Rerank（阿里云）

正式环境

https://api.302.ai

POST

/v1/reranks

embeddings用于衡量文本字符串之间的相关性。embeddings通常用于：

搜索（其中结果按照与查询字符串的相关性进行排名）
聚类（其中文本字符串按相似性分组）
推荐（推荐与相关文本字符串相关的项目）
异常检测（识别与众不同、相关性较小的异常值）
多样性测量（分析相似性分布）
分类（按最相似的标签对文本字符串进行分类）
embedding是一个浮点数列表（向量）。两个向量之间的距离衡量它们的相关性。小距离表明高度相关，大距离表明相关性低。

价格：0.02 PTC / 1M tokens

请求参数

Authorization

在 Header 添加参数

Authorization

，其值为在 Bearer 之后拼接 Token

示例：

Authorization: Bearer ********************

Header 参数

Body 参数application/json

示例

返回响应

🟢200Create embeddings

application/json

Body

请求示例

Shell

JavaScript

Java

Swift

curl --location --request POST 'https://api.302.ai/v1/reranks' \
--header 'Authorization: Bearer <token>' \
--header 'Content-Type: application/json' \
--data-raw '{
        "model": "qwen3-rerank",
        "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."
}'

响应示例

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "embedding": [
        0.0023064255,
        -0.009327292,
        .... (1536 floats total for ada-002)
        -0.0028842222
      ],
      "index": 0
    }
  ],
  "model": "text-embedding-ada-002",
  "usage": {
    "prompt_tokens": 8,
    "total_tokens": 8
  }
}

修改于 2026-01-26 03:32:47

Rerank（智源BAAI）

Chat（知识库对话）