Skip to main content
In einer Retrieval-Augmented-Generation-Pipeline kann ein universelles LLM jede abgerufene Passage vor der Generierung bewerten. Mit GLiDE erhält jede Passage eine Wahrscheinlichkeit dafür, dass sie für die Abfrage relevant ist. Verwenden Sie die Wahrscheinlichkeit direkt zum Ranken und Filtern.

Passagen bewerten und neu ranken

Jeder score ist die Noul-Wahrscheinlichkeit, dass das true-Kriterium zutrifft. Sortieren Sie absteigend, um die stärksten Treffer an den Anfang zu stellen, und wenden Sie einen Schwellenwert an, wenn die nachgelagerte Generierung nur ausreichend relevanten Kontext erhalten soll.
Alle Noul-Fragen in diesem Beispiel teilen sich einen state, sodass GLiDE die Vorauswahl in einer Anfrage bewertet. Der vollständige State ist in jeder intern gerenderten Frage enthalten; halten Sie ihn innerhalb des Limits von 40.000 Token pro Frage. Teilen Sie größere Vorauswahlen in eine begrenzte Anzahl paralleler Anfragen auf und wiederholen Sie Anfragen bei 425, 429 und 503 mit Backoff.

Eine Passage pro Anfrage bewerten

Verwenden Sie diese einfachere Form, wenn Passagen unabhängig voneinander eintreffen:

Was sich gegenüber dem Reranking mit einem LLM ändert

  • Binäre Relevanz ist eine Wahrscheinlichkeit von 0 bis 1, keine generierte Ganzzahl.
  • Sie können denselben Wert zum Ranken und für Schwellenwerte verwenden, ohne Modelltext zu parsen.
  • Die Kriterien legen genau fest, was „relevant“ für Ihre Anwendung bedeutet.
Bewerten Sie die Ranking-Qualität und wählen Sie Schwellenwerte anhand eines gelabelten Retrieval-Datensatzes, bevor Sie den Reranker bereitstellen. Informationen zu Authentifizierung, Limits, Fehlern und dem vollständigen Antwortvertrag finden Sie unter GLiDE-Inferenz.