リランキングモデルは、取得されたドキュメントを再スコアリングし、最も関連性の高い結果を上位に表示します。初期検索で精度より速度を優先する場合でも、検索精度を向上させます。
リランキングが最も価値を発揮する場面：リランキングは、初期検索が関連性のばらついた 20～100 件以上の候補を返す場合に最も効果的です。一方、結果がすでに高精度である場合 (完全一致のキーワード検索など) は、効果が小さくなります。一般的な RAG のワークフローでは、埋め込みモデルで 50～100 件の候補を取得し、その後リランキングで上位 5～10 件を選択して大規模言語モデルに渡します。
前提条件
API キーを取得し、環境変数として設定してから、SDK をインストールします。
ドキュメントのリランキング
クエリと候補ドキュメントのリストを API に渡します。モデルは、関連性順にソートされたドキュメントを返します。
テキストリランキング (qwen3-rerank)
- OpenAI 互換
- DashScope
マルチモーダルリランキング (qwen3-vl-rerank)
qwen3-vl-rerank モデルは、テキスト、画像、動画をリランクします。クエリはテキストまたは画像であり、ドキュメントにはこれらのモダリティの任意の組み合わせを含めることができます。
マルチモーダルリランキングは、OpenAI 互換のエンドポイントではなく、DashScope SDK または API からのみ利用できます。
Python
主要機能
指示 (instruct) によるリランキング
instruct パラメーターは、ランキング戦略を設定します。指示は英語で記述してください。
-
質問応答検索 (デフォルト):
「Web 検索クエリが与えられると、クエリに回答する関連パッセージを取得します。」回答の発見に重点を置きます。「How to prevent a cold?」では、トピックとして関連するものの回答ではない「A cold is a common illness,」よりも、「Washing hands frequently can prevent colds」の方が高いスコアになります。 -
セマンティック類似性：
「意味的に類似したテキストを取得します。」意味的な同等性に重点を置き、表現の違いに強くなります。「How do I change my password?」は「What if I forgot my password?」にマッチします。FAQ の重複排除に有用です。
OpenAI 互換
上位 N 件の結果の返却 (top_n)
top_n を使用すると、上位のドキュメントのみが返されます。 top_n が設定されていない場合、すべてのドキュメントが関連度順にソートされて返されます。 top_n が入力ドキュメント数を超えた場合、すべてのドキュメントが返されます。
モデル概要
- Singapore
- Beijing
モデル | 最大ドキュメント数 | ドキュメントあたりの最大トークン数 | リクエストあたりの最大トークン数 | 対応言語 | ユースケース |
|---|---|---|---|---|---|
qwen3-rerank | 500 | 32,768 | 120,000 | 100 以上の言語 | セマンティックテキスト検索、RAG アプリケーション |
- ドキュメントあたりの最大トークン数：単一のクエリまたはドキュメントの最大トークン数です。単一のクエリまたはドキュメントの入力がこの上限を超えると、API は HTTP 400 エラーを返し、入力内容は切り捨てられません。
- 最大ドキュメント数：リクエストあたりの最大ドキュメント数です。qwen3-vl-rerank の場合、この上限はドキュメントタイプ (テキスト、画像、動画、またはこれらの組み合わせ) によって異なります。
- リクエストあたりの最大トークン数：
クエリトークン数 × ドキュメント数 + ドキュメントの合計トークン数。