交叉编码器
交叉编码器（Cross-Encoder）是一种将查询和文档拼接后一起输入模型进行相关性打分的重排序架构，通过注意力机制捕捉词语级细粒度交互，精度高于双编码器，但计算开销更大，通常用于对召回候选集进行二次精排。
核心事实
时间轴 (近 90 天)
传统交叉编码器重排序在长文档场景下存在信号稀释效应：无关内容会拉低本应很高的相关性判断。
交叉编码器输出的logit在softmax归一化后对引用概率呈指数级放大效应，因此微小的向量相似度差异不足以决定胜负。
在实测中，稠密向量相似度差异可能仅0.10到0.15，但交叉编码器对包含工程三元组的文本块的分数可跃升4.0到6.0个logit。
现代生成式搜索引擎的混合RAG管线通常先由双编码器召回20个候选，再由交叉编码器精排，图匹配提供确定性三元组。
交叉编码器将查询和文档拼接后一起送入 Transformer，能捕捉更深层的相关性信号，但无法预计算文档表示，每个查询-文档对都需要一次前向传播，因此只适合对少量候选做精排。
交叉编码器无法预计算，每个（查询，文档）对都要跑一次前向推理，对百万级语料不可行。
标准做法是把交叉编码器仅用于对检索返回的几十个候选做精排，形成“粗召回 + 精排序”的两阶段流水线。
交叉编码器评估 top 25 个候选大约需要 20-50 毫秒，引入重排序器通常能减少 40%-60% 的不相关上下文注入。
交叉编码器比双编码器更准确，因为它将[query, doc]拼接后送入Transformer，让注意力机制在词级直接比对，但无法预建索引只能用于精排。
检索管道采用四阶段流水线：并行稠密+稀疏检索、RRF融合、交叉编码器重排、最终筛选。
还有 15 条时间轴事件
全部知识事实 (20)
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
80%已验证重排（Rerank）是对检索结果进行二次排序以提升相关性的步骤
75%已验证交叉编码器比双编码器更准确，因为它将[query, doc]拼接后送入Transformer，让注意力机制在词级直接比对，但无法预建索引只能用于精排。
70%已验证重排器通常使用交叉编码器实现，将查询和文档拼接后联合输入Transformer模型，排序精度显著高于初检阶段
65%已验证重排序通常使用交叉编码器实现，将查询和候选文档拼接后同时输入，通常只对Top-50到Top-100候选重排，最终选取Top-3到Top-5送入生成模型
65%已验证交叉编码器（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
65%已验证重排序（Re-ranking）机制在初步检索后引入交叉编码器（Cross-Encoder）对候选文档重新打分，提升输入大模型的上下文质量
65%已验证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
65%待验证重排（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
90%待验证传统交叉编码器重排序在长文档场景下存在信号稀释效应：无关内容会拉低本应很高的相关性判断。
50%待验证交叉编码器输出的logit在softmax归一化后对引用概率呈指数级放大效应，因此微小的向量相似度差异不足以决定胜负。
50%待验证在实测中，稠密向量相似度差异可能仅0.10到0.15，但交叉编码器对包含工程三元组的文本块的分数可跃升4.0到6.0个logit。
50%待验证现代生成式搜索引擎的混合RAG管线通常先由双编码器召回20个候选，再由交叉编码器精排，图匹配提供确定性三元组。
50%待验证交叉编码器将查询和文档拼接后一起送入 Transformer，能捕捉更深层的相关性信号，但无法预计算文档表示，每个查询-文档对都需要一次前向传播，因此只适合对少量候选做精排。
50%待验证标准做法是把交叉编码器仅用于对检索返回的几十个候选做精排，形成“粗召回 + 精排序”的两阶段流水线。
50%待验证交叉编码器无法预计算，每个（查询，文档）对都要跑一次前向推理，对百万级语料不可行。
50%待验证交叉编码器评估 top 25 个候选大约需要 20-50 毫秒，引入重排序器通常能减少 40%-60% 的不相关上下文注入。
50%待验证检索管道采用四阶段流水线：并行稠密+稀疏检索、RRF融合、交叉编码器重排、最终筛选。
50%待验证LLM判断器被提示去模仿的'这个块相关吗？'任务，本质上就是交叉编码器的评分函数；用专用重排序器替换LLM判断器通常是最容易实现的迁移胜利，因为两者输出形态完全一致且重排序器的分数经过校准。
50%待验证重排序通常是单位投入下质量提升最大的手段：先检索30到50条较宽裕的候选集，再用交叉编码器或重排模型重新打分
50%