AI Aulis

AI-NYHETER PÅ SVENSKA · 15 november 2026

De viktigaste AI-nyheterna varje morgon. AI skriver och granskar artiklarna mot originalkällorna – kontrollera viktiga uppgifter i källorna.

26 artiklar · nästa nummer i morgon bitti · Så görs tidningen →

← Numret 15 november 2026Tidningen

OpenRouters test: Voyages modell höjde andelen rätta förstaträffar från 81 till 97 procent

AI-genererat innehållSkriven av AI

github.com, openrouter.ai · 3 källor · Källornas publiceringsdatum: 13 november 2026 · Publiceringstidpunkten är okänd för vissa källor

I OpenRouters eget test med ett litet syntetiskt material placerade enbart vektorsökning rätt textavsnitt först i 81 procent av frågorna. När voyageai/rerank-3-lite rankade om 30 kandidater steg andelen till 97 procent, för omkring 0,10 dollar per 1 000 frågor.

På sin blogg publicerade OpenRouter den 13 november en jämförelse av omrankning i RAG-tillämpningar. En RAG-tillämpning hämtar textavsnitt ur egna dokument och ger dem till en stor språkmodell som underlag för svaret. Företaget jämförde 11 omrankningsmodeller (reranker) samt deras fördröjning och pris.

Varför vektorsökning slår fel

Vektorsökning komprimerar varje textavsnitt till en enda vektor redan innan frågan är känd. I ett avsnitt på 130 ord är tjänstenivåns namn bara ett eller två ord, så avsnitt som beskriver olika nivåers begränsningar ser nästan likadana ut för sökningen, uppger OpenRouter. När testet frågade efter behållargränsen för Growth-nivån placerade google/gemini-embedding-2 avsnitten om nivåerna Starter, Enterprise och Scale överst. Det rätta kom först på femte plats.

En omrankningsmodell läser frågan och varje kandidat tillsammans och poängsätter kandidaterna på nytt. Den är för långsam för hela materialet, så vektorsökningen begränsar först urvalet. OpenRouter rekommenderar att man hämtar omkring 30 kandidater och ger de tre bästa till språkmodellen.

Testmaterialet bestod av 274 modellgenererade textavsnitt och frågor om den fiktiva lagringstjänsten Fernbank. Varje fråga hade ett enda rätt avsnitt, så resultatet räknades fram automatiskt. Företaget varnar för att materialet är litet och syntetiskt och att nyttan kan bli en annan med verkliga dokument.

Resultat och priser

Alla modeller rankade om samma 30 kandidater som gemini-embedding-2 hade hämtat. Tabellen visar hur ofta rätt avsnitt hamnade först (precision@1).

Modell Rätt först Fördröjning, median (s) Pris / 1 000 frågor
Ingen omrankning 81,0 % – –
voyageai/rerank-3 97,8 % 1,27 0,26 $
voyageai/rerank-3-lite 97,1 % 1,26 0,10 $
cohere/rerank-4-pro 95,3 % 1,54 2,50 $
qwen/qwen3-reranker-8b 92,3 % 1,51 1,49 $
cohere/rerank-v3.5 90,5 % 1,47 1,00 $
openai/gpt-6-luna (språkmodell) 99,6 % 4,01 0,70 $
google/gemini-3.8-flash (språkmodell) 100 % 3,25 4,14 $

OpenRouters körning den 8 oktober 2026, 274 frågor, urval av 11 modeller. Omkring 0,9 s av fördröjningen är testdatorns nätverksfördröjning.

Skillnaden mellan Voyages modeller är bara två frågor, och enligt OpenRouter visar den inte att den dyrare modellen är bättre. Språkmodellerna läste alla 30 avsnitt på en gång och var mest träffsäkra. Deras medianfördröjning var 3,3–4,4 sekunder, mot omkring 1,3 för omrankningsmodellerna. Det är inte säkert att fördelen består i ett rörigare material, uppger företaget.

När anthropic/claude-haiku-5.5 fick tre omrankade avsnitt var 99,3 procent av dess svar rätt. Med tre avsnitt utan omrankning var andelen 95,6 procent. Jämfört med fem avsnitt utan omrankning steg den totala kostnaden netto med 0,04 dollar per 1 000 frågor. Omrankningen kostade 0,10 dollar, men språkmodellens svarskostnad sjönk från 0,22 till 0,16 dollar när den fick tre avsnitt i stället för fem.

Begränsningar

Omrankning kan bara lyfta en kandidat som vektorsökningen har hittat. När voyageai/voyage-4-lite hämtade 50 kandidater i stället för 30 förbättrades resultatet med en fråga. Ett avsnitt som passar ämnet är inte heller alltid det rätta: i bloggens exempel med sex avsnitt hamnade en obesvarad forumfråga på andra plats.

cohere/rerank-v3.5 läser bara de första 4 096 token i ett dokument och varnar inte när texten kortas av. När parametern input_type saknades i anropet till inbäddningsmodellen försämrades resultatet med 7–12 procentenheter.

Omrankningsmodellerna används via OpenRouters /rerank-gränssnitt; språkmodeller fungerar inte där. Voyage och Qwen debiterar per token, Cohere per sökning. Exempelkoden i dokumentationens RAG-guide skiljer sig från testet: den använder cohere/rerank-v3.5, sätter inte parametern input_type och rekommenderar 10–20 kandidater.

Anmäl ett fel i artikeln