Como funciona Rerank 4 Fast?
Rerank 4 Fast é um modelo da Cohere para reordenar resultados de busca e RAG: prioriza documentos que realmente respondem à consulta. O contexto de 32K é ideal para fragmentos longos, o suporte a mais de 100 idiomas atende catálogos multilíngues e não requer pré-processamento de dados. No BotHub, o modelo está disponível em uma única janela com modelos generativos, conecta-se via API compatível com OpenAI, está acessível sem VPN e com pagamento local, enquanto a criptografia AES-GCM e a política de não armazenamento de dados garantem a privacidade. Utilize-o para refinar resultados de busca interna, selecionar contexto para assistentes RAG, classificar catálogos e filtrar resultados em cenários de agentes.Perguntas frequentes sobre Rerank 4 Fast
Você pode usar os resultados da geração para fins comerciais. Todos os direitos sobre o conteúdo criado pertencem a você. A única restrição: certifique-se de que a solicitação não inclua materiais de terceiros protegidos por direitos autorais. A responsabilidade pelo cumprimento dos direitos sobre os dados de entrada é do usuário.
O rerank-4-fast é um ranqueador da Cohere: ele recebe uma consulta e um conjunto de documentos e os organiza pela proximidade semântica com a consulta. É útil em buscas em bases de conhecimento, sistemas RAG, recomendação de produtos e filtragem de resultados, quando você precisa selecionar rapidamente fragmentos realmente relevantes antes de enviá-los a outro modelo.
O rerank-4-fast não escreve texto propriamente dito: sua resposta é uma lista ordenada de documentos com pontuações de relevância. Nossos dados indicam um contexto de até 32.768 tokens na entrada e um limite de saída de 29.491 tokens, portanto, o volume da consulta e do conjunto de documentos deve ser mantido dentro desses limites.
Não há indicação de raciocínio antes da resposta em nossos dados. O rerank-4-fast pertence à classe de ranqueadores: sua tarefa é avaliar o quanto um documento corresponde à consulta e fornecer uma ordem, não manter um diálogo ou explicar o raciocínio. Se precisar de análises passo a passo, é melhor delegar isso a um modelo de texto separado.
Em nossos dados, a chamada de funções e a saída estruturada em JSON não estão marcadas. No entanto, o resultado do ranqueamento em si é simples: é uma lista de documentos com pontuações de correspondência à consulta, sendo fácil de analisar no código e transmitir pelo seu pipeline.
O recebimento de imagens, áudio e vídeo não está marcado em nossos dados — o modelo foi projetado para trabalhar com texto. Ele recebe uma consulta de texto e documentos ou fragmentos de texto, portanto, imagens e gravações devem ser convertidas em texto antes de serem enviadas para ranqueamento.
Não há medições de qualidade específicas para o russo em nossos dados. O ranqueador compara o significado da consulta e do documento, portanto, ele pode trabalhar com textos em russo, mas o nível de confiança depende dos dados de treinamento. Verifique isso em sua própria amostra: execute consultas típicas e observe a ordem dos resultados.