Skip to main content
排序模型（Rerank）

文本排序

檢索系統在“召回”階段為保證效率，返回的結果可能不夠精準。排序模型能對召回的文檔進行二次精準排序，確保將與使用者查詢最相關的結果排在最前，有效提升應用準確率。

模型概覽

gte-rerank模型將於2026年05月30日下線，推薦使用qwen3-rerank模型替代。
  • 新加坡
  • 北京

模型名稱

最大文檔數

單條最大輸入Token

請求最大輸入Token

語種支援

應用情境

qwen3-rerank

500

4,000

120,000

中文、英語、西班牙語、法語、葡萄牙語、印尼語、日語、韓語、德語、俄羅斯語等100+主流語種

  • 文本語義檢索

  • RAG應用

  • 單條最大輸入Token：每個Query或Document的最大Token數量。單條 Query 或 Document 的輸入超過該限制時，API 會傳回 HTTP 400 錯誤，不會截斷輸入內容。
  • 單次請求最大文檔數：單次請求允許的最大文檔數量。對於 qwen3-vl-rerank 模型，該限制會根據文件類型（文本、圖片、視頻、混合模態）的不同而有所差異。
  • 請求最大輸入Token：計算公式為 Query Tokens × Document 數量 + Document Tokens 總和，該值不得超過請求最大輸入Token。

輸入格式限制：

模型

圖片

視頻

qwen3-vl-rerank

JPEG, PNG, WEBP, BMP, TIFF, ICO, DIB, ICNS, SGI（支援URL或Base64）

MP4, AVI, MOV（僅支援URL）

前提條件

您需要已擷取 API Key並配置API Key到環境變數DASHSCOPE_API_KEY。如果通過SDK調用，還需要安裝DashScope SDK。

HTTP調用

不同模型使用不同的API介面：
  • qwen3-rerank：POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-api/v1/reranks
  • qwen3-vl-rerank / gte-rerank-v2：POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/rerank/text-rerank/text-rerank
調用時請將{WorkspaceId}替換為真實的業務空間ID。
兩種介面的請求體結構和響應格式不同，請參考對應模型的請求樣本和響應樣本。

請求

要求標頭（Headers）

Content-Typestring（必選）請求內容類型。此參數必須設定為application/json。Authorizationstring（必選）請求身份認證。介面使用阿里雲百鍊API Key進行身份認證。樣本值：Bearer sk-xxxx。

請求體（Request Body）

modelstring（必選）模型名稱。支援的模型：qwen3-rerank、gte-rerank-v2、qwen3-vl-rerank。inputobject（必選）輸入內容。
當使用 qwen3-rerank 模型時，無需使用 input 對象參數。此時，query 和 documents 參數需與 model 等參數位於同一層級。

屬性

querystring | object（必選）查詢內容。最大長度不能超過4,000個Token。當使用qwen3-vl-rerank模型時，query支援以下兩種格式：
  • 字串格式：直接傳入文本字串，例如"query": "什麼是文本排序模型"。
  • 對象格式：傳入字典指定模態類型和值，格式為{"模態類型": "輸入內容"}。支援text和image兩種模態類型。
    • 文字查詢："query": {"text": "什麼是文本排序模型"}
    • 圖片查詢："query": {"image": "圖片URL或Base64"}
documentsarray（必選）待排序的候選文檔列表。每個元素是一個字串。當使用qwen3-vl-rerank模型時，每個元素是一個字典或者字串，用於指定內容的類型和值。格式為{"模態類型": "輸入字串或映像、視頻url"}。支援text, image, video三種模態類型。
  • 文本：key為text。value為字串形式。也可不通過dict直接傳入字串。
  • 圖片：key為image。value可以是公開可訪問的URL，或Base64編碼的Data URI。Base64格式為 data:image/{format};base64,{data}，其中 {format} 是圖片格式（如 jpeg、png），{data} 是Base64編碼字串。
  • 視頻：key為video，value必須是公開可訪問的URL。
parametersobject（可選）選擇性參數。
當使用 qwen3-rerank 模型時，無需使用 parameters 對象參數。此時，top_n 和 instruct 參數需與 model 等參數位於同一層級。

屬性

top_nint（可選）返回排序後的top_n個文檔。預設返回全部文檔。如果指定的值大於文檔總數，將返回全部文檔。return_documentsbool（可選）是否在排序結果中返迴文檔原文。預設值false，以減少網路傳輸開銷。支援的模型：gte-rerank-v2、qwen3-vl-rerank。instruct string 可選添加自訂排序任務類型說明，僅在使用 qwen3-rerank 及qwen3-vl-rerank模型時生效。通過該參數可以指導模型採用不同的排序策略，例如：
  • 問答檢索任務（預設）："Given a web search query, retrieve relevant passages that answer the query."
    • 側重點：尋找問題的答案。模型會優先評估文檔是否解答了Query中的問題。
    • 樣本：對於Query“如何預防感冒？”，文檔“勤洗手是預防感冒的有效方法”會獲得高分；而文檔“感冒是一種常見疾病”雖然主題相關，但因未提供答案，得分會顯著更低。
  • 語義相似性排序任務："Retrieve semantically similar text."
    • 側重點：判斷語義的等價性。模型會評估Query和文檔的核心含義是否一致，而不管具體措辭或句式。
    • 樣本：在FAQ情境中，使用者Query“如何修改密碼？”與候選問題“忘記密碼怎麼辦？”在語義上高度相似，應獲得高分。模型會關注兩者是否指向同一個使用者意圖。
建議使用英文撰寫。如不指定該參數，將預設按問答檢索任務進行排序。更多任務指令可參考模型倉庫中的樣本。fps float 可選僅qwen3-vl-rerank模型支援此參數。控制視頻的幀數，比例越小，實際抽取的幀數越少，範圍為 [0,1]。預設值為1.0。
  • qwen3-rerank
  • qwen3-vl-rerank
  • gte-rerank-v2
curl --request POST \
  --url https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/reranks \
  --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
  --header "Content-Type: application/json" \
  --data '{
        "model": "qwen3-rerank",
        "documents": [
                "文本排序模型廣泛用於搜尋引擎和推薦系統中，它們根據文本相關性對候選文本進行排序",
                "量子計算是計算科學的一個前沿領域",
                "預訓練語言模型的發展給文本排序模型帶來了新的進展"
        ],
        "query": "什麼是文本排序模型",
        "top_n": 2,
        "instruct": "Given a web search query, retrieve relevant passages that answer the query."
}'
調用時請將WorkspaceId替換為真實的業務空間ID。

響應

request_idstring請求唯一標識。可用於請求明細溯源和問題排查。outputobject任務輸出資訊。
當使用 qwen3-rerank 模型時，響應中不包含 output 對象，results 直接位於響應頂層。

屬性

resultsarray排序結果清單。按 relevance_score 從高到低排列。

屬性

documentdict文檔原文對象。僅在請求參數 return_documents 為 true 時返回。結構為 {"text": "文檔原文"}。indexint表示該結果對應於輸入 documents 列表中的原始索引位置。relevance_scoredouble該文檔與查詢的語義相關性得分，取值範圍為 0.0 到 1.0。分數越高，相關性越強。
此分數為當前請求中的相對分數，主要用於對本次請求內的文檔排序，不可作為跨請求比較的絕對值。
usageobject輸出資訊統計。

屬性

total_tokensint本次請求消耗的總 Token 數量。
codestring請求失敗的錯誤碼。請求成功時不會返回此參數，詳情請參見錯誤碼。messagestring請求失敗的詳細資料。請求成功時不會返回此參數，詳情請參見錯誤碼。
  • 成功響應
  • 失敗響應
{
    "object": "list",
    "results": [
        {
            "index": 0,
            "relevance_score": 0.9334521178273196
        },
        {
            "index": 2,
            "relevance_score": 0.34100082626411193
        }
    ],
    "model": "qwen3-rerank",
    "id": "85ba5752-1900-47d2-8896-23f99b13f6e1",
    "usage": {
        "total_tokens": 79
    }
}

SDK調用

調用樣本

以下樣本展示了調用文檔排序模型API的程式碼範例。
SDK 的參數命名與HTTP介面基本一致，參數結構進行了一定封裝。比如 HTTP 使用嵌套的 input 和 parameters 結構，但SDK 使用扁平參數。請在開發時注意區分。 
import dashscope
# 以下為華北2（北京）地區的配置，調用時請將{WorkspaceId}替換為真實的業務空間ID，各地區的配置不同。
dashscope.base_http_api_url = "https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1"

def text_rerank():
    resp = dashscope.TextReRank.call(
        model="gte-rerank-v2",
        query="什麼是文本排序模型",
        documents=[
            "文本排序模型廣泛用於搜尋引擎和推薦系統中，它們根據文本相關性對候選文本進行排序",
            "量子計算是計算科學的一個前沿領域",
            "預訓練語言模型的發展給文本排序模型帶來了新的進展"
        ],
        top_n=2,
        return_documents=True
    )
    print(resp)

if __name__ == '__main__':
    text_rerank()
以下樣本展示了使用qwen3-vl-rerank模型進行多模態排序（以圖片作為查詢）的程式碼範例。 
import dashscope
from http import HTTPStatus
import json
# 以下為華北2（北京）地區的配置，調用時請將{WorkspaceId}替換為真實的業務空間ID。
dashscope.base_http_api_url = "https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1"

def vl_rerank():
    resp = dashscope.TextReRank.call(
        model="qwen3-vl-rerank",
        query={"image": "https://img.alicdn.com/imgextra/i3/O1CN01rdstgY1uiZWt8gqSL_!!6000000006071-0-tps-1970-356.jpg"},
        documents=[
            {"text": "文本排序模型廣泛用於搜尋引擎和推薦系統中，它們根據文本相關性對候選文本進行排序"},
            {"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))
    else:
        print(resp)

if __name__ == '__main__':
    vl_rerank()

輸出樣本

SDK對原始HTTP響應進行了封裝，成功時會固定返回code和message欄位，值為空白字串。
{
    "status_code": 200,
    "request_id": "4b0805c0-6b36-490d-8bc1-4365f4c89905",
    "code": "",
    "message": "",
    "output": {
        "results": [
            {
                "index": 0,
                "relevance_score": 0.9334521178273196,
                "document": {
                    "text": "文本排序模型廣泛用於搜尋引擎和推薦系統中，它們根據文本相關性對候選文本進行排序"
                }
            },
            {
                "index": 2,
                "relevance_score": 0.34100082626411193,
                "document": {
                    "text": "預訓練語言模型的發展給文本排序模型帶來了新的進展"
                }
            }
        ]
    },
    "usage": {
        "total_tokens": 79
    }
}

錯誤碼

如果模型調用失敗並返回報錯資訊，請參見錯誤碼進行解決。
使用 API
文本產生
映像產生
視頻產生
音頻
即時多模態
Realtime API
  • 概述
向量與排序
更多模型
工具包/架構
模型生產
檔案管理
更多