opprinnelige operasjonen og hele eller deler av svaret; ikke gjenta POST.
| Felt | Type |
|---|---|
Feltmodel | Typestring |
Feltid | Typestring |
Feltprovider | Typestring |
Feltresults[].index | Typeinteger |
Feltresults[].relevance_score | Typenumber |
Feltresults[].document.text | Typestring |
Feltresults[].document.image | Typestring |
Feltusage.search_units | Typeinteger |
Feltusage.total_tokens | Typeinteger |
Feltusage.cost | Typenumber |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldig påkrevd felt, representasjon eller verdi | Neste trinnKorriger det angitte forespørselsfeltet. |
Ailoot Ultra voyageai/rerank-2.5-lite
Bruk metodestiene som vises ovenfor.