Rerank（重排序）

对给定查询和候选文档列表进行相关性评分，并按分数重新排序。用于 RAG 系统中的二阶段检索，提升召回质量。

---

请求参数

参数	类型	必填	说明
model	string	必填	重排序模型 ID
query	string	必填	查询文本
documents	array	必填	候选文档列表（字符串数组）
top_n	integer	可选	返回前 N 个结果，默认全部返回
return_documents	boolean	可选	是否在结果中返回文档原文，默认 true

---

请求示例

cURL

curl https://api000.com/v1/rerank \
  -H "Authorization: Bearer sk-xxxxxxxxxxxxxxxx" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "bge-reranker-v2-m3",
    "query": "如何使用零度API调用大模型",
    "documents": [
      "零度API 提供兼容 OpenAI 格式的接口",
      "今天天气很好，阳光明媚适合出游",
      "使用 Bearer Token 进行 API 认证",
      "通过替换 base_url 即可快速接入"
    ],
    "top_n": 3
  }'

Python

import requests

response = requests.post(
    "https://api000.com/v1/rerank",
    headers={
        "Authorization": "Bearer sk-xxxxxxxxxxxxxxxx",
        "Content-Type": "application/json"
    },
    json={
        "model": "bge-reranker-v2-m3",
        "query": "如何调用大模型API",
        "documents": [
            "零度API 提供 OpenAI 兼容接口",
            "今天天气很好",
            "使用 Bearer Token 进行认证",
            "通过替换 base_url 即可接入",
        ],
        "top_n": 3,
        "return_documents": True
    }
)

results = response.json()["results"]
for item in results:
    print(f"[{item['relevance_score']:.4f}] {item['document']}")

---

响应示例

{
  "object": "list",
  "results": [
    {
      "index": 0,
      "relevance_score": 0.9823,
      "document": "零度API 提供 OpenAI 兼容接口"
    },
    {
      "index": 3,
      "relevance_score": 0.9241,
      "document": "通过替换 base_url 即可接入"
    },
    {
      "index": 2,
      "relevance_score": 0.7641,
      "document": "使用 Bearer Token 进行认证"
    }
  ],
  "usage": {
    "total_tokens": 56
  }
}

---

响应字段说明

字段	类型	说明
results[].index	integer	文档在原始输入中的位置索引
results[].relevance_score	number	与查询的相关性分数（0~1），越高越相关
results[].document	string	文档原文（return_documents=true 时包含）

---

可用重排序模型

模型 ID	特点
bge-reranker-v2-m3	多语言，中英文效果极佳（推荐）
bge-reranker-large	中文专项，精度高
rerank-multilingual-v3.0	Cohere 多语言重排序模型
rerank-english-v3.0	Cohere 英文专项

---

在 RAG 中的典型用法

用户查询
  ↓
【第一阶段】向量检索（Embedding）
  召回 Top-50 候选文档（速度快，精度一般）
  ↓
【第二阶段】Rerank 重排序
  对 Top-50 文档重新精排，取 Top-5
  ↓
将 Top-5 文档作为上下文传给大模型生成答案