Skip to main content
Embedding dan rerank

Rerank

Model reranking memberi skor ulang dokumen yang telah diambil dan memprioritaskan hasil yang paling relevan, sehingga meningkatkan presisi pencarian ketika pengambilan awal mengutamakan kecepatan daripada akurasi.

Kapan reranking memberikan nilai tambah paling besar: Reranking bekerja paling optimal ketika pengambilan awal mengembalikan 20–100+ kandidat dengan tingkat relevansi yang bervariasi, dan memberikan manfaat terbatas jika hasilnya sudah sangat tepat (misalnya, pencocokan kata kunci eksak). Alur kerja RAG umumnya mengambil 50–100 kandidat menggunakan model penyematan (embedding), lalu melakukan reranking untuk memilih 5–10 hasil teratas bagi model bahasa besar.

Prasyarat

Dapatkan Kunci API, tetapkan sebagai Variabel lingkungan, dan instal SDK.

Rerank dokumen

Kirimkan kueri dan daftar dokumen kandidat ke API. Model akan mengembalikan dokumen yang telah diurutkan berdasarkan relevansinya.

Text reranking (qwen3-rerank)

  • Kompatibel dengan OpenAI
  • DashScope
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)

Multimodal reranking (qwen3-vl-rerank)

Model qwen3-vl-rerank melakukan reranking terhadap teks, gambar, dan video. Kueri dapat berupa teks atau gambar, dan dokumen dapat berisi kombinasi modalitas tersebut.
Reranking multimodal hanya tersedia melalui SDK atau API DashScope, bukan melalui titik akhir yang kompatibel dengan OpenAI.
Python
import dashscope
from http import HTTPStatus
import json

# Wilayah China (Beijing). Ganti {WorkspaceId} dengan ID ruang kerja Anda yang sebenarnya. Konfigurasi berbeda-beda tergantung wilayah.
dashscope.base_http_api_url = 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1'

resp = dashscope.TextReRank.call(
  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
)

if resp.status_code == HTTPStatus.OK:
  print(json.dumps(resp, default=str, ensure_ascii=False, indent=4))

Fitur utama

Reranking dengan instruksi (instruct)

Parameter instruct menetapkan strategi peringkat. Tulis instruksi dalam bahasa Inggris.
  • Pengambilan jawaban pertanyaan (default): "Given a web search query, retrieve relevant passages that answer the query." Berfokus pada pencarian jawaban. Untuk kueri "How to prevent a cold?", kalimat "Washing hands frequently can prevent colds" mendapat skor lebih tinggi dibandingkan "A cold is a common illness," yang memang relevan secara topik tetapi bukan jawaban langsung.
  • Kesamaan semantik: "Retrieve semantically similar text." Berfokus pada kesetaraan semantik, tahan terhadap perbedaan redaksi. "How do I change my password?" cocok dengan "What if I forgot my password?" — berguna untuk deduplikasi FAQ.
Jika tidak ditentukan, nilai default-nya adalah pengambilan jawaban pertanyaan.
Kompatibel dengan OpenAI

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."
}'

Kembalikan N hasil teratas (top_n)

Gunakan top_n untuk hanya mengembalikan dokumen dengan peringkat tertinggi. Jika top_n tidak ditentukan, semua dokumen akan dikembalikan dalam urutan berdasarkan relevansinya. Jika top_n melebihi jumlah dokumen input, semua dokumen akan dikembalikan.

Ikhtisar model

Model gte-rerank telah dihentikan pada 30 Mei 2026. Beralihlah ke qwen3-rerank.
  • Singapura
  • Beijing

Model

Dokumen maksimum

Token maksimum per dokumen

Token maksimum per permintaan

Bahasa yang didukung

Kasus penggunaan

qwen3-rerank

500

32.768

120.000

Lebih dari 100 bahasa

Pencarian teks semantik, aplikasi RAG

Istilah kunci:
  • Token maksimum per dokumen: Jumlah token maksimum untuk satu kueri atau dokumen. Jika input satu kueri atau dokumen melebihi batas ini, API akan mengembalikan error HTTP 400 dan tidak memotong input.
  • Dokumen maksimum: Jumlah dokumen maksimum per permintaan. Untuk qwen3-vl-rerank, batas ini berbeda-beda tergantung jenis dokumen (teks, gambar, video, atau campuran).
  • Token maksimum per permintaan: Dihitung sebagai Token Kueri × Jumlah Dokumen + Total Token Dokumen.

Referensi API

Referensi API Rerank.

Kode error

Jika pemanggilan gagal, lihat Kode error.

Batas laju

Batas laju.
Memulai
Billing
Rencana Token (Team Edition)
Model playground
Klien dan Alat Pengembang
Inferensi Model
Fine-tuning Model
Deployment
Evaluasi
Statistik dan Pemantauan
Asset Center
Keamanan dan Kepatuhan
Praktik terbaik
Dukungan layanan
Log Perubahan