Cross-Encoder是一种自然语言处理中的文本对编码架构，将两段文本（如查询与文档）拼接后输入单一编码器，通过注意力机制进行深度交互建模，直接输出相关性得分。与双编码器（Bi-Encoder）相比，Cross-Encoder具有更高的语义匹配精度，但推理效率较低，常用于信息检索、问答系统及重排序（Reranking）等需要精细语义理解的任务中。
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
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
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-Encoder
AI Search使用两阶段检索架构：第一阶段基于向量相似度粗筛，第二阶段使用Reranker模型精排
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
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