待验证95% 置信事实时间未知
Bi-Encoder将问题和文档分别独立编码成向量再计算相似度，Cross-Encoder将问题和候选文档拼接后一起输入模型通过注意力机制充分交互
1
来源数
95%
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
待验证双编码器（Bi-Encoder）将查询和文档分别独立编码为向量，通过余弦相似度或点积计算相关性，文档向量可离线预计算存入向量数据库82% 相似待验证交叉编码器（Cross-Encoder）将查询与每个候选文档拼接后联合输入同一模型，通过注意力机制捕捉词级交互，排序精度优于向量相似度，但延迟随候选集规模线性增长81% 相似待验证现代Sentence Embedding模型通常采用双塔（Bi-Encoder）结构，查询和文档分别独立编码为向量79% 相似待验证Cross-Encoder将查询和文档拼接为一个输入序列，通过Transformer的全注意力机制进行深度交互建模，代表性模型包括Cohere Rerank、BGE-Reranker、ms-marco-MiniLM等77% 相似待验证召回BERT采用Bi-Encoder（双塔模型），两句话分别生成向量再算相似度，向量可离线预计算，线上匹配速度快76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/11825API
curl https://kongchang.com/api/v1/knowledge/claims/11825MCP
get_claim(id=11825)