قم بدعوة أصدقائك اليوم و كل منكما يحصل على 10 دولارات من رصيد API لـ LLM — أي ما يصل إلى 500 دولار من المكافآت الإجمالية في انتظارك!
Llama 3.2 1B, Qwen2.5 7B, Qwen 3 (0.6B, 1.7B, 4B) ,GLM 4 — جميعها متاحة الآن على Novita AI لتعزيز مشاريعك دون إنفاق فلس واحد!
تلعب نماذج إعادة الترتيب دورًا حاسمًا في تحسين دقة أنظمة البحث بالذكاء الاصطناعي من خلال تحسين ترتيب المستندات المسترجعة مبدئيًا.
يظهر Qwen 3 Reranker 8B أداءً مرجعيًا متميزًا عبر المهام متعددة اللغات والقائمة على الكود. مع سهولة الوصول عبر منصة API الخاصة بـ Novita AI، يمكن للمطورين الآن دمج قدرات إعادة ترتيب قوية في تطبيقاتهم بكفاءة.
ما هو نموذج إعادة الترتيب؟
نموذج إعادة الترتيب هو نموذج ذكاء اصطناعي متخصص يعيد ترتيب مجموعة من المستندات أو العناصر المسترجعة مبدئيًا بناءً على مدى صلتها باستعلام معين. عادةً، بعد مرحلة الاسترجاع الأولي (باستخدام طرق مثل BM25 أو البحث القائم على التضمين)، يقوم نموذج إعادة الترتيب بتقييم أفضل النتائج (top-k) بدقة أكبر لضمان ترتيب العناصر الأكثر صلة في المقدمة.
من mongodb
نماذج إعادة الترتيب هي نماذج تعين درجات صلابة للاستعلام والمستندات المسترجعة. من خلال تسجيل المستندات حسب الصلة، تعمل نماذج إعادة الترتيب على تحسين دقة الاسترجاع عن طريق اختيار المجموعة الفرعية الأكثر صلة من المستندات المسترجعة مبدئيًا.
المشكلات التي تحلها نماذج إعادة الترتيب
- تعزيز الصلة: تعمل على تحسين نتائج البحث الأولي لتتناسب بشكل أفضل مع نية المستخدم.
- تقليل الضوضاء: من خلال تصفية العناصر الأقل صلة، تحسن جودة المعلومات المقدمة.
- تحسين أنظمة RAG: في خطوط أنابيب RAG، تضمن نماذج إعادة الترتيب استخدام المستندات الأكثر صلة لتوليد الردود.
كيفية تقييم نماذج إعادة الترتيب
- MTEB-R: مهام الاسترجاع باللغة الإنجليزية من MTEB (معيار التضمين النصي الضخم).
- CMTEB-R: مهام الاسترجاع باللغة الصينية من MTEB (تركز على الأداء باللغة الصينية).
- MMTEB-R: مهام الاسترجاع متعددة اللغات (تقييم عبر لغات متعددة).
- MLDR: استرجاع المستندات الطويلة متعددة اللغات (يختبر استرجاع النصوص الطويلة بلغات مختلفة).
- MTEB-Code: معايير لمهام الاسترجاع المتعلقة بالكود (مثل البحث عن الكود، الفهم).
- FollowIR: يقيس مدى قدرة النماذج على اتباع تعليمات المستخدم المعقدة في استعلامات البحث.
نماذج إعادة الترتيب مقابل نماذج التضمين
| الجانب | نماذج التضمين | نماذج إعادة الترتيب |
|---|---|---|
| الوظيفة | استرجاع المستندات بناءً على تشابه المتجهات | إعادة ترتيب المستندات المسترجعة بناءً على الصلة |
| الكفاءة | عالية (مناسبة للاسترجاع واسع النطاق) | أقل (تستخدم لإعادة ترتيب مجموعة أصغر) |
| الدقة | متوسطة | عالية |
| حالة الاستخدام | الاسترجاع الأولي | التحسين بعد الاسترجاع |
ما هي نماذج Qwen 3 Reranker؟
| النموذج | الحجم | الطبقات | طول التسلسل | مدرك للتعليمات |
| Qwen3-Reranker-0.6B | 28 | 32K | 32K | نعم |
| Qwen3-Reranker-4B | 4B | 36 | 32K | نعم |
| Qwen3-Reranker-8B | 8B | 36 | 32K | نعم |
كيف تعمل نماذج Qwen 3 Reranker؟
من Qwen
التضمين
الهدف: تحويل النص إلى متجه حتى تتمكن من البحث والمقارنة بكفاءة.
-
الإدخال:
{Instruction} + {Query} / {Doc} [EOS]- يرى النموذج الاستعلام والمستند بتنسيق إدخال مدمج.
-
يمر عبر نموذج Qwen3، وفي النهاية (حيث يوجد
[EOS])، يأخذ حالة مخفية (مثل “متجه ملخص”). -
يصبح هذا المتجه هو التضمين—طريقة لتمثيل النص بأرقام حتى نتمكن من مقارنته مع الآخرين.
إعادة الترتيب
الهدف: إعطاء درجة ذكية توضح مدى توافق المستند مع الاستعلام.
-
الإدخال:
{Instruction} + {Query} + {Doc} Assistant:- هذا إدخال أكثر تفصيلاً—يرى Qwen3 كلاً من الاستعلام والمستند معًا، مثل قراءتهما جنبًا إلى جنب.
-
يستخدم النموذج إعداد التشفير التبادلي، حيث يقارن بعمق بين النصين.
-
ثم، يعطي رأس LM (رأس نموذج اللغة) درجة (مثل احتمال “نعم”).
- تخبرنا هذه الدرجة: “ما مدى صلة هذا المستند بالاستعلام؟”
المعيار لنماذج Qwen 3 Reranker
| النموذج | المعلمات | MTEB-R | CMTEB-R | MMTEB-R | MLDR | MTEB-Code | FollowIR |
|---|---|---|---|---|---|---|---|
| Jina-multilingual-reranker-v2-base | 0.3B | 58.22 | 63.37 | 63.73 | 39.66 | 58.98 | -0.68 |
| gte-multilingual-reranker-base | 0.3B | 59.51 | 74.08 | 59.44 | 66.33 | 54.18 | -1.64 |
| BGE-reranker-v2-m3 | 0.6B | 57.03 | 72.16 | 58.36 | 59.51 | 41.38 | -0.01 |
| Qwen3-Reranker-0.6B | 0.6B | 65.80 | 71.31 | 66.36 | 67.28 | 73.42 | 5.41 |
| Qwen3-Reranker-4B | 4B | 69.76 | 75.94 | 72.74 | 69.97 | 81.20 | 14.84 |
| Qwen3-Reranker-8B | 8B | 69.02 | 77.45 | 72.94 | 70.19 | 81.22 | 8.05 |
يمكنك التحقق من تقييم نماذج التضمين على لوحة الصدارة هذه!
كيفية الوصول إلى نماذج Qwen 3 Reranker؟
Novita AI هي منصة سحابية للذكاء الاصطناعي تقدم للمطورين طريقة سهلة لنشر نماذج الذكاء الاصطناعي باستخدام API البسيط الخاص بنا، مع توفير سحابة GPU موثوقة وبأسعار معقولة للبناء والتوسع.
بالإضافة إلى Qwen 3 Reranker 8B و Embedding 8B ، توفر Novita AI أيضًا bge-m3 مجانًا لدعم تطوير مجتمع المصادر المفتوحة!
الخطوة 1: تسجيل الدخول والوصول إلى مكتبة النماذج
سجل الدخول إلى حسابك وانقر على زر مكتبة النماذج.
الخطوة 2: اختر نموذجك وابدأ تجربة مجانية
تصفح الخيارات المتاحة واختر النموذج الذي يناسب احتياجاتك.
الخطوة 3: احصل على مفتاح API الخاص بك
للمصادقة مع API، سنزودك بمفتاح API جديد. بالدخول إلى صفحة “الإعدادات”، يمكنك نسخ مفتاح API كما هو موضح في الصورة.
الخطوة 4: تثبيت API
قم بتثبيت API باستخدام مدير الحزم الخاص بلغة البرمجة التي تستخدمها.
بعد التثبيت، قم باستيراد المكتبات اللازمة إلى بيئة التطوير الخاصة بك. قم بتهيئة API باستخدام مفتاح API الخاص بك لبدء التفاعل مع نماذج Novita AI. هذا مثال لاستخدام API إكمال المحادثة لمستخدمي Python.
from openai import OpenAI
base_url = "https://api.novita.ai/v3/openai"
api_key = "<Your API Key>"
model = "qwen/qwen3-reranker-8b"
client = OpenAI(
base_url=base_url,
api_key=api_key,
)
stream = True # or False
max_tokens = 1000
response_format = { "type": "text" }
chat_completion_res = client.chat.completions.create(
model=model,
messages=[
{
"role": "user",
"content": "Hi there!",
}
],
stream=stream,
extra_body={
}
)
if stream:
for chunk in chat_completion_res:
print(chunk.choices[0].delta.content or "", end="")
else:
print(chat_completion_res.choices[0].message.content)
نظرًا لأن تطبيقات الذكاء الاصطناعي تتطلب فهمًا أكثر دقة لنية المستخدم، أصبحت نماذج إعادة الترتيب أدوات أساسية لتقديم نتائج بحث أكثر ذكاءً. تعمل نماذج إعادة الترتيب كطبقة ثانية من الذكاء بعد الاسترجاع الأولي، حيث تقوم بضبط ترتيب المستندات باستخدام تحليل سياقي أعمق. تضع سلسلة Qwen 3 Reranker معيارًا جديدًا في هذا المجال، حيث تقدم أداءً مذهلاً عبر اللغات والمستندات الطويلة وحتى مهام استرجاع الكود. مع النشر المبسط عبر Novita AI، يمكن للمطورين تسخير هذه النماذج المتقدمة دون الحاجة إلى بنية تحتية ثقيلة—مما يجعل الاسترجاع عالي الدقة أكثر سهولة من أي وقت مضى.
الأسئلة المتكررة
ما هو نموذج إعادة الترتيب؟
نموذج إعادة الترتيب يعيد ترتيب قائمة المستندات المسترجعة عن طريق تسجيل مدى صلتها بالاستعلام، مما يحسن الدقة في أنظمة البحث بالذكاء الاصطناعي.
كيف يختلف نموذج إعادة الترتيب عن نموذج التضمين؟
نموذج التضمين: يحول كل نص إلى متجه ويقارنها باستخدام التشابه.
نموذج إعادة الترتيب: يقرأ كلاً من الاستعلام والمستند معًا ويعطي درجة ذكية للصلة.
كيف أداء Qwen 3 Reranker؟
Qwen3-Reranker-8B يحقق نتائج رائدة:
MTEB-R: 69.02،
CMTEB-R: 77.45،
MTEB-Code: 81.22
يتفوق على النماذج الشائعة مثل BGE و GTE في فئات متعددة.
Novita AI هي المنصة السحابية الشاملة التي تمكّن طموحاتك في الذكاء الاصطناعي. واجهات API متكاملة، حوسبة بدون خوادم، مثيلات GPU — الأدوات الفعالة من حيث التكلفة التي تحتاجها. تخلص من البنية التحتية، ابدأ مجانًا، واجعل رؤيتك للذكاء الاصطناعي واقعًا.
