Les systèmes de recherche privilégient la rapidité, ce qui peut nuire à la précision des résultats. Un modèle de reranking améliore cette précision en notant un ensemble initial de documents récupérés et en plaçant les plus pertinents en tête de liste.
Cas où le reranking apporte le plus de valeur : Le reranking est particulièrement efficace lorsque la récupération initiale retourne un large ensemble de 20 à plus de 100 candidats de pertinence variable. Il présente moins d'intérêt si la recherche initiale fournit déjà des résultats très ciblés, comme lors d'une correspondance exacte de mots-clés. Dans un flux de travail typique de génération augmentée par récupération (RAG), on récupère d'abord 50 à 100 candidats via un modèle d'embedding, puis on utilise le reranking pour sélectionner les 5 à 10 meilleurs résultats à transmettre au grand modèle de langage.
Prérequis
Obtenez une clé API, définissez-la comme variable d'environnement et installez le SDK.
Reclassement de documents
Transmettez une requête et une liste de documents candidats à l'API. Le modèle retourne les documents triés par pertinence.
Reranking textuel (qwen3-rerank)
- OpenAI compatible
- DashScope
python
Reranking multimodal (qwen3-vl-rerank)
Le modèle qwen3-vl-rerank prend en charge le reranking multimodal de textes, d'images et de vidéos. La requête peut être du texte ou une image, tandis que les documents peuvent contenir du texte, des images et des vidéos.
Le reranking multimodal est disponible uniquement via le SDK ou l'API DashScope, et non via l'endpoint compatible OpenAI.
Python
Fonctionnalités principales
Reranking avec instructions (instruct)
Le paramètre instruct oriente le modèle vers différentes stratégies de tri. Rédigez ces instructions en anglais.
-
Récupération pour réponse aux questions (par défaut) :
"Given a web search query, retrieve relevant passages that answer the query."Cette stratégie privilégie la recherche de réponses directes. Pour la requête « Comment prévenir un rhume ? », le document « Se laver fréquemment les mains permet d'éviter les rhumes » obtient un score supérieur à « Le rhume est une maladie courante », bien que ce dernier soit thématiquement lié mais ne réponde pas explicitement à la question. -
Similarité sémantique :
"Retrieve semantically similar text."Axée sur l'équivalence sémantique, cette approche résiste bien aux variations de formulation. Par exemple, « Comment changer mon mot de passe ? » correspond à « Que faire si j'ai oublié mon mot de passe ? », ce qui s'avère utile pour les sections FAQ.
OpenAI compatible
Retour des N premiers résultats (top_n)
Utilisez top_n pour ne retourner que les documents les mieux classés. Si top_n n'est pas défini, tous les documents sont retournés et triés par pertinence. Lorsque la valeur de top_n dépasse le nombre de documents fournis en entrée, l'ensemble des documents est retourné.
Présentation des modèles
- Singapore
- Beijing
Modèle | Nombre max. de documents | Tokens max. par document | Tokens max. par requête | Langues prises en charge | Cas d'usage |
|---|---|---|---|---|---|
qwen3-rerank | 500 | 4 000 | 120 000 | Plus de 100 langues | Recherche textuelle sémantique, applications RAG |
- Tokens max. par document : Nombre maximal de tokens pour une seule requête ou un seul document. Tout contenu dépassant cette limite est tronqué, ce qui peut altérer la précision.
- Nombre max. de documents : Nombre maximal de documents autorisés par requête. Pour qwen3-vl-rerank, cette limite varie selon le type de document (texte, image, vidéo ou modalités mixtes).
- Tokens max. par requête : Ce volume se calcule selon la formule
Tokens de la requête × Nombre de documents + Total des tokens des documents.