OpenAI Reranks

检索系统在“召回”阶段为保证效率，返回的结果可能不够精准。排序模型能对召回的文档进行二次精准排序，确保将与用户查询最相关的结果排在最前，有效提升应用准确率。

接口地址

方法	端点
POST	https://neolink.com/api/v1/rerank

认证

方式	说明
Bearer Token	在请求头中携带 Authorization: Bearer <API_key> 用于验证账户信息。

请求头

参数名	类型	必填	说明
Content-Type	string	是	请求体的媒介类型，请设置为 application/json
Authorization	string	是	Bearer API_key，用于验证账户信息

请求体

参数名	类型	必填	默认值	说明
model	string	是	-	使用的模型 ID
query	string	是	-	用户的查询文本，用于与文档进行相关性匹配
documents	array	是	-	待排序的文档列表，每个元素为一个字符串文档
top_n	int	否	-	返回排序后的前 N 个最相关文档。如不指定，返回全部文档的排序结果
instruct	string	否	-	任务指令，用于指导模型如何理解查询和文档的关系
return_documents	bool	否	true	是否在结果中返回原始文档内容

请求示例

cURL

curl --location 'https://neolink.com/api/v1/rerank' \
     --header 'Authorization: Bearer <API Key>' \
     --header 'Content-Type: application/json' \
     --data '{
         “model”: “<Model ID>”,
         “documents”: [
             “文本排序模型广泛用于搜索引擎和推荐系统中，它们根据文本相关性对候选文本进行排序”,
             “量子计算是计算科学的一个前沿领域”,
             “预训练语言模型的发展给文本排序模型带来了新的进展”
         ],
         “query”: “什么是文本排序模型”,
         “top_n”: 2,
         “instruct”: “Given a web search query, retrieve relevant passages that answer the query.”
     }'

Python

import requests

url = “https://neolink.com/api/v1/rerank”

headers = {
    “Authorization”: “Bearer <API Key>”,
    “Content-Type”: “application/json”,
}

payload = {
    “model”: “<Model ID>”,
    “documents”: [
        “文本排序模型广泛用于搜索引擎和推荐系统中，它们根据文本相关性对候选文本进行排序”,
        “量子计算是计算科学的一个前沿领域”,
        “预训练语言模型的发展给文本排序模型带来了新的进展”,
    ],
    “query”: “什么是文本排序模型”,
    “top_n”: 2,
    “instruct”: (
        “Given a web search query, retrieve relevant passages “
        “that answer the query.”
    ),
}

response = requests.post(
    url,
    headers=headers,
    json=payload,
    timeout=60,
)

response.raise_for_status()

print(response.status_code)
print(response.json())

支持模型Id：

• qwen3-rerank