Skip to main content

Rerank

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
import os
from openai import OpenAI

client = OpenAI(
  api_key=os.getenv("DASHSCOPE_API_KEY"),
  base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-api/v1",
)

results = client.post(
  "/reranks",
  body={
    "model": "qwen3-rerank",
    "query": "What is a reranking model?",
    "documents": [
      "Reranking models are widely used in search engines and recommendation systems to sort candidate texts by relevance.",
      "Quantum computing is a cutting-edge field in computer science.",
      "The development of pretrained language models has led to new advancements in reranking models."
    ],
    "top_n": 2
  },
  cast_to=object
)

print(results)

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
import os
import dashscope
import json

# Voici la configuration de la région Chine (Pékin). Remplacez {WorkspaceId} par l'ID de votre workspace. La valeur de region varie selon la région.
client = dashscope.Client(
  # Si la variable d'environnement n'est pas configurée, remplacez la ligne suivante par votre API Key de Model Studio : api_key="sk-xxx"
  # Les API Key sont spécifiques à chaque région. Pour obtenir une API Key : https://www.alibabacloud.com/help/model-studio/get-api-key
  api_key=os.getenv("DASHSCOPE_API_KEY"),
  workspace="{WorkspaceId}",
  region="cn-beijing",
)

resp = client.rerank.create(
  model="qwen3-vl-rerank",
  query={"text": "What is a text reranking model"},
  documents=[
    {"text": "Text reranking models are widely used in search engines and recommender systems."},
    {"image": "https://img.alicdn.com/imgextra/i3/O1CN01rdstgY1uiZWt8gqSL_!!6000000006071-0-tps-1970-356.jpg"},
    {"video": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20250107/lbcemt/new+video.mp4"}
  ],
  top_n=2,
  return_documents=True
)

print(json.dumps(resp.model_dump(), ensure_ascii=False, indent=4))

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.
En l'absence de ce paramètre, le modèle applique par défaut la stratégie de récupération pour réponse aux questions.
OpenAI compatible
curl --request POST \
  --url https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-api/v1/reranks \
  --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
  --header "Content-Type: application/json" \
  --data '{
    "model": "qwen3-rerank",
    "query": "How do I change my password?",
    "documents": [
      "Go to Settings > Security > Change Password to update your credentials.",
      "What if I forgot my password?",
      "Our platform supports two-factor authentication."
    ],
    "instruct": "Retrieve semantically similar text."
}'

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

Le modèle gte-rerank sera abandonné le 30 mai 2026. Nous vous recommandons de migrer vers qwen3-rerank.
  • 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

Termes clés :
  • 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.

Référence de l'API

Consultez la Référence de l'API Rerank.

Codes d'erreur

En cas d'échec d'un appel, reportez-vous aux Codes d'erreur.

Limitation du débit

Reportez-vous à la section Limitation du débit.