Comment ça marche Rerank V3.5?
Rerank v3.5 est un modèle de reranking pour les moteurs de recherche : il réordonne les fragments trouvés pour placer les plus pertinents en haut. Il prend en charge la comparaison multidimensionnelle et le travail avec des données semi-structurées, et la sortie initiale peut provenir d'une recherche sémantique ou par mots-clés. Via BotHub, le modèle se connecte via une API unique compatible OpenAI, aux côtés d'embeddings et de modèles génératifs. Le paiement s'effectue à l'usage en roubles sans VPN ni carte étrangère, et les données sont protégées par le chiffrement AES-GCM. Scénarios typiques : deuxième étape de classement dans le RAG, recherche hybride dans la documentation, tri de fiches produits avec champs et attributs, résultats dans les bases de connaissances et le support.Questions fréquentes sur Rerank V3.5
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-v3.5 est un reranker, pas un modèle de chat. Il reçoit une requête et un ensemble de documents, puis les classe par proximité sémantique afin de faire remonter les fragments réellement pertinents. Utilisez-le pour la recherche dans les bases de connaissances, les systèmes RAG et le tri des résultats après une sélection initiale de candidats.
Il n'écrit pas de texte : le modèle ne génère pas de réponses, mais renvoie un score de pertinence pour chaque document. Le contexte d'entrée est limité à 4096 jetons ; vous pouvez donc évaluer une paire « requête + document » dans ces limites. Les documents longs doivent être divisés en fragments.
Le reranker ne raisonne pas explicitement : ce n'est pas indiqué dans nos données. Il ne mène pas de dialogue et n'explique pas son raisonnement, mais fournit immédiatement un score de correspondance numérique et l'ordre des documents. Vous construisez la logique de décision vous-même sur la base du classement obtenu.
L'appel de fonctions et la sortie JSON structurée ne sont pas indiqués dans nos données. En fait, le modèle renvoie une liste ordonnée de documents avec des scores de pertinence — c'est son résultat. Si nécessaire, vous implémentez l'intégration avec des services externes de votre côté.
Non, selon nos données, la réception d'images, d'audio et de vidéo n'est pas prise en charge. Le modèle travaille avec du texte : une requête et des fragments textuels sont fournis en entrée, et leur ordre de pertinence est renvoyé en sortie. Pour les scénarios multimodaux, d'autres modèles seront nécessaires.
Nous n'avons pas de données spécifiques sur la qualité du traitement du russe, nous ne pouvons donc rien promettre. Le reranker compare les textes par paires ; en pratique, il vaut mieux le tester sur votre propre échantillon : exécutez des requêtes et des documents réels pour voir si l'ordre des résultats correspond à vos attentes.