Verified80% confidenceFactTime unknown
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
Sources
80%
Confidence
Long-term
Relevance
6/1/2026
First Seen
Sources
Agentic RAG实战：原理剖析与LangChain代码实现
bilibiliAI大模型__
Related Entities
Related Claims
Unverified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% similarUnverifiedCross-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% similarVerifiedReranker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% similarUnverifiedBi-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% similarUnverified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% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/27055API
curl https://kongchang.com/api/v1/knowledge/claims/27055MCP
get_claim(id=27055)