Nous utilisons des cookies. Les cookies et le stockage du navigateur vous gardent connecté et mémorisent vos préférences. Avec votre accord, nous mesurons aussi l’utilisation du site. Vous pouvez à tout moment. Consultez notre politique relative aux cookies.
mongodb/rerank-2.5-liteUtilise votre solde aux prix indiqués ci-dessus. Les nouveaux comptes démarrent avec une consommation gratuite.
Paramètres
VoyageAI by MongoDB : rerank-2.5-lite est un modèle de reranking de VoyageAI by MongoDB. Il appartient à la catégorie rerank, ce qui signifie que son rôle est de prendre un ensemble de documents candidats et de les réordonner par pertinence vis-à-vis d'une requête plutôt que de générer du nouveau texte. Il a été publié par le fournisseur le 2026-07-27.
Le modèle accepte du texte en entrée et produit une sortie de rerank, donc vous lui envoyez une requête accompagnée des documents que vous souhaitez scorer et il les renvoie dans un ordre plus utile. Il a une longueur de contexte de 32000 tokens et une sortie maximale de 28800. Comme il fonctionne uniquement sur du texte, tout passage candidat que vous souhaitez classer doit être fourni sous forme de texte. Le fournisseur le décrit comme un reranker optimisé à la fois pour la latence et la qualité, et rapporte une amélioration de 7.16% de la précision de retrieval par rapport à Cohere Rerank v3.5 sur 93 jeux de données, ainsi qu'une performance supérieure à Cohere Rerank v3.5.
L'adéquation pratique en découle. Si vous exécutez déjà une étape de retrieval, qu'il s'agisse de recherche vectorielle, de recherche par mots-clés ou d'un hybride des deux, ce modèle peut se placer après celle-ci et réordonner les meilleurs candidats avant qu'ils n'atteignent votre application ou votre modèle de langage. Cela aide lorsque la première étape renvoie des résultats plausibles mais imparfaitement ordonnés, ce qui est courant dans la recherche sur de la documentation, des tickets de support, des catalogues de produits ou des bases de connaissances internes. Il est également utile dans les pipelines de retrieval augmented generation, où la qualité des passages placés près du début du prompt a un effet direct sur la réponse, et dans les travaux d'évaluation où vous souhaitez un ordre de pertinence cohérent sur un ensemble fixe de candidats. L'accent mis sur la latence en fait un choix raisonnable lorsque le reranking se produit sur le chemin de la requête plutôt que dans un traitement par lots.
Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'id de modèle "mongodb/rerank-2.5-lite". Comme le endpoint suit le format OpenAI, vous pouvez pointer un client OpenAI existant vers api14 en changeant l'URL de base et en fournissant votre clé api14, puis passer l'id de modèle dans votre requête. Aucun paramètre de requête supplémentaire n'est pris en charge pour ce modèle, donc limitez vos appels aux champs standard acceptés par le endpoint plutôt que de vous appuyer sur des options spécifiques au fournisseur telles que la troncature personnalisée ou les réglages d'instruction.
Gardez la longueur de contexte à l'esprit lors de l'assemblage des entrées : la requête et les documents que vous soumettez partagent le budget de 32000 tokens, donc des ensembles de candidats très volumineux doivent être réduits ou découpés avant l'envoi. Si votre tâche consiste à générer du texte plutôt qu'à l'ordonner, un modèle de chat ou de completion est l'outil approprié, et si vous devez classer des images ou d'autres entrées non textuelles, ce modèle ne le couvre pas.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.post("/rerank", { body: {
"model": "mongodb/rerank-2.5-lite",
"query": "What is the capital of France?",
"documents": [
"Paris is the capital of France.",
"Berlin is in Germany."
],
"top_n": 1
} });
console.log(result.results);
Cette communauté n’a encore aucun sujet. Ouvrez le premier sur VoyageAI by MongoDB: rerank-2.5-lite.