Voyage rerank-2.5

托管 API · Voyage AI · 更新于 2026 年 8 月 11 日

Voyage AI 做重排序器只有一个目标：把检索精度做到最高。当前一代 rerank-2.5 与 rerank-2.5-lite 把上下文窗口翻倍到 32,000 token，并加入了指令跟随 —— 你可以用一句自然语言来定义什么算「相关」，而不必微调。计费按 token，段落较短时相当便宜。

可用模型

2.5 系列的 32K 上下文足以直接重排长篇法律、医疗或金融文档，无需先切块。更有意思的变化是指令跟随：一句 「优先引用了法条的段落」 就能重塑排序，完全不需要训练数据。

价格

Voyage 采用按 token 计费，在高流量下更具成本效益。当前费率请查阅 Voyage AI 官网。

快速上手

Python

pip install voyageai

import voyageai

vo = voyageai.Client(api_key="YOUR_API_KEY")

query = "How do I add reranking to my RAG pipeline?"
documents = [
    "Rerankers score each query-passage pair with a cross-encoder.",
    "BM25 is a classical keyword-based retrieval method.",
    "London is the capital of the United Kingdom.",
    "Two-stage retrieval: retrieve 50 candidates, rerank to top 5.",
]

result = vo.rerank(
    query=query,
    documents=documents,
    model="rerank-2.5",
    top_k=3,
)

for r in result.results:
    print(f"{r.relevance_score:.4f}  {documents[r.index][:80]}")

REST（curl）

curl https://api.voyageai.com/v1/rerank \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "rerank-2.5",
    "query": "How do I add reranking to my RAG pipeline?",
    "documents": ["Rerankers score...", "BM25 is..."],
    "top_k": 3
  }'

在 RAG 流水线中

import voyageai

vo = voyageai.Client(api_key="YOUR_API_KEY")

def rag_answer(query: str, vector_db, llm) -> str:
    # Stage 1: retrieve wide
    candidates = vector_db.search(query, top_k=50)
    # Stage 2: rerank tight
    result = vo.rerank(query=query, documents=candidates, model="rerank-2.5", top_k=5)
    top5 = [candidates[r.index] for r in result.results]
    # Stage 3: generate
    return llm.complete(f"Context:\n" + "\n\n".join(top5) + f"\n\nQ: {query}")

优缺点

其他模型