Parrainez vos amis dès aujourd’hui et vous recevrez tous les deux 10 $ de crédits API LLM — c’est jusqu’à 500 $ de récompenses totales qui vous attendent !
Llama 3.2 1B, Qwen2.5 7B, Qwen 3 (0,6B, 1,7B, 4B), GLM 4 — tous disponibles dès maintenant sur Novita AI pour booster vos projets sans dépenser un centime !
Les modèles de reclassement jouent un rôle crucial dans l’amélioration de la précision des systèmes de recherche IA en affinant l’ordre des documents initialement récupérés.
Le Qwen 3 Reranker 8B montre des performances de référence exceptionnelles dans des tâches multilingues et basées sur le code. Grâce à un accès facile via la plateforme API de Novita AI, les développeurs peuvent désormais intégrer efficacement des capacités de reclassement puissantes dans leurs applications.
Construisez avec Novita AI dès aujourd’hui !
Qu’est-ce qu’un modèle de reclassement ?
Un modèle de reclassement est un modèle IA spécialisé qui réordonne un ensemble de documents ou d’éléments initialement récupérés en fonction de leur pertinence par rapport à une requête spécifique. Généralement, après une phase de récupération initiale (utilisant des méthodes comme BM25 ou la recherche par embeddings), un reclassement évalue plus précisément les résultats les plus pertinents (top-k) pour garantir que les éléments les plus pertinents sont priorisés.
De mongodb
Les reclassements sont des modèles qui attribuent des scores de pertinence à une requête et aux documents récupérés. En notant les documents en fonction de leur pertinence, les reclassements améliorent la précision de la récupération en sélectionnant le sous-ensemble le plus pertinent des documents initialement récupérés.
Problèmes résolus par les modèles de reclassement
- Amélioration de la pertinence : Ils affinent les résultats de recherche initiaux pour mieux correspondre à l’intention de l’utilisateur.
- Réduction du bruit : En filtrant les éléments moins pertinents, ils améliorent la qualité des informations présentées.
- Amélioration des systèmes RAG : Dans les pipelines RAG, les reclassements garantissent que les documents les plus pertinents sont utilisés pour générer des réponses.
Comment évaluer les modèles de reclassement
- MTEB-R : Tâches de récupération en anglais du MTEB (Massive Text Embedding Benchmark).
- CMTEB-R : Tâches de récupération en chinois du MTEB (axé sur les performances en langue chinoise).
- MMTEB-R : Tâches de récupération multilingues (évaluation dans plusieurs langues).
- MLDR : Récupération de longs documents multilingues (teste la récupération de textes longs dans diverses langues).
- MTEB-Code : Références pour les tâches de récupération liées au code (par exemple, recherche de code, compréhension).
- FollowIR : Mesure dans quelle mesure les modèles suivent des instructions utilisateur complexes dans les requêtes de recherche.
Modèles de reclassement vs modèles d’embedding
| Aspect | Modèles d’embedding | Modèles de reclassement |
|---|---|---|
| Fonction | Récupérer des documents basés sur la similarité vectorielle | Réordonner les documents récupérés en fonction de la pertinence |
| Efficacité | Élevée (adaptée à la récupération à grande échelle) | Plus faible (utilisée pour réordonner un ensemble plus petit) |
| Précision | Modérée | Élevée |
| Cas d’usage | Récupération initiale | Affinage après récupération |
Qu’est-ce que les modèles Qwen 3 Reranker ?
| Modèle | Taille | Couches | Longueur de séquence | Sensible aux instructions |
| Qwen3-Reranker-0.6B | 0,6B | 28 | 32K | Oui |
| Qwen3-Reranker-4B | 4B | 36 | 32K | Oui |
| Qwen3-Reranker-8B | 8B | 36 | 32K | Oui |
Comment fonctionnent les modèles Qwen 3 Reranker ?
De Qwen
Embedding
Objectif : Transformer le texte en vecteur pour pouvoir rechercher et comparer efficacement.
-
Entrée :
{Instruction} + {Requête} / {Doc} [EOS]- Le modèle voit la requête et le document dans un format d’entrée combiné.
-
Il passe par le modèle Qwen3, et à la fin (là où se trouve
[EOS]), il prend un état caché (comme un « vecteur résumé »). -
Ce vecteur devient l’embedding — une façon de représenter le texte en nombres pour pouvoir le comparer avec d’autres.
Reranker
Objectif : Donner un score intelligent qui indique à quel point le document correspond à la requête.
-
Entrée :
{Instruction} + {Requête} + {Doc} Assistant:- Il s’agit d’une entrée plus détaillée — Qwen3 voit la requête et le document ensemble, comme s’il les lisait côte à côte.
-
Le modèle utilise une configuration cross-encoder, où il compare profondément les deux textes.
-
Ensuite, la tête LM (tête du modèle de langage) donne un score (par exemple, probabilité de « oui »).
- Ce score nous indique : « Dans quelle mesure ce document est-il pertinent par rapport à la requête ? »
Références des modèles Qwen 3 Reranker
| Modèle | Param | 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 |
Vous pouvez consulter l’évaluation des modèles d’embedding sur ce leaderboard !
Comment accéder aux modèles Qwen 3 Reranker ?
Novita AI est une plateforme cloud IA qui offre aux développeurs un moyen simple de déployer des modèles IA via notre API simple, tout en fournissant un cloud GPU abordable et fiable pour construire et passer à l’échelle.
En plus de Qwen 3 Reranker 8B et Embedding 8B, Novita AI propose également bge-m3 gratuitement pour soutenir le développement de la communauté open source !
Étape 1 : Connectez-vous et accédez à la bibliothèque de modèles
Connectez-vous à votre compte et cliquez sur le bouton Bibliothèque de modèles.
Essayez Qwen 3 Reranker 8B maintenant !
Étape 2 : Choisissez votre modèle et commencez un essai gratuit
Parcourez les options disponibles et sélectionnez le modèle qui correspond à vos besoins.
Étape 3 : Obtenez votre clé API
Pour vous authentifier auprès de l’API, nous vous fournirons une nouvelle clé API. En entrant dans la page « Paramètres », vous pouvez copier la clé API comme indiqué sur l’image.
Étape 4 : Installez l’API
Installez l’API en utilisant le gestionnaire de paquets spécifique à votre langage de programmation.
Après l’installation, importez les bibliothèques nécessaires dans votre environnement de développement. Initialisez l’API avec votre clé API pour commencer à interagir avec les modèles Novita AI. Voici un exemple d’utilisation de l’API de complétion de chat pour les utilisateurs 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)
Alors que les applications IA exigent une compréhension plus précise de l’intention de l’utilisateur, les modèles de reclassement sont devenus des outils essentiels pour fournir des résultats de recherche plus intelligents. Agissant comme une deuxième couche d’intelligence après la récupération initiale, les reclassements affinent le classement des documents en utilisant une analyse contextuelle plus approfondie. La série Qwen 3 Reranker établit une nouvelle référence dans ce domaine, offrant des performances impressionnantes dans les tâches multilingues, les documents longs et même la récupération de code. Grâce à un déploiement simplifié via Novita AI, les développeurs peuvent exploiter ces modèles avancés sans infrastructure lourde, rendant la récupération de haute précision plus accessible que jamais.
Foire aux questions
Qu’est-ce qu’un modèle de reclassement ?
Un reclassement réordonne une liste de documents récupérés en notant leur pertinence par rapport à une requête, améliorant ainsi la précision des systèmes de recherche IA.
En quoi un reclassement est-il différent d’un modèle d’embedding ?
Modèle d’embedding : Convertit chaque texte en vecteur et les compare en utilisant la similarité.
Modèle de reclassement : Lit la requête et le document ensemble et donne un score intelligent pour la pertinence.
Comment se comporte Qwen 3 Reranker ?
Qwen3-Reranker-8B obtient des scores de premier ordre :
MTEB-R : 69,02,
CMTEB-R : 77,45,
MTEB-Code : 81,22
Il surpasse des modèles populaires comme BGE et GTE dans plusieurs catégories.
Novita AI est la plateforme cloud tout-en-un qui propulse vos ambitions IA. API intégrées, serverless, GPU Instance — les outils rentables dont vous avez besoin. Éliminez l’infrastructure, commencez gratuitement et réalisez votre vision IA.
