Rerank 3 Lite
Réseau Neuronal
Rerank 3 Lite est un reranker rapide pour RAG et recherche sémantique : améliore la qualité des résultats avec une faible latence.
Coût du prompt
(par 1M tokens)
Comment ça marche Rerank 3 Lite?
Rerank 3 Lite est un reranker compact optimisé pour une faible latence et une haute qualité. Comparé à rerank-2.5-lite, il offre un gain moyen de 0,94 % NDCG@10 sur les évaluations de domaine et s'intègre comme remplacement direct sans réécriture de pipeline. Il agit comme une seconde étape de recherche : il sélectionne les candidats par vecteurs, puis affine leur ordre selon la pertinence. Via BotHub, accédez à une API compatible OpenAI sans VPN ni carte étrangère, avec paiement en roubles, chiffrement et plus de 250 modèles. Pour les équipes : contrats, factures et limites disponibles. Utile pour le RAG sur Qdrant et pgvector, la recherche dans les bases de connaissances, la recommandation de produits/documents, les questions-réponses sur les règlements et le filtrage des fragments non pertinents.Questions fréquentes sur Rerank 3 Lite
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.
C'est un reranker : il évalue la pertinence de chaque fragment de texte par rapport à la requête et réordonne les résultats. Utilisez-le au-dessus d'une recherche ou d'un RAG pour faire remonter les réponses précises et éliminer les correspondances aléatoires avant l'envoi au modèle génératif.
Il n'écrit pas de texte cohérent : le résultat est un classement et des scores de pertinence. Pour une requête, le modèle accepte jusqu'à 32 000 jetons de contexte avec les documents ; la limite de sortie est de 28 800 jetons, utilisés pour la réponse technique, pas pour la rédaction.
Cette capacité n'est pas mentionnée dans nos données. Le reranker résout une tâche précise : comparer une requête à un fragment et attribuer un score de correspondance. Il n'est pas conçu pour de longues chaînes de raisonnement. Pour des réflexions étape par étape, utilisez un modèle génératif sur BotHub.
L'appel de fonctions et la sortie JSON structurée ne sont pas mentionnés dans nos données. La tâche du modèle est de renvoyer des scores de pertinence pour une liste de fragments ; une requête HTTP standard depuis votre pipeline de recherche suffit généralement pour l'intégration.
La réception d'images, d'audio ou de vidéo n'est pas mentionnée ; le modèle travaille avec du texte : requête et fragments de documents. Vous ne pouvez pas lui transmettre de captures d'écran ou d'enregistrements, mais vous pouvez envoyer du texte via BotHub sans VPN ni carte étrangère.
Il n'y a pas d'informations spécifiques sur le traitement du russe dans les données du modèle, je ne peux donc pas garantir la qualité. Le reranker compare le sens de la requête et du fragment ; il est judicieux de le tester sur vos documents : lancez une dizaine de requêtes et observez le classement des résultats.