Cohere Rerank 4 cuadriplica la ventana de contexto en 3,5 para reducir los errores de los agentes y aumentar la precisión de la búsqueda empresarial Mas Cipolleti
Casi un año después del lanzamiento Reclasificar 3.5Cohere ha lanzado la última versión de su modelo de búsqueda, ahora con una ventana contextual más grande para ayudar a los agentes a encontrar la información que necesitan para completar sus tareas.
Cohere dijo en una publicación de blog que Rerank 4 tiene una ventana de contexto de 32K, lo que representa un aumento de cuatro veces en comparación con 3,5.
“Esto permite que el modelo maneje documentos más largos, evalúe múltiples pasajes simultáneamente y capture relaciones entre secciones que ventanas más cortas pasarían por alto”, según la publicación del blog. “Por lo tanto, esta capacidad ampliada mejora la precisión de la clasificación para tipos de documentos realistas y aumenta la confianza en la relevancia de los resultados recuperados”.
Rerank 4 viene en dos versiones: Rápido y Pro. Como modelo más pequeño, Fast es más adecuado para casos de uso que requieren velocidad y precisión, como el comercio electrónico, la programación y el servicio al cliente. Pro está optimizado para tareas que requieren un pensamiento, precisión y análisis más profundos, como generar modelos de riesgo y realizar análisis de datos.
investigación empresarial ganó mayor importancia este año, especialmente porque los agentes de IA necesitan acceder a más información y contexto sobre la organización para la que trabajan. Cohere dijo que los reclasificadores “aumentan significativamente la precisión de la búsqueda de IA empresarial al refinar los resultados de recuperación iniciales”. La reclasificación 4 aborda la brecha de matices creada por algunas incorporaciones de codificadores duales (modelos que ayudan a facilitar las tareas de recuperación de generación aumentada (RAG)) mediante el uso de una arquitectura de codificadores cruzados “que procesa consultas y candidatos juntos, captura relaciones semánticas sutiles y reordena los resultados para mostrar los elementos más relevantes”, dijo Cohere.
Rendimiento y puntos de referencia
Cohere comparó los modelos con otros modelos de reclasificación, como Qwen Reranker 8B, Jina Rerank v3 de Elasticsearch y Voyage Rerank 2.5 de MongoDB, en tareas de los ámbitos financiero, sanitario y de fabricación. La reclasificación 4 obtuvo buenos resultados, si no superó, a sus competidores.
Rerank 3.5 se destacó por su capacidad para admitir múltiples idiomas y Cohere dijo que Rerank 4 continúa esa tendencia. Entiende más de 100 idiomas, incluida la recuperación de última generación en 10 idiomas comerciales importantes.
Agentes y modelos de reclasificación.
La reclasificación 4 tiene como objetivo hacer que los agentes de tareas comprendan qué datos se adaptan mejor a sus tareas y proporcionen más contexto.
Cohere señaló que el modelo es un componente clave de su estrategia Plataforma AI, Norteya que “se integra perfectamente con las soluciones de búsqueda de IA existentes, incluidos sistemas híbridos, vectoriales y basados en palabras clave, con cambios mínimos de código”.
A medida que más empresas buscan utilizar agentes para investigaciones y conocimientos, como lo demuestra el aumento de Funciones de búsqueda profundaLos modelos que ayudan a filtrar contenido irrelevante, como los reclasificadores, se vuelven más esenciales.
“Esto tiene un impacto especial para la IA de las agencias, donde las interacciones complejas y de varios pasos pueden aumentar rápidamente las llamadas al modelo y saturar las ventanas de contexto”, dijo Cohere.
La compañía sostiene que la Reclasificación 4 ayuda a reducir el uso de tokens y la cantidad de reintentos que un agente necesita para hacerlo bien, evitando que información de baja calidad llegue al LLM.
Autoaprendizaje
Cohere dijo que Rerank 4 se destaca no solo por sus sólidas capacidades de reclasificación, sino también por ser el primer modelo de reclasificación que aprende por sí solo.
Los usuarios pueden personalizar la Reclasificación 4 para los casos de uso que encuentran con mayor frecuencia sin ningún dato anotado adicional. Al igual que los modelos de base como GPT-5.2donde las personas pueden indicar preferencias y el modelo las recuerda, los usuarios de Rerank 4 pueden decirle al modelo sus tipos de contenido preferidos y corpus de documentos.
Si se utiliza con Rerank 4 Fast, por ejemplo, el modelo se vuelve más competitivo con los modelos más grandes porque es más preciso y atiende a los datos específicos que desean los usuarios.
“Mirando más allá, también exploramos cómo funciona la capacidad de autoaprendizaje de Rerank 4 en dominios de investigación completamente nuevos”, dijo Cohere. “Al utilizar conjuntos de datos centrados en la atención médica que imitan la necesidad de un médico de recuperar información específica del paciente, no solo el conocimiento de una disciplina médica en particular, descubrimos que permitir el autoaprendizaje produjo ganancias consistentes y sustanciales. El resultado: un aumento claro y significativo en la calidad de recuperación de Rerank 4 Fast, en todos los ámbitos”.
