A Voyage AI bemutatta a rerank-3 és rerank-3-lite modelleket

Változatlan használat, jobb eredmények

A rerank-3 sorozat a keresési folyamat második szakaszában működik. Az első lépésben egy beágyazási modell és vektoros keresés kiválasztja a lehetséges találatokat egy nagy dokumentumgyűjteményből. A rangsoroló ezután minden jelöltet összevet a lekérdezéssel, majd átrendezi a listát, hogy a leginkább releváns dokumentumok kerüljenek előre.

A Voyage AI szerint a rerank-3 és a rerank-3-lite a vállalat korábbi modelljeinek közvetlen frissítése. Az API, a 32K tokenes kontextushossz, az utasításkövetés és az ár változatlan marad, ezért a fejlesztőknek nem kell módosítaniuk a kódjukat. A rerank-2.5 modelleken beállított relevanciaküszöbök is tovább használhatók, mivel az új modellek pontszámai hasonló eloszlást követnek.

A rerank-3 ára 0,05 dollár, a rerank-3-lite ára 0,02 dollár egymillió tokenenként. A Voyage AI közlése szerint az első 200 millió token ingyenes. A rerank-2.5 sorozat a meglévő felhasználók számára továbbra is elérhető marad.

A legnagyobb javulás a hosszú anyagoknál és a kódnál látszik

A vállalat 95, kilenc területet lefedő adathalmazon tesztelte a modelleket. A területek között szerepelt a műszaki dokumentáció, a kód, a jog, a pénzügy, a webes értékelések, a többnyelvű keresés, a hosszú dokumentumok, az orvostudomány és a beszélgetések. A többnyelvű kategória 31 nyelv 51 adathalmazából állt.

A Voyage AI eredményei alapján a rerank-3 átlagosan 2,72 százalékkal előzte meg a Cohere Rerank v4.0 Pro modellt, és 3,02 százalékkal a Qwen3-Reranker-8B-t. A rerank-3-lite ugyanebben az összevetésben 2,23, illetve 2,53 százalékos előnyt ért el. A vállalat szerint a rerank-3 minden vizsgált első szakaszbeli keresési módszer után a legjobb eredményt nyújtotta.

A LongEmbed adathalmazon a rerank-3 3,35 százalékkal javított a rerank-2.5 eredményén, a Cohere Rerank v4.0 Pro modellhez képest pedig 13,84 százalékos előnyt mutatott. A rerank-3-lite 1,86 százalékkal múlta felül saját elődjét, és 13,80 százalékkal a Cohere modelljét.

Kódkeresésben a rerank-3 a voyage-3-large első szakaszbeli keresővel használva 2,17, a voyage-4-large mellett 2,11 százalékkal javított a rerank-2.5-höz képest. A lite változat előnye ugyanezen a két beállításon 3,72 és 3,58 százalék volt.

A fejlesztők meglévő rendszerekben is kipróbálhatják

A teszteket BM25 lexikális kereséssel, az OpenAI text-embedding-3-large modelljével, valamint a voyage-3-large és voyage-4-large rendszerekkel végzett első szakaszbeli keresés után futtatták. Ezek legfeljebb 100 jelölt dokumentumot adtak át a rangsorolóknak, amelyekből a végső értékeléshez a tíz legjobb találatot vették figyelembe. A minőséget az NDCG@10 mutatóval mérték.

A rerank-3-lite a Voyage AI szerint nagyjából a rerank-2.5 minőségét hozza az előbbi modell árának 40 százalékáért, miközben késleltetésre optimalizálták. Mindkét új modell megőrizte az utasításkövetést is. A MAIR teszten a rerank-3 a rerank-2.5 szintjén teljesített, a rerank-3-lite pedig 0,91 százalékkal javított saját elődjéhez képest.

A modellek a közlemény szerint már elérhetők tokenalapú díjazással. A MongoDB Atlas ügyfelei az Atlas Embedding and Reranking API-n, valamint az Atlas Vector Search natív rangsorolásán keresztül is használhatják őket. A meglévő rerank-2.5 felhasználóknak a Voyage AI a frissítést ajánlja, mivel az változatlan költség mellett jobb eredményt ígér, és nem követel kódmódosítást.