重排序 - 阿里云百炼

重排序最能发挥价值的场景：当初始检索返回 20-100+ 个相关度参差不齐的候选结果时，重排序的精度提升最为显著。如果检索已返回高度相关的结果（如精确关键词匹配），则重排序的价值较小。典型的 RAG 流程：先通过 Embedding 检索 50-100 个候选结果，再通过重排序筛选 Top 5-10，最后传入大语言模型。

前提条件

请先获取与配置 API Key并配置API Key到环境变量。如需使用 SDK，请安装SDK。

重排序文档

将查询和候选文档列表传给 API，模型将按相关性对文档进行排序后返回。

文本重排序（qwen3-rerank）

OpenAI 兼容
DashScope

import os
from openai import OpenAI

client = OpenAI(
  api_key=os.getenv("DASHSCOPE_API_KEY"),
  base_url="https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-api/v1",
)

results = client.post(
  "/reranks",
  body={
    "model": "qwen3-rerank",
    "query": "什么是重排序模型",
    "documents": [
      "重排序模型广泛应用于搜索引擎和推荐系统，按相关性对候选文本进行排序",
      "量子计算是计算科学的前沿领域",
      "预训练语言模型的发展为重排序模型带来了新的进展"
    ],
    "top_n": 2
  },
  cast_to=object
)

print(results)

import dashscope
from http import HTTPStatus

# 以下为华北2（北京）地域的配置，调用时请将{WorkspaceId}替换为真实的业务空间ID，各地域的配置不同。
dashscope.base_http_api_url = 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1'

resp = dashscope.TextReRank.call(
  model="qwen3-rerank",
  query="什么是重排序模型",
  documents=[
    "重排序模型广泛应用于搜索引擎和推荐系统，按相关性对候选文本进行排序",
    "量子计算是计算科学的前沿领域",
    "预训练语言模型的发展为重排序模型带来了新的进展"
  ],
  top_n=2,
  return_documents=True
)

if resp.status_code == HTTPStatus.OK:
  print(resp)

多模态重排序（qwen3-vl-rerank）

qwen3-vl-rerank 支持文本、图片和视频的混合排序。查询可以是文本或图片，文档可以包含文本、图片和视频。

多模态重排序需要使用 DashScope SDK 或 API，不支持 OpenAI 兼容接口。

Python

import dashscope
from http import HTTPStatus
import json

# 以下为华北2（北京）地域的配置，调用时请将{WorkspaceId}替换为真实的业务空间ID，各地域的配置不同。
dashscope.base_http_api_url = 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1'

resp = dashscope.TextReRank.call(
  model="qwen3-vl-rerank",
  query={"text": "什么是文本排序模型"},
  documents=[
    {"text": "文本排序模型广泛用于搜索引擎和推荐系统中"},
    {"image": "https://img.alicdn.com/imgextra/i3/O1CN01rdstgY1uiZWt8gqSL_!!6000000006071-0-tps-1970-356.jpg"},
    {"video": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20250107/lbcemt/new+video.mp4"}
  ],
  top_n=2,
  return_documents=True
)

if resp.status_code == HTTPStatus.OK:
  print(json.dumps(resp, default=str, ensure_ascii=False, indent=4))

核心功能

使用指令提升排序效果（instruct）

instruct 参数可以引导模型使用不同的排序策略。请使用英文编写指令。

问答检索（默认）："Given a web search query, retrieve relevant passages that answer the query." 侧重于寻找答案。对于查询"如何预防感冒？"，"勤洗手可预防感冒"的分数会高于"感冒是一种常见病"（主题相关但未回答问题）。
语义相似度："Retrieve semantically similar text." 侧重于语义等价，不受措辞影响。例如："如何修改密码？"可匹配"忘记密码怎么办？"（FAQ 场景）。

未设置时，模型默认使用问答检索策略。

OpenAI 兼容

curl --request POST \
  --url https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-api/v1/reranks \
  --header "Authorization: Bearer $DASHSCOPE_API_KEY" \
  --header "Content-Type: application/json" \
  --data '{
    "model": "qwen3-rerank",
    "query": "如何修改密码？",
    "documents": [
      "点击设置 > 安全 > 修改密码即可更新凭据",
      "忘记密码怎么办？",
      "我们的平台支持双因素认证"
    ],
    "instruct": "Retrieve semantically similar text."
}'

返回前 N 个结果（top_n）

使用 top_n 仅返回排名最高的文档。如未设置，则返回按相关性排序的所有文档。如果 top_n 超过文档总数，则返回所有文档。

模型概览

gte-rerank模型将于2026年05月30日下线，推荐使用qwen3-rerank模型替代。详情请参见官网公告。

模型	最大文档数	单条最大 Token 数	单次请求最大 Token 数	支持语言	适用场景
qwen3-vl-rerank	文本：100 图片：40 视频：4	8,000	120,000	中文、英文、日语、韩语等 33 种语言	多模态搜索结果重排序（文本、图片、视频）
qwen3-rerank	500	4,000	120,000	100+ 语言：中文、英文、西班牙语、法语等	语义文本搜索、RAG 应用
gte-rerank-v2	500	4,000	30,000	50+ 语言：中文、英文、日语、韩语、泰语等	语义文本搜索、RAG 应用

模型

最大文档数

单条最大 Token 数

单次请求最大 Token 数

支持语言

适用场景

qwen3-vl-rerank

文本：100

图片：40

视频：4

8,000

120,000

中文、英文、日语、韩语等 33 种语言

多模态搜索结果重排序（文本、图片、视频）

qwen3-rerank

500

4,000

120,000

100+ 语言：中文、英文、西班牙语、法语等

语义文本搜索、RAG 应用

gte-rerank-v2

500

4,000

30,000

50+ 语言：中文、英文、日语、韩语、泰语等

语义文本搜索、RAG 应用

关键术语：

单条最大 Token 数：单条查询或文档的最大 Token 数。超出限制的内容将被截断，排序结果仅基于截断后的内容计算，可能影响排序精度。
单次请求最大文档数：单次请求允许的最大文档数量。对于 qwen3-vl-rerank 模型，该限制会根据文档类型（文本、图片、视频、混合模态）的不同而有所差异。
单次请求最大 Token 数：计算公式为 查询 Token 数 x 文档数量 + 所有文档 Token 总数，该值不能超过单次请求上限。

API 参考

参见排序模型（Rerank）。

错误码

如果调用失败，请参见错误码。

限流

请参见限流。

​前提条件

​重排序文档

​文本重排序（qwen3-rerank）

​多模态重排序（qwen3-vl-rerank）

​核心功能

​使用指令提升排序效果（instruct）

​返回前 N 个结果（top_n）

​模型概览

​API 参考

​错误码

​限流

前提条件

重排序文档

文本重排序（qwen3-rerank）

多模态重排序（qwen3-vl-rerank）

核心功能

使用指令提升排序效果（instruct）

返回前 N 个结果（top_n）

模型概览

API 参考

错误码

限流