文本重排序

POST /v1/rerank

按与查询的相关性对一组文档重新打分排序（兼容 Jina / Cohere Rerank 格式），常用于 RAG 召回精排。

请求REQUEST

POSThttps://test.kailin.com.cn/v1/rerank

API Key仅存本地浏览器，不会上传

请求体 JSON{ "model": "jina-reranker-v2-base-multilingual", "query": "What is vector search", "documents": [ "Vector search computes semantic similarity over embedding vectors", "The weather is nice today", "RAG systems typically retrieve first, then rerank" ], "top_n": 2 }

响应RESPONSE

填写参数并发送请求，响应会显示在这里

请求

curl https://test.kailin.com.cn/v1/rerank \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-你的令牌" \
  -d '{
    "model": "jina-reranker-v2-base-multilingual",
    "query": "什么是向量检索",
    "documents": [
      "向量检索通过嵌入向量计算语义相似度",
      "今天天气很好",
      "RAG 系统通常先召回再重排"
    ],
    "top_n": 2
  }'

请求体参数

参数	类型	必填	说明
model	string	是	重排模型，以可用列表为准
query	string	是	查询文本
documents	array	是	文档数组，元素为字符串或 { "text": "..." }
top_n	integer	否	返回前 N 条，默认全部
return_documents	boolean	否	结果中是否携带原文，默认 false

响应

{
  "results": [
    {
      "index": 0,
      "relevance_score": 0.93,
      "document": { "text": "向量检索通过嵌入向量计算语义相似度" }
    },
    {
      "index": 2,
      "relevance_score": 0.71,
      "document": { "text": "RAG 系统通常先召回再重排" }
    }
  ],
  "usage": {
    "total_tokens": 120
  }
}

字段	说明
results[].index	在输入 documents 数组中的原始下标
results[].relevance_score	相关性得分，越高越相关
usage.total_tokens	计费 token 数（部分渠道可能缺省）

提示

典型用法：向量召回 top 50 → rerank 取 top 5 → 拼入上下文交给聊天模型回答。