待验证50% 置信事实精确时间
RASS 的核心机制基于排名感知的列表耦合（rank-aware list coupling），包括按提议-目标均值位移排序候选、以优化权重采样排名、最大耦合加残差修正三步
1
来源数
50%
置信度
长期有效
时效性
2026/10/5
首次发现
来源
涉及实体
相关事实
待验证重排序（Rerank）模型如Cohere Rerank、BGE-Reranker利用Cross-Encoder架构对查询与文档相关性进行精细评分，是RAG精度优化的关键一环70% 相似待验证向量检索精度的常见优化手段包括调整分块策略、使用重排序模型（Reranker）以及混合检索（关键词+语义）64% 相似待验证重排序通常采用CrossEncoder架构，将查询与候选块拼接后进行相关性评分，在工业级RAG系统中已成为标准的粗排+精排两阶段架构64% 相似待验证实际系统中采用粗排+精排两阶段策略：先用向量相似度快速召回Top100或Top50候选，再用reranker精细打分取Top5或Top10交给大模型63% 相似待验证本地三件套排名算法综合考量相关性、距离和知名度三大核心因素62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/975744API
curl https://kongchang.com/api/v1/knowledge/claims/975744MCP
get_claim(id=975744)