VoyageAI by MongoDB: rerank-2.5-lite
مدل rerank-2.5-lite یک مدل بازرتبهبندی (reranker) است که برای تعادل میان تأخیر (latency) و کیفیت بهینه شده و در مجموعهای متشکل از ۹۳ مجموعه داده، دقت بازیابی را نسبت به Cohere Rerank v3.5 به میزان ۷.۱۶ درصد بهبود بخشیده است. این مدل همچنین در بنچمارک MAIR (Massive Instructed Retrieval Benchmark) عملکردی ۱۰.۳۶ درصد بهتر از Cohere Rerank v3.5 از خود نشان داده است. مدل مذکور از طول زمینه (context length) ترکیبی ۳۲ هزار توکن برای هر جفت پرسوجو-سند پشتیبانی میکند (که شامل حداکثر ۸ هزار توکن برای پرسوجو است) و بدین ترتیب امکان بازیابی دقیقتر در اسناد طولانیتر را فراهم میسازد. علاوه بر این، rerank-2.5-lite از قابلیت پیروی از دستورالعملها (instruction following) پشتیبانی میکند و به کاربران اجازه میدهد تا با استفاده از پرامپتهای زبان طبیعی، بر نحوه امتیازدهی به میزان ارتباط (relevance scoring) تأثیر بگذارند. برای کسب اطلاعات بیشتر درباره rerank-2.5-lite به این آدرس مراجعه کنید: blog.voyageai.com/2025/08/11/rerank-2-5

دسترسی API، ساختهشده برای برنامهنویسها
مشخصات اصلی مدل هوش مصنوعی
| نام مدل | voyageai/rerank-2.5-lite |
| تاریخ ساخت | ۱۴۰۵/۶/۱۱ |
| حداکثر ورودی | 32000 |
| سرعت مدل | 2 / 5 |
| Tokenizer | Other |
| Reasoning | غیرفعال |
| هزینه خروجی متن | $0 به ازای هر یک میلیون توکن |
VoyageAI by MongoDB: rerank-2.5-lite
هر ماه مدلهای هوش مصنوعی متنوعی از شرکتهای مختلف ارائه میشود. ثبت نام، راهاندازی و مدیریت اکانتها و مدیریت مالی مدلهای مختلف کار دشواریست. هوش مصنوعی لیارا، مدلهای برتر دنیا را از طریق یک اکانت و یک کلید دسترسی در اختیار شما قرار میدهد.
مانیتورینگ پیشرفته
تعداد درخواستها، توکنهای مصرفی و هزینههای خود را بهتر مدیریت کنید.
توکن رایگان روزانه
با استفاده از توکنهای رایگان، هزینههای هوشمندسازی نرمافزار خود را کاهش دهید.
مدلهای متنوع
ما به سرعت در حال اضافهکردن مدلهای برتر دنیا هستیم. از OpenAI و DeepSeek گرفته تا Grok و Meta.
معماری مدل
| ورودیها | text |
| خروجی | rerank |
| Structured Outputs | غیرفعال |
| Function Calling | غیرفعال |
| Tuning | غیرفعال |
| Streaming | غیرفعال |
ما سعی میکنیم قابلیتهایی که بهطور مشترک در اکثر مدلها وجود دارد را در قالب OpenAI API پیادهسازی کنیم تا نیازی نباشد برای جابهجایی بین مدلهای مختلف، کدهای خود را تغییر دهید.

