Cómo funciona Rerank 4 Fast?
Rerank 4 Fast es un modelo de Cohere para reordenar resultados de búsqueda y RAG: prioriza los documentos que realmente responden a la consulta. El contexto de 32K es ideal para fragmentos largos, el soporte para más de 100 idiomas sirve para catálogos multilingües y no requiere preprocesamiento de datos. En BotHub, el modelo se abre en una ventana única junto a modelos generativos, se conecta mediante una API compatible con OpenAI, está disponible sin VPN ni tarjetas extranjeras con pago en rublos, y el cifrado AES-GCM junto con la política de no almacenamiento de datos garantizan la privacidad. Úselo para refinar búsquedas internas, seleccionar contexto para asistentes RAG, ordenar catálogos y filtrar resultados en escenarios de agentes.Preguntas frecuentes sobre Rerank 4 Fast
Puede usar los resultados generados con fines comerciales. Todos los derechos sobre el contenido creado le pertenecen. La única restricción: asegúrese de que la solicitud no incluya material de terceros protegido por derechos de autor. El usuario es responsable de respetar los derechos sobre los datos de entrada.
rerank-4-fast es un clasificador de Cohere: recibe una consulta y un conjunto de documentos, y los ordena según su proximidad semántica a la consulta. Es útil en búsquedas en bases de conocimiento, sistemas RAG, selección de productos y filtrado de resultados cuando se necesita seleccionar rápidamente fragmentos relevantes antes de enviarlos a otro modelo.
Como tal, rerank-4-fast no escribe texto: su respuesta es una lista ordenada de documentos con puntuaciones de relevancia. Nuestros datos indican un contexto de hasta 32768 tokens de entrada y un límite de salida de 29491 tokens, por lo que el volumen de la consulta y el conjunto de documentos deben mantenerse dentro de estos límites.
No hay indicios de razonamiento antes de responder en nuestros datos. rerank-4-fast pertenece a la clase de clasificadores: su tarea es evaluar qué tan bien coincide un documento con la consulta y proporcionar un orden, no mantener un diálogo o explicar su proceso de pensamiento. Si necesita análisis paso a paso, es mejor asignarlos a un modelo de texto independiente.
En nuestros datos no se indica el uso de llamadas a funciones ni salida estructurada en JSON. Sin embargo, el resultado del ranking es sencillo: es una lista de documentos con puntuaciones de coincidencia, fácil de analizar en código y transmitir a través de su pipeline.
No se indica la recepción de imágenes, audio o video en nuestros datos; el modelo está diseñado para trabajar con texto. Recibe una consulta de texto y documentos o fragmentos de texto, por lo que las imágenes y grabaciones deben convertirse a texto antes de enviarlas para su clasificación.
No hay mediciones de calidad específicas en ruso en nuestros datos. El clasificador compara el significado de la consulta y el documento, por lo que puede trabajar con texto en ruso, pero su precisión depende de los datos de entrenamiento. Pruébelo con su propia muestra: ejecute consultas típicas y observe el orden de los resultados.