文字重排序

POST /v1/rerank

依與查詢的相關性為一組文件重新評分並排序（相容 Jina / Cohere Rerank 格式），常用於精煉 RAG 召回結果。

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

請求

curl https://test.kailin.com.cn/v1/rerank \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-your-token" \
  -d '{
    "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
  }'

請求主體參數

參數	類型	必填	說明
model	string	是	重排序模型，以可用清單為準
query	string	是	查詢文字
documents	array	是	文件陣列，元素為字串或 { "text": "..." } 物件
top_n	integer	否	只回傳前 N 筆結果，預設全部
return_documents	boolean	否	是否在結果中附上原文，預設 false

回應

{
  "results": [
    {
      "index": 0,
      "relevance_score": 0.93,
      "document": { "text": "Vector search computes semantic similarity over embedding vectors" }
    },
    {
      "index": 2,
      "relevance_score": 0.71,
      "document": { "text": "RAG systems typically retrieve first, then rerank" }
    }
  ],
  "usage": {
    "total_tokens": 120
  }
}

欄位	說明
results[].index	在輸入 documents 陣列中的原始索引
results[].relevance_score	相關性分數，越高越相關
usage.total_tokens	計費 token 數（部分渠道可能沒有此欄位）

提示

典型做法：向量召回前 50 筆 → rerank 取前 5 筆 → 作為上下文交給對話模型。