Voyage rerank-3

托管 API · Voyage AI · 更新于 2026 年 10 月 5 日

Voyage AI 当前的重排序模型是 rerank-3 —— Voyage 称之为准确度最高、推荐大多数应用使用的模型 —— 以及为延迟优化的 rerank-3-lite。两者都支持 query 加文档共 32,000 token，都按 token 计费，每个账号各送 200 million 免费 token。上一代 rerank-2.5 仍以相同价格提供 —— 而且 Voyage 文档里写明支持自然语言指令和 Batch API 的，正是它。

可用模型

每次请求：query 最多 8,000 token，query 加任一篇文档最多 32,000 token，文档最多 1,000 篇，总量最多 60 万 token —— query 按每篇文档各算一次。

指令 —— 例如在 query 里加一句「优先选择引用了法条的段落」 —— 无需训练数据就能改变相关性判断。Voyage 从 rerank-2.5 开始支持指令，rerank-3 的发布公告说 Rerank 3 系列保留了这一能力：在 Voyage 自己的测试中，rerank-3 在指令跟随基准 MAIR 上与 rerank-2.5 持平。

rerank-3 有哪些变化

Voyage 于 2026 年 9 月 30 日发布 rerank-3 和 rerank-3-lite，作为 2.5 系列的直接升级：API、上下文长度、指令支持和价格都不变，相关性分数也按 2.5 模型的分布校准过，所以在 2.5 上调好的阈值应该仍然适用。rerank-2.5 继续提供。

• 长文档和代码提升最大。在 LongEmbed 上，rerank-3 比 rerank-2.5 高 3.35%；在 Voyage 的代码数据集上提升约 2%。
• 与其他重排序模型相比。在 Voyage 的 95 个数据集测试中（对四种第一阶段检索各自的前 100 条重排序，NDCG@10），Voyage 报告 rerank-3 比 Cohere Rerank v4.0 Pro 高 2.72%，比 Qwen3-Reranker-8B 高 3.02%。
• 据 Voyage 称，rerank-3-lite 以 rerank-2.5 40% 的价格达到了它的质量。

以上都是 Voyage 自己的评测，目前还没有独立基准测过 rerank-3。来源：Voyage 的发布公告。Voyage 还在 Hugging Face 上公开了每个模型的分词器（不含模型权重），可以在被计费之前先在本地统计 token 数。

价格

计费 token = query token × 文档数 + 全部文档 token。按标价，100 篇各 500 token（含 query）的文档在 rerank-3 上花费 $0.0025 —— 这是 Voyage 自己举的例子，恰好等于 Cohere Rerank 4 Pro 一次检索的价格。Voyage 价格页里仍有一句话说 rerank-2.5 含免费 token，但同一页的价格表把 rerank-2.5 列在不送免费 token 的旧模型里；我们以价格表为准。价格取自 docs.voyageai.com/docs/pricing，2026 年 10 月 1 日核对，本站来源检查每天复核。

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-3",
    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-3",
    "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-3", 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