jina-reranker-v2-base-multilingual

Jina Reranker v2 Base Multilingual to model rankingowania tekstu do drugiego etapu wyszukiwania. Przekaż zapytanie i dokumenty lub fragmenty kandydatów; model ocenia każdą parę zapytanie–dokument i zwraca wynik trafności. Użytecznym rezultatem jest lepiej uporządkowany zestaw kandydatów do wyszukiwania lub procesu generowania wspomaganego wyszukiwaniem. Model nie pisze odpowiedzi na zapytanie ani nie tworzy embeddingów dokumentów.

Przygotuj zapytanie i fragmenty kandydatów

Napisz zapytanie tak, aby określało potrzebę informacyjną. Następnie dostarcz teksty znalezione na wcześniejszym etapie wyszukiwania. Zachowuj stabilny identyfikator przy każdym kandydacie, aby jego wynik trafności można było powiązać z oryginalnym dokumentem, sekcją lub rekordem.

Przy wyszukiwaniu pomocy technicznej używaj rzeczywistego pytania i fragmentów kandydatów zawierających odpowiednią procedurę. Zapytanie o resetowanie konkretnego urządzenia należy zestawić z fragmentami zachowującymi nazwę urządzenia, wersję i warunki resetowania. Fragment jedynie wspominający urządzenie może być mniej użyteczny niż wyjaśniający żądaną operację. Dostarczaj treść potrzebną modelowi do porównania, zamiast wyłącznie tytułu dokumentu.

Używaj spójnych fragmentów. Nagłówek tabeli, definicja lub wyjątek mogą zmieniać relację akapitu z zapytaniem, więc nie usuwaj ich wyłącznie po to, aby każdy kandydat był równie krótki. Reranker ocenia dostarczonych kandydatów; nie potrafi odzyskać istotnego dokumentu pominiętego przez wcześniejszy etap wyszukiwania.

Ocena par zapytanie–dokument

Jest to cross-encoder: zapytanie i tekst kandydata przetwarzane są razem. Bezpośredni interfejs oceny zwraca zmiennoprzecinkowy wynik trafności dla każdej odpowiedniej pary. Wyższe wyniki oznaczają większą trafność w danym porównaniu. Wynik jest sygnałem rankingowym, a nie wygenerowanym wyjaśnieniem ani dowodem prawdziwości dokumentu.

Producent dostarcza także funkcję pomocniczą rerankingu zwracającą uporządkowane dokumenty z wynikami. Ustawienie liczby najlepszych wyników określa, ilu sklasyfikowanych kandydatów zachować. Przekazując ich do następnego etapu, zachowuj identyfikatory i tekst. W procesie odpowiadania na pytania kolejny model nadal potrzebuje zapytania i wybranych dowodów; sama uporządkowana lista nie jest odpowiedzią na pytanie.

Przy porównywaniu zmian w wyszukiwaniu utrzymuj stałe zapytanie i kryteria oceny. Sprawdzaj, czy fragmenty przesunięte na początek rzeczywiście zawierają żądane informacje. Ustalaj progi filtrowania na podstawie przykładów z własnej kolekcji, zamiast traktować wynik trafności jako uniwersalną miarę poprawności odpowiedzi.

Okno modelu i dłuższe dokumenty

Model obsługuje kontekst do 1024 tokenów. Udokumentowana funkcja pomocnicza rerank() obsługuje dłuższe dokumenty przez przesuwne okno, ocenia części osobno i łączy je w wyniki na poziomie dokumentu. Dzielenie na fragmenty jest zachowaniem tej funkcji; nie należy mylić go z pojedynczym wejściem modelu o nieograniczonym oknie kontekstu.

Funkcja pomocnicza udostępnia ustawienia długości zapytania i fragmentu oraz nakładania się fragmentów. Udokumentowana domyślna wartość nakładania wynosi 80. Opublikowany przykład użycia określa maksymalną długość zapytania 512 i długość fragmentu 1024; są to przykładowe ustawienia funkcji pomocniczej, które należy oddzielać od obietnicy, że każdy klient lub trasa ich używa.

W przypadku długiego podręcznika zachowaj wystarczający tekst sąsiadujący, aby instrukcja i jej warunki występowały razem. Oceniając wynik, sprawdzaj odpowiednią część wysoko ocenionego dokumentu, zamiast zakładać, że każda jego sekcja równie dobrze odpowiada na zapytanie.

Wielojęzyczne i specjalistyczne wyszukiwanie tekstów

Model v2 jest wielojęzyczny. Przykłady producenta szeregują angielskie zapytania względem fragmentów angielskich, niemieckich, hiszpańskich, chińskich i japońskich. Wspiera to kolekcję, w której istotny materiał napisano w kilku językach, bez wymagania wcześniejszego tłumaczenia każdego kandydata na język zapytania.

Udokumentowany zakres zadań obejmuje także wyszukiwanie kodu i rankingowanie reprezentacji tekstowych związanych z funkcjami lub SQL. Pozostają to zadania oceny trafności: model ocenia dostarczony tekst. Nie wykonuje funkcji, nie uruchamia SQL ani nie tworzy wyniku narzędzia tylko dlatego, że takie rodzaje kandydatów pojawiają się w zbiorze wyszukiwania.

Edycja i praktyczne ograniczenia

Zachowaj odrębność tego wariantu v2 Base Multilingual od wcześniejszego rerankera Jina wyłącznie dla angielskiego, Jina Reranker v3 i multimodalnych wariantów rerankingu. To różne modele o różnych cechach zadań i danych wejściowych. Wejściem tego wariantu są pary zapytanie–tekst; zawartość obrazów lub wideo wymaga własnej odpowiedniej reprezentacji albo modelu.

Implementacja referencyjna producenta obsługuje bezpośrednie wyniki i funkcję pomocniczą rankingowania dokumentów, z opcjonalnym przyspieszonym mechanizmem uwagi. Te wybory implementacyjne wpływają na przygotowanie i przetwarzanie wejść; nie potwierdzają identycznych ustawień w każdej integracji.

Wykorzystuj uporządkowane wyjście do wyszukiwania wielojęzycznego, baz wiedzy pomocy technicznej, wyszukiwania dokumentów i wyboru dowodów przed generowaniem. Sprawdzaj najlepsze fragmenty, zachowuj pierwotne mapowanie kandydatów i rozróżniaj trafność od prawdziwości faktów. Użyteczny wynik wyszukiwania wysuwa na pierwszy plan właściwe dostarczone dowody, pozostawiając następne zadanie — odpowiadanie, streszczanie lub decydowanie — odpowiedniemu procesowi.