Un modèle de rerank réévalue les documents issus d'une recherche initiale pour placer les résultats les plus pertinents en tête de liste.
Présentation des modèles
ImportantLe modèle gte-rerank sera abandonné le 30 mai 2026. Migrez vers qwen3-rerank.
Singapore
Modèle
Documents max.
Tokens d'entrée max. par élément
Tokens d'entrée max. par requête
Langues prises en charge
Cas d'usage
qwen3-rerank
500
4 000
120 000
Plus de 100 langues principales, dont le chinois, l'anglais, l'espagnol, le français, le portugais, l'indonésien, le japonais, le coréen, l'allemand et le russe
Recherche sémantique de texte
Applications RAG
Beijing
Modèle
Documents max.
Tokens d'entrée max. par élément
Tokens d'entrée max. par requête
Langues prises en charge
Cas d'usage
qwen3-vl-rerank
Texte : 100
Image : 40
Vidéo : 4
8 000
120 000
33 langues principales, dont le chinois, l'anglais, le japonais, le coréen, le français et l'allemand
Clustering d'images
Recherche cross-modale
Recherche d'images
Recherche de vidéos
gte-rerank-v2
500
4 000
30 000
Plus de 50 langues, dont le chinois, l'anglais, le japonais, le coréen, le thaï, l'espagnol, le français, le portugais, l'allemand, l'indonésien et l'arabe
Recherche sémantique de texte
Applications RAG
Tokens d'entrée max. par élément : nombre maximal de tokens par requête ou document. Le dépassement de cette limite entraîne une troncature susceptible de réduire la précision du classement.
Documents max. : nombre maximal de documents par requête. Pour qwen3-vl-rerank, cette limite varie selon le type de document (texte, image, vidéo ou mixte).
Tokens d'entrée max. par requête : valeur calculée selon la formule Query Tokens × Number of documents + Total document tokens. Cette valeur ne doit pas excéder la limite par requête.
Limitations d'entrée
Modèle
Image
Vidéo
qwen3-vl-rerank
JPEG, PNG, WEBP, BMP, TIFF, ICO, DIB, ICNS et SGI (URL ou Base64 pris en charge)
# This is the Singapore region URL. Replace WorkspaceId with your actual workspace ID. URLs differ by region.
curl --request POST \
--url https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/rerank/text-rerank/text-rerank \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header "Content-Type: application/json" \
--data '{
"model": "qwen3-rerank",
"input": {
"documents": [
"Rerank models are widely used in search engines and recommendation systems. They sort candidate documents based on text relevance.",
"Quantum computing is a cutting-edge field of computer science.",
"The development of pre-trained language models has brought new advancements to rerank models."
],
"query": "What is a rerank model?"
},
"parameters": {
"top_n": 2,
"instruct": "Given a web search query, retrieve relevant passages that answer the query."
}
}'
Replace WorkspaceId with your actual workspace ID.
qwen3-vl-rerank
Requête texte
curl --location 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/rerank/text-rerank/text-rerank' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"model": "qwen3-vl-rerank",
"input":{
"query": {"text": "What is a rerank model?"},
"documents": [
{"text": "Rerank models are widely used in search engines and recommendation systems. They sort candidate documents based on text relevance."},
{"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"}
]
},
"parameters": {
"return_documents": true,
"top_n": 2,
"fps": 1.0
}
}'
Requête image
curl --location 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/rerank/text-rerank/text-rerank' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"model": "qwen3-vl-rerank",
"input":{
"query": {"image": "https://img.alicdn.com/imgextra/i3/O1CN01rdstgY1uiZWt8gqSL_!!6000000006071-0-tps-1970-356.jpg"},
"documents": [
{"text": "Text rerank models are widely used in search engines and recommendation systems to sort candidate captions based on text relevance."},
{"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"}
]
},
"parameters": {
"return_documents": true,
"top_n": 2,
"fps": 1.0
}
}'
gte-rerank-v2
curl --location 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/rerank/text-rerank/text-rerank' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
"model": "gte-rerank-v2",
"input":{
"query": "What is a rerank model?",
"documents": [
"Rerank models are widely used in search engines and recommendation systems. They sort candidate documents based on text relevance.",
"Quantum computing is a cutting-edge field of computer science.",
"The development of pre-trained language models has brought new advancements to rerank models."
]
},
"parameters": {
"return_documents": true,
"top_n": 2
}
}'
En-têtes de requête
Content-Typestring(Obligatoire)
Type de contenu de la requête. Doit être application/json.
Authorizationstring(Obligatoire)
Authentifie la requête avec une clé API Model Studio. Exemple : Bearer sk-xxxx.
Corps de la requête
modelstring(Obligatoire)
Nom du modèle. Valeurs prises en charge : qwen3-rerank, gte-rerank-v2, qwen3-vl-rerank.
inputobject(Obligatoire)
Contenu d'entrée.
Imbriquez query et documents dans l'objet input.
Propriétés
querystring | object(Obligatoire)
Texte de la requête (4 000 tokens maximum).
qwen3-vl-rerank accepte deux formats de query :
Format chaîne : passez directement une chaîne de texte, par exemple "query": "What is a rerank model?".
Format objet : passez un dictionnaire spécifiant le type de modalité et la valeur sous la forme {"modality type": "input content"}. Types pris en charge : text et image.
Requête texte : "query": {"text": "What is a text rerank model?"}
Requête image : "query": {"image": "Image URL or Base64-encoded string"}
documentsarray(Obligatoire)
Documents candidats à trier. Chaque élément est une chaîne.
qwen3-vl-rerank accepte un dictionnaire ou une chaîne par élément : {"modality type": "text/image URL/video URL"}. Types pris en charge : text, image, video.
Texte : la clé est text, la valeur est une chaîne. Une chaîne simple sans encapsulation dans un dictionnaire fonctionne également.
Image : la clé est image, la valeur est une URL ou un Data URI Base64 (data:image/{format};base64,{data}, où {format} est jpeg/png et {data} est la chaîne encodée).
Vidéo : la clé est video, la valeur doit être une URL accessible publiquement.
parametersobject(Facultatif)
Paramètres facultatifs.
Imbriquez top_n et instruct dans l'objet parameters.
Propriétés
top_nint(Facultatif)
Nombre de documents les mieux classés à retourner. Par défaut : tous les documents. Si la valeur dépasse le nombre total de documents, tous sont retournés.
return_documentsbool(Facultatif)
Indique si le texte des documents doit être inclus dans les résultats. Par défaut : false. Modèles pris en charge : gte-rerank-v2, qwen3-vl-rerank, qwen3-rerank.
instructstring(Facultatif)
Instruction de tri personnalisée. S'applique à qwen3-rerank et qwen3-vl-rerank. Guide le modèle pour appliquer différentes politiques de tri. Exemples :
Tâche de récupération Q&A (par défaut) : "Given a web search query, retrieve relevant passages that answer the query."
Objectif : trouver des réponses. Le modèle privilégie les documents qui répondent directement à la requête.
Exemple : pour la requête « Comment prévenir un rhume ? », le document « Se laver fréquemment les mains prévient les rhumes » obtient un score élevé, tandis que « Le rhume est une maladie courante » obtient un score faible (pertinent thématiquement mais sans réponse directe).
Tâche de tri par similarité sémantique : "Retrieve semantically similar text."
Objectif : déterminer l'équivalence sémantique. Le modèle évalue si la requête et le document partagent le même sens fondamental, indépendamment de la formulation ou de la structure.
Exemple : dans une FAQ, « Comment changer mon mot de passe ? » et « Que faire si j'oublie mon mot de passe ? » sont sémantiquement similaires (score élevé). Le modèle se concentre sur l'intention utilisateur commune.
Rédigez les instructions en anglais. Par défaut : tâche de récupération Q&A. D'autres instructions sont disponibles dans le référentiel du modèle.
fpsfloat(Facultatif)
Réservé à qwen3-vl-rerank. Contrôle le nombre de frames extraites de la vidéo. Des valeurs plus faibles réduisent le nombre de frames. Plage : 0-1 (par défaut : 1,0).
{
"output": {
"results": [
{
"document": {
"text": "Rerank models are widely used in search engines and recommendation systems. They sort candidate documents based on text relevance."
},
"index": 0,
"relevance_score": 0.9334521178273196
},
{
"document": {
"text": "The development of pre-trained language models has brought new advancements to rerank models."
},
"index": 2,
"relevance_score": 0.34100082626411193
}
]
},
"usage": {
"total_tokens": 79
},
"request_id": "85ba5752-1900-47d2-8896-23f99b13f6e1"
}
Réponse d'échec
En cas d'échec de la requête, code et message indiquent la cause de l'erreur.
Identifiant unique de la requête pour le suivi et le dépannage.
outputobject
Sortie de la tâche.
Propriétés
resultsarray
Résultats du tri, classés par ordre décroissant de relevance_score.
Propriétés
documentdict
Objet document original. Retourné uniquement lorsque return_documents est true. Format : {"text": "Original document text"}.
indexint
Index du document dans le tableau documents d'entrée.
relevance_scoredouble
Pertinence sémantique entre le document et la requête. Plage : 0,0-1,0 (plus le score est élevé, plus la pertinence est forte).
RemarqueLes scores sont relatifs à la requête en cours et ne peuvent pas être comparés entre différentes requêtes.
usageobject
Statistiques d'utilisation des tokens.
Propriétés
total_tokensint
Nombre total de tokens consommés par la requête.
codestring
Code d'erreur. Retourné uniquement pour les requêtes échouées. Consultez Codes d'erreur.
messagestring
Message d'erreur détaillé. Retourné uniquement pour les requêtes échouées. Consultez Codes d'erreur.
Utilisation du SDK
Exemple
Appelez l'API du modèle de rerank.
Les noms de paramètres du SDK correspondent à ceux de l'API HTTP, mais leur structure diffère. L'API HTTP utilise des objets imbriqués input et parameters , tandis que le SDK emploie une structure plate.
import dashscope
# China (Beijing) region. Replace {WorkspaceId} with your actual workspace ID. The configuration varies by region.
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="What is a rerank model?",
documents=[
"Rerank models are widely used in search engines and recommendation systems. They sort candidate documents based on text relevance.",
"Quantum computing is a cutting-edge field of computer science.",
"The development of pre-trained language models has brought new advancements to rerank models."
],
top_n=2,
return_documents=True
)
print(resp)
if __name__ == '__main__':
text_rerank()
Utilisez qwen3-vl-rerank pour un rerank multimodal avec une requête image.
import dashscope
from http import HTTPStatus
import json
# China (Beijing) region. Replace {WorkspaceId} with your actual workspace 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": "Rerank models are widely used in search engines and recommendation systems. They sort candidate documents based on text relevance."},
{"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()
Exemple de sortie
RemarqueLe SDK encapsule la réponse HTTP. Pour les requêtes réussies, code et message sont toujours des chaînes vides.
{
"status_code": 200,
"request_id": "4b0805c0-6b36-490d-8bc1-4365f4c89905",
"code": "",
"message": "",
"output": {
"results": [
{
"index": 0,
"relevance_score": 0.9334521178273196,
"document": {
"text": "Rerank models are widely used in search engines and recommendation systems. They sort candidate documents based on text relevance."
}
},
{
"index": 2,
"relevance_score": 0.34100082626411193,
"document": {
"text": "The development of pre-trained language models has brought new advancements to rerank models."
}
}
]
},
"usage": {
"total_tokens": 79
}
}
Codes d'erreur
Si l'appel du modèle échoue et renvoie un message d'erreur, consultez Codes d'erreur pour résoudre le problème.