重排序

POSThttps://vip.zen-ai.top/v1/rerank

给定一个查询和一组候选文档，按相关性从高到低重新排序并给出分数。典型用法是先用 向量检索 召回几十条候选，再用重排序模型精排出最相关的几条交给大模型。

请求体

modelstring必填

重排序模型，如 bge-reranker-v2-m3、qwen3-reranker-8b。

querystring必填

查询文本。

documentsarray必填

候选文档列表（字符串数组）。

top_ninteger

只返回相关性最高的前 N 条，默认返回全部。

return_documentsboolean默认 false

是否在结果中返回文档原文。

响应

resultsarray

按相关性降序排列的结果。

子字段 3

indexinteger

该文档在请求 documents 中的下标。

relevance_scorenumber

相关性分数，越高越相关。

documentobject | string

文档原文（return_documents 为 true 时返回）。

usageobject

token 用量。

请求示例

cURL

curl https://vip.zen-ai.top/v1/rerank \
  -H "Authorization: Bearer $VIP_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "bge-reranker-v2-m3",
    "query": "如何提高睡眠质量？",
    "documents": [
      "睡前一小时避免使用手机和电脑。",
      "今天的股市行情整体上涨。",
      "保持规律的作息时间。"
    ],
    "top_n": 2
  }'

Python

import requests

resp = requests.post(
    "https://vip.zen-ai.top/v1/rerank",
    headers={"Authorization": "Bearer sk-xxxxxxxx"},
    json={
        "model": "bge-reranker-v2-m3",
        "query": "如何提高睡眠质量？",
        "documents": ["睡前一小时避免使用手机和电脑。", "今天的股市行情整体上涨。", "保持规律的作息时间。"],
        "top_n": 2,
    },
).json()
for r in resp["results"]:
    print(r["index"], round(r["relevance_score"], 4))

响应示例

{
  "results": [
    { "index": 0, "relevance_score": 0.9512 },
    { "index": 2, "relevance_score": 0.8733 }
  ],
  "usage": { "prompt_tokens": 58, "total_tokens": 58 }
}