We gebruiken cookies. Cookies en browseropslag houden je ingelogd en onthouden je voorkeuren. Met je toestemming meten we ook hoe de site wordt gebruikt. Je kunt je wanneer je wilt. Zie ons cookiebeleid.
mongodb/rerank-2.5-liteDraait op je saldo tegen de prijzen hierboven. Nieuwe accounts beginnen met gratis gebruik.
Instellingen
VoyageAI by MongoDB: rerank-2.5-lite is een reranking-model van VoyageAI by MongoDB. Het valt in de categorie rerank, wat betekent dat het als taak heeft een set kandidaat-documenten te nemen en deze te herordenen op relevantie voor een query, in plaats van nieuwe tekst te genereren. Het werd door de provider uitgebracht op 2026-07-27.
Het model accepteert tekst als invoer en produceert een rerank-uitvoer, dus je stuurt het een query samen met de documenten die je wilt laten scoren en het retourneert ze in een nuttigere volgorde. Het heeft een contextlengte van 32000 tokens en een maximale uitvoer van 28800. Omdat het alleen op tekst werkt, moeten alle kandidaat-passages die je wilt rangschikken als tekst worden aangeleverd. De provider beschrijft het als een reranker die is geoptimaliseerd voor zowel latentie als kwaliteit, en rapporteert een verbetering van 7.16% in retrieval-nauwkeurigheid ten opzichte van Cohere Rerank v3.5 across 93 datasets, samen met betere prestaties dan Cohere Rerank v3.5.
De praktische toepassing volgt daaruit. Als je al een retrieval-stap uitvoert, of dat nu vector search, keyword search of een hybride van de twee is, kan dit model daarna komen en de beste kandidaten herordenen voordat ze je applicatie of je taalmodel bereiken. Dat helpt wanneer de eerste fase plausibele maar onvolmaakt geordende resultaten retourneert, wat gebruikelijk is bij zoeken in documentatie, supporttickets, productcatalogi of interne kennisbanken. Het is ook nuttig in retrieval augmented generation-pipelines, waar de kwaliteit van de passages die bovenaan de prompt staan een direct effect heeft op het antwoord, en in evaluatiewerk waarbij je een consistente relevantie-ordering wilt over een vaste set kandidaten. De nadruk op latentie maakt het een redelijke keuze wanneer reranking op het request-pad plaatsvindt in plaats van in een batchtaak.
Je roept het aan via api14's OpenAI-compatible API met het model-id "mongodb/rerank-2.5-lite". Omdat het endpoint het OpenAI-formaat volgt, kun je een bestaande OpenAI-client op api14 richten door de base URL te wijzigen en je api14-sleutel op te geven, en vervolgens het model-id in je request mee te geven. Er worden geen aanvullende request-parameters ondersteund voor dit model, dus houd je aanroepen bij de standaardvelden die het endpoint accepteert in plaats van te vertrouwen op providerspecifieke opties zoals aangepaste truncation- of instruction-instellingen.
Houd de contextlengte in gedachten bij het samenstellen van invoer: de query en de documenten die je indient delen het budget van 32000 tokens, dus zeer grote kandidatensets moeten worden ingekort of opgesplitst voordat je ze verzendt. Als je taak het genereren van tekst is in plaats van het ordenen ervan, is een chat- of completion-model het juiste hulpmiddel, en als je afbeeldingen of andere niet-tekstuele invoer wilt rangschikken, dekt dit model dat niet.
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);
Deze community heeft nog geen topics. Open het eerste topic over VoyageAI by MongoDB: rerank-2.5-lite.