Comment ça marche Rerank 3?
Rerank 3 est un modèle de réordonnancement pour la deuxième étape de recherche : vous soumettez une requête et des candidats, et obtenez un ordre classé par pertinence. Selon le fournisseur, c'est un remplacement drop-in pour rerank-2.5 avec une augmentation moyenne de 0,80 % du NDCG@10 sur les évaluations de domaine et de 3,35 % sur les documents longs, sans nécessiter de réécriture d'intégration. Sur BotHub, le modèle est connecté à une API compatible OpenAI avec plus de 250 autres modèles, accessible sans VPN ni carte étrangère, avec paiement en roubles à l'usage. Scénarios : assistants RAG pour bases de connaissances internes, recherche support et site web, sélection de réponses pour contrats longs, résultats e-commerce. Pour les équipes : contrat, facture, EDI et limites dans le panneau d'administration.Questions fréquentes sur Rerank 3
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-3 est un modèle de classement de MongoDB : il fait correspondre la requête aux documents et réordonne les résultats par pertinence. Il est utilisé comme deuxième étape après une recherche classique, dans les systèmes RAG et pour la sélection de fragments, afin de faire remonter les résultats pertinents. Contexte jusqu'à 32 000 jetons.
Il n'écrit pas de texte complet : vous obtenez en sortie des scores de pertinence et une liste ordonnée de fragments. Le contexte d'entrée va jusqu'à 32 000 jetons, et la limite de sortie indiquée dans nos données est de 28 800 jetons, mais elle est utilisée pour le résultat du classement, pas pour du texte cohérent.
Il n'y a aucune mention de raisonnement avant réponse dans nos données, et pour sa tâche, le modèle n'en a pas besoin : il ne réfléchit pas à voix haute, mais compare immédiatement la requête aux documents et établit l'ordre de pertinence. Si vous avez besoin d'explications étape par étape, il vaut mieux utiliser un modèle génératif.
Il n'y a aucune confirmation d'appel de fonctions ou de sortie structurée dans nos données, nous ne pouvons donc pas l'affirmer. En pratique, le modèle ne renvoie pas de texte arbitraire, mais un résultat de classement — l'ordre des fragments et les scores de pertinence, que vous recevez via l'API. Vérifiez le format exact de la réponse dans la documentation.
Il n'y a aucune mention de prise en charge d'autre chose que du texte dans nos données. Le modèle travaille avec du texte : la requête et les documents sont transmis sous forme de texte, et il évalue leur correspondance. Pour les images, l'audio et la vidéo, un modèle distinct d'une autre classe sera nécessaire.
Il n'y a pas d'évaluation de la qualité du travail en russe dans nos données, nous ne ferons donc pas de promesses concrètes. L'absence de mention ne signifie pas que la langue n'est pas prise en charge : testez le modèle sur vos propres paires réelles « requête - fragment » et comparez l'ordre des résultats avec celui attendu avant de le mettre en production.