--- title: "API de reclassement (rerank) hébergée en Europe pour le RAG" description: "Reclassez vos résultats de recherche par pertinence avec une API rerank pour le RAG. Modèles comme bge-reranker-v2-m3, traités dans des centres de l'UE." canonical: "https://inference.eu/fr/api/rerank/" language: "fr" --- POST /v1/rerank # API rerank : trier les résultats par pertinence, traitée dans l'UE Le point de terminaison rerank reçoit une requête et une liste de documents candidats, puis les renvoie triés selon la qualité de leur réponse à la requête. Dans un pipeline RAG, il se place entre la recherche vectorielle et le modèle de langage, et c'est souvent le moyen le plus économique d'obtenir des réponses nettement plus justes. Requêtes et documents sont traités dans des centres de données européens. [Contacter l'équipe](https://inference.eu/fr/contact/)[Exemple de requête](#example) 1. 01Format d'API: OpenAI 2. 02Centres de données dans l'UE 3. 03Couvert par un seul DPA POST /v1/rerank ``` curl https://api.inference.eu/v1/rerank \ -H "Authorization: Bearer $INFERENCE_EU_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "bge-reranker-v2-m3", "query": "Can an employee carry unused holiday into next year?", "documents": [ "Unused annual leave may be carried over until 31 March of the following year.", "The office is closed between Christmas and New Year.", "Urlaubsansprüche verfallen nicht, wenn der Arbeitgeber nicht auf den Verfall hingewiesen hat.", "Expense claims must be submitted within 30 days." ], "top_n": 2 }' # {"results": [{"index": 0, "relevance_score": 0.94}, {"index": 2, "relevance_score": 0.81}], ...} ``` ## Ce que fait le point de terminaison `POST /v1/rerank` reçoit un `model`, une `query` et un tableau `documents` de chaînes. Un modèle de reclassement comme `bge-reranker-v2-m3` lit la requête et chaque document ensemble, ce qui lui permet de juger la pertinence bien plus finement qu'une comparaison entre deux embeddings calculés séparément. La contrepartie est la vitesse : on reclasse une courte liste de candidats, pas tout un corpus. La réponse contient un tableau `results` trié du plus pertinent au moins pertinent. Chaque résultat donne l'`index` du document dans votre tableau d'origine et un `relevance_score`. L'index vous permet de retrouver le document et ses métadonnées de votre côté. ## Les champs essentiels de la requête `top_n` limite le nombre de résultats renvoyés ; sans ce champ, vous obtenez un score pour chaque document. Avec `return_documents: true`, chaque résultat inclut aussi le texte du document, ce qui évite une recherche mais alourdit la réponse. Le format de requête suit le schéma de reclassement qu'utilisent la plupart des bibliothèques de recherche et des frameworks RAG. Une intégration qui accepte un point de terminaison rerank personnalisé se branche donc généralement sur inference.eu en changeant l'URL, la clé et le modèle. `bge-reranker-v2-m3` est multilingue : une question en français peut classer correctement des passages en allemand ou en anglais. ## Embeddings et rerank, le schéma RAG de référence D'abord, vectorisez la question et récupérez les 30 à 50 morceaux les plus proches dans votre base vectorielle : c'est rapide, le rappel est élevé, mais l'ordre est approximatif. Ensuite, envoyez la question et ces morceaux au point de terminaison rerank et gardez les trois à huit meilleurs. Enfin, placez-les dans le prompt d'un modèle de chat en lui demandant de citer ses sources. Le score peut aussi servir de seuil. Si même le meilleur résultat obtient un score faible, indiquez à l'utilisateur que la base documentaire ne contient pas de bonne réponse, plutôt que de laisser le modèle deviner. Ajustez ce seuil sur un jeu de vraies questions. ## Erreurs et cas particuliers Chaque paire requête-document doit tenir dans la longueur d'entrée du modèle. Les documents plus longs sont tronqués côté modèle : reclassez des morceaux de taille comparable à ceux que vous avez vectorisés, pas des fichiers entiers. Un tableau `documents` vide ou une requête vide renvoient une erreur 400. Les scores ne sont comparables qu'au sein d'un même modèle ; ne transposez pas un seuil d'un modèle à l'autre. Une très longue liste de candidats ralentit la requête sans grand bénéfice, car une bonne recherche initiale place déjà la réponse dans les 50 premiers. Le nombre de documents par requête dépend de votre offre et nous vous le confirmons. ## Rerank Endpoint POST /v1/rerank Catégorie Endpoints Format d'API OpenAI Base URL api.inference.eu/v1 Traitement Centres de données dans l'UE Entraînement sur vos données Jamais ## Rerank : questions fréquentes Les questions que nous posent le plus les achats, les développeurs et les juristes. Il en manque une ? Posez-la-nous directement. C'est un modèle qui évalue la pertinence de chaque passage candidat pour une requête en lisant les deux ensemble. Dans un système de génération augmentée par la recherche, il réordonne les résultats de la recherche vectorielle pour que le modèle de chat reçoive d'abord les passages les plus utiles. Le gain dépasse souvent celui d'un modèle de chat plus gros. Oui. Reclasser chaque document d'un grand corpus serait beaucoup trop lent. Les embeddings ou la recherche par mots-clés trouvent rapidement une courte liste de candidats, que le modèle de reclassement ordonne ensuite avec précision. Les deux étapes se complètent et passent toutes deux par l'API inference.eu. \`bge-reranker-v2-m3\` est un bon choix multilingue par défaut, qui gère le français, l'allemand, l'anglais et bien d'autres langues. Consultez \`GET /v1/models\` pour voir les modèles accessibles à votre clé et comparez-les sur vos propres questions : le bon passage arrive-t-il dans les trois premiers ? La limite par requête dépend du modèle et de votre offre, et nous vous la confirmons. En pratique, 20 à 100 candidats est la fourchette utile : moins, on risque de manquer la réponse ; plus, on perd du temps pour peu de gain. Répartissez les grandes listes sur plusieurs requêtes et fusionnez les scores. La requête accepte \`model\`, \`query\`, \`documents\`, \`top\_n\` et \`return\_documents\`, et renvoie des \`results\` avec \`index\` et \`relevance\_score\`. C'est la structure qu'attendent la plupart des clients et frameworks de reclassement : beaucoup fonctionnent après changement de l'URL, de la clé et de l'identifiant de modèle. Vérifiez les noms de champs envoyés par votre client. C'est l'estimation, par le modèle, de la pertinence du document pour la requête : plus la valeur est élevée, plus il est pertinent. Ce score sert à trier et à fixer un seuil minimal, mais ce n'est pas une probabilité, et il ne se compare pas d'un modèle de reclassement à l'autre. Oui, avec un modèle multilingue comme \`bge-reranker-v2-m3\`. Il peut noter une clause de contrat en allemand face à une question en français, situation courante dans les entreprises européennes aux documents multilingues. Gardez des tailles de morceaux comparables d'une langue à l'autre pour des scores cohérents. Ils sont traités dans des centres de données de l'UE pour calculer les scores et ne sont jamais utilisés pour entraîner des modèles. Les requêtes de reclassement servent uniquement à produire la réponse. Si votre contrat exige des règles particulières de journalisation ou de conservation, nous vous les confirmons par écrit. [Poser une question](https://inference.eu/fr/contact/) ## Pages liées [Présentation de l'API](https://inference.eu/fr/api/) - [EmbeddingsTransformez du texte en vecteurs pour la recherche, le RAG et le clustering avec une API d'embeddings compatible OpenAI, traitée dans des centres de l'UE.Endpoints](https://inference.eu/fr/api/embeddings/) - [Document conversionConvertissez vos fichiers PDF, Word, PowerPoint et Excel en Markdown propre pour le RAG et les prompts. Tableaux, titres et scans, traités dans l'UE.Outils](https://inference.eu/fr/api/document-conversion/) - [Chat completionsEnvoyez vos messages à des modèles open-weight au format chat completions d'OpenAI. Traitement dans des centres de données de l'UE, sans entraînement.Endpoints](https://inference.eu/fr/api/chat-completions/) ## Faites passer vos charges IA sur une infrastructure européenne Dites-nous quels modèles vous utilisez et votre volume approximatif. Nous répondons sous un jour ouvré avec un tarif et la suite. - Réponse sous un jour ouvré - Tarif adapté à votre volume - DPA prêt à signer