已验证80% 置信事实时间未知
常用的Rerank模型包括Cohere Rerank和BGE-Reranker
8
来源数
80%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
RAGFlow本地部署教程：Docker搭建企业级RAG知识库全流程
bilibili吴恩达LLM
涉及实体
相关事实
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74% 相似待验证常用的开源重排序模型包括BGE-Reranker系列以及基于BAAI发布的模型70% 相似已验证Rerank是在TopK初步检索后，用一个精排模型对候选片段重新打分排序，以提升送入大模型的上下文质量67% 相似已验证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-Encoder64% 相似待验证Rerank（重排）发生在调用LLM之前，重排模型同时阅读问题和候选片段输出更精确排序，常见做法是召回10-20个、重排后只保留3-5个送入LLM，从而减少上下文token量并提升答案质量。63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/18817API
curl https://kongchang.com/api/v1/knowledge/claims/18817MCP
get_claim(id=18817)