待验证90% 置信事实时间未知
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
1
来源数
90%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
Agentic RAG完整指南：原理解析与代码实现
bilibiliAI大模型__
涉及实体
相关事实
已验证常用的Rerank模型包括Cohere Rerank和BGE-Reranker74% 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.71% 相似待验证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70% 相似待验证微调适合让模型学习特定输出风格或领域语气，但对频繁更新的企业知识每次变更都重新微调成本极高69% 相似待验证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-Encoder68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/26774API
curl https://kongchang.com/api/v1/knowledge/claims/26774MCP
get_claim(id=26774)