Rerank 2.5
Réseau Neuronal
Rerank 2.5 est un modèle de reranking pour RAG et recherche sémantique : sélectionne les fragments les plus pertinents avant la génération.
Coût du prompt
(par 1M tokens)
Comment ça marche Rerank 2.5?
Rerank 2.5 est un modèle de reranking : il sélectionne et ordonne les fragments trouvés, améliorant la qualité des résultats au-delà de la recherche vectorielle. Selon le développeur, le modèle augmente la précision de recherche de 7,94 % sur 93 jeux de données. Sur BotHub, il est disponible sans VPN ni carte étrangère, avec paiement en roubles à l'usage et des jetons qui n'expirent pas. Via une API compatible OpenAI, le reranking s'intègre dans le pipeline RAG juste après la recherche via Qdrant ou pgvector, avec plus de 250 modèles de génération disponibles. Scénarios : bot RAG plus précis sur base de connaissances interne, résultats pertinents pour e-commerce, sélection de documents pour assistant d'entreprise, réduction des hallucinations dans le support.Questions fréquentes sur Rerank 2.5
Vous pouvez utiliser les résultats générés à des fins commerciales. Tous les droits sur le contenu créé vous appartiennent. Seule restriction : vérifiez que la requête ne contient pas de contenus protégés par le droit d'auteur appartenant à des tiers. Le respect des droits sur les données d'entrée relève de votre responsabilité.
rerank-2.5 est un reranker : il prend votre requête et une liste de candidats, les réordonne par pertinence et fournit des scores. Adapté à la recherche dans une base de connaissances, la sélection de fragments pour RAG, le tri des résultats et le filtrage du bruit avant l'envoi à un modèle génératif. Disponible via l'API BotHub, sans VPN ni carte étrangère.
Ce modèle n'écrit pas d'articles ou d'essais : sa réponse est une liste ordonnée de candidats avec des scores de pertinence. Nos données indiquent un contexte de 32 000 jetons par requête et une limite de sortie de 28 800 jetons, mais ils sont utilisés pour le traitement et le classement, pas pour du texte cohérent.
Il n'y a aucune mention de raisonnement avant réponse dans nos données, nous ne promettrons donc pas de réflexion étape par étape. Par nature, le modèle compare immédiatement la requête aux candidats et fournit un ordre. Si une chaîne de raisonnement est nécessaire, il vaut mieux la construire sur un modèle génératif et utiliser le reranker pour sélectionner les fragments.
Il n'y a aucune confirmation d'appel de fonction ou de sortie JSON structurée dans nos données. Cependant, le résultat du reranker est déjà ordonné : une liste de candidats avec des scores, facile à analyser par programme. Si une réponse stricte selon votre schéma est nécessaire, vérifiez le format dans la documentation de l'API.
La réception d'images, d'audio et de vidéo n'est pas indiquée dans nos données. Considérez que le modèle travaille avec du texte : requête et candidats textuels (fragments de documents, articles, réponses de base de connaissances). Pour les images et vidéos, choisissez les modèles appropriés sur BotHub, disponibles dans la même fenêtre.
Il n'y a pas de données sur la qualité du travail en russe dans la description du modèle, nous ne ferons donc aucune déclaration. Il est plus pratique de tester avec vos propres matériaux : téléchargez des paires réelles « question - fragment » et comparez l'ordre des résultats. Sur BotHub, cela se fait facilement dans une seule fenêtre et sans VPN.