Rerank
Rerank（重排序）是信息检索和自然语言处理领域中的一种技术，用于对初步检索阶段返回的候选结果进行二次排序。其核心思路是利用语义理解能力更强的模型（如Cross-Encoder）对查询与候选文档的相关性进行精细化评分，从而提升最终结果的排序质量。常见于搜索引擎、问答系统及检索增强生成（RAG）等场景，兼顾检索效率与精度。
Timeline (last 90 days)
在RAG实际工程中，通常先召回Top-50到Top-100的候选文档，再通过Reranker精排后取Top-5到Top-10注入上下文
重排（Reranking）通常使用交叉编码器对每个片段与用户问题的相关性重新评估
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
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
RAG检索阶段采用两阶段策略：第一阶段向量检索采用双编码器架构进行粗排，第二阶段Rerank模型采用交叉编码器架构进行精排
常用的Rerank模型包括Cohere Rerank和BGE-Reranker
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