文档重排序（Rerank） ​

POST https://openqiao.com/api/v1/rerank

Rerank 接口根据文档与查询的相关性对一组文档重新排序，并为每个文档返回相关性分数。常用于检索增强生成（RAG）流程中，对一阶段召回的结果进行精排后再传递给模型。

接口同时支持文本和多模态（文本 / 图片 / 视频）重排序模型，可用的模态取决于所选模型。

请求头 ​

Authorization string * ​

Bearer Token 鉴权。

Content-Type string * ​

请求内容类型，默认为 application/json。

请求参数 ​

model string * ​

要使用的模型 ID，格式为 <provider>/<model-name>，例如 qwen/qwen3-rerank。

input object * ​

重排序输入，包含查询以及待排序的文档列表。

input.query string 或 object * ​

用于对文档进行相关性排序的查询。

• 文本重排序模型：传入纯 string。
• 多模态重排序模型：可传入内容对象，如 { "text": "..." }、{ "image": "<url-或-base64>" }、{ "video": "<url-或-base64>" }。

input.documents array * ​

待排序的文档数组，不能为空。每个元素的形式与 query 相同：

• 文本重排序传入纯 string，或
• 多模态重排序传入内容对象（{ "text": ... } / { "image": ... } / { "video": ... }）。

parameters object 可选 ​

额外的重排序选项。

parameters.top_n integer 可选 ​

返回相关性排名前 N 的文档数量。不传时返回全部文档，并按相关性排序。

parameters.return_documents boolean 可选 ​

是否在每条结果中返回原始文档内容。默认遵循供应商的行为（通常为 false）。

parameters.instruct string 可选 ​

可选的指令，用于引导模型在本次请求中如何判定相关性。

parameters.fps number 可选 ​

视频输入的抽帧帧率（fps）。仅对支持视频内容的多模态重排序模型生效。

响应 ​

返回包含排序结果的 JSON 对象。

object string ​

对象类型，固定为 list。

model string ​

执行重排序所使用的模型名称。

results array ​

排序结果数组，按相关性从高到低排列。

results object ​

index integer ​

该文档在原始 input.documents 数组中的下标。

relevance_score number ​

文档与查询的相关性分数，数值越大表示越相关。

document string 或 object ​

原始文档内容。仅当 parameters.return_documents 为 true 时返回。

usage object ​

本次请求的 Token 用量信息。

• prompt_tokens integer — 输入消耗的 Token 数。
• total_tokens integer — 总消耗的 Token 数。
• image_tokens integer — 图片输入消耗的 Token 数。仅在包含图片的多模态请求中返回。

curl https://openqiao.com/api/v1/rerank \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENQIAO_API_KEY" \
  -d '{
    "model": "qwen/qwen3-rerank",
    "input": {
      "query": "中国的首都是哪里？",
      "documents": [
        "北京是中国的首都。",
        "上海是中国最大的城市。",
        "长城是中国著名的地标。"
      ]
    },
    "parameters": {
      "top_n": 2,
      "return_documents": true
    }
  }'

import requests

resp = requests.post(
    "https://openqiao.com/api/v1/rerank",
    headers={
        "Authorization": "Bearer <your_OPENQIAO_API_KEY>",
        "Content-Type": "application/json",
    },
    json={
        "model": "qwen/qwen3-rerank",
        "input": {
            "query": "中国的首都是哪里？",
            "documents": [
                "北京是中国的首都。",
                "上海是中国最大的城市。",
                "长城是中国著名的地标。",
            ],
        },
        "parameters": {"top_n": 2, "return_documents": True},
    },
)

print(resp.json())

const resp = await fetch("https://openqiao.com/api/v1/rerank", {
  method: "POST",
  headers: {
    Authorization: "Bearer <OPENQIAO_API_KEY>",
    "Content-Type": "application/json",
  },
  body: JSON.stringify({
    model: "qwen/qwen3-rerank",
    input: {
      query: "中国的首都是哪里？",
      documents: ["北京是中国的首都。", "上海是中国最大的城市。", "长城是中国著名的地标。"],
    },
    parameters: { top_n: 2, return_documents: true },
  }),
});

console.log(await resp.json());

{
  "object": "list",
  "model": "qwen/qwen3-rerank",
  "results": [
    {
      "index": 0,
      "relevance_score": 0.98,
      "document": "北京是中国的首都。"
    },
    {
      "index": 2,
      "relevance_score": 0.42,
      "document": "长城是中国著名的地标。"
    }
  ],
  "usage": {
    "prompt_tokens": 32,
    "total_tokens": 32
  }
}

多模态重排序示例 ​

多模态重排序模型可以将图片或视频文档与文本查询进行相关性排序。此时 query 和/或 documents 需传入内容对象，而非纯字符串。

curl https://openqiao.com/api/v1/rerank \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENQIAO_API_KEY" \
  -d '{
    "model": "alibaba/gte-multimodal-rerank",
    "input": {
      "query": { "text": "一只猫在玩球" },
      "documents": [
        { "image": "https://example.com/cat.jpg" },
        { "image": "https://example.com/dog.jpg" },
        { "text": "一只猫在房间里追逐一个红色的球。" }
      ]
    },
    "parameters": {
      "top_n": 2
    }
  }'

{
  "object": "list",
  "model": "alibaba/gte-multimodal-rerank",
  "results": [
    { "index": 0, "relevance_score": 0.91 },
    { "index": 2, "relevance_score": 0.77 }
  ],
  "usage": {
    "prompt_tokens": 18,
    "total_tokens": 1042,
    "image_tokens": 1024
  }
}