待验证60% 置信事实时间未知
Rerank（重排序）使用Cross-Encoder模型对Top-K召回的候选片段重新打分排序，精度远高于Bi-Encoder
2
来源数
60%
置信度
长期有效
时效性
2026/5/31
首次发现
来源
RAG检索核心原理：Top-K粗召回与Rerank精排序完整流程详解
bilibiliAI产品果果姐
涉及实体
相关事实
待验证Cross-Encoder重排序模型能以更高计算代价换取更精准的结果排序73% 相似待验证Reranking uses Cross-Encoder models to perform fine-grained scoring and reordering of candidate documents against the query, improving the quality of context sent to the LLM.69% 相似待验证Reranker模型（如Cohere Rerank、BGE-Reranker、bce-reranker）同时考虑Query和Document的交互信息，排序精度更高但计算成本也更大68% 相似待验证实验表明ReAct在多跳推理任务上比纯CoT方法提升显著，且每一步推理过程均可追溯65% 相似已验证常用的Rerank模型包括Cohere Rerank和BGE-Reranker64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/11824API
curl https://kongchang.com/api/v1/knowledge/claims/11824MCP
get_claim(id=11824)