已验证80% 置信事实时间未知
Reranking阶段通常使用交叉编码器（Cross-Encoder），将查询和文档拼接后联合编码，比双塔模型能更精确判断相关性但计算成本更高
8
来源数
80%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
Agentic RAG实战：原理剖析与LangChain代码实现
bilibiliAI大模型__
涉及实体
相关事实
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84% 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74% 相似已验证Reranker通常采用Cross-Encoder架构，与向量检索使用的Bi-Encoder架构形成对比73% 相似待验证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71% 相似待验证多头分类器共享一个主干编码器对输入文本生成统一向量表示，再通过多个独立分类头并行输出不同维度的预测结果70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/27055API
curl https://kongchang.com/api/v1/knowledge/claims/27055MCP
get_claim(id=27055)