Cohere Rerank
Cohere公司提供的重排序API服务，使用交叉编码器对查询-文档对进行相关性打分，用于RAG检索结果的精排
核心事实
时间轴 (近 90 天)
重排序环节引入Cohere Rerank API，为外部调用设置3秒超时并实现断路器机制。
Cohere Rerank和Jina Reranker属于托管式API服务，底层运行Cross-Encoder类模型，但提交的查询和文档内容会离开本地环境，存在隐私合规风险。
Cohere Rerank和Jina Reranker按'每1000次搜索单元'计费，一次搜索单元定义为一次查询搭配最多100份文档；以Cohere Rerank 3为例，定价约为每1000次搜索2美元。
重排序使用交叉编码器对查询-文档对逐一打分，精度远高于向量相似度但计算成本更高，因此只对粗排后的少量候选做精排，形成粗排+精排两阶段架构。
常见的开源重排模型包括Cohere Rerank、BGE-Reranker和ms-marco系列
企业级RAG检索管线通常包含召回（向量检索+BM25关键字检索）、重排序（使用Cross-Encoder，如Cohere Rerank和BGE-Reranker）、过滤后处理等多阶段
常用开源reranker包括Cohere Rerank、bge-reranker和cross-encoder/ms-marco系列
生产中典型做法是先用向量检索和BM25快速召回50-100个候选结果，再用reranker精排取top-k送入LLM，常用开源reranker包括Cohere Rerank、bge-reranker和cross-encoder/ms-marco系列
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
全部知识事实 (12)
常用的Rerank模型包括Cohere Rerank和BGE-Reranker
80%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
65%待验证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
90%待验证重排序环节引入Cohere Rerank API，为外部调用设置3秒超时并实现断路器机制。
50%待验证Cohere Rerank和Jina Reranker按'每1000次搜索单元'计费，一次搜索单元定义为一次查询搭配最多100份文档；以Cohere Rerank 3为例，定价约为每1000次搜索2美元。
50%待验证Cohere Rerank和Jina Reranker属于托管式API服务，底层运行Cross-Encoder类模型，但提交的查询和文档内容会离开本地环境，存在隐私合规风险。
50%待验证重排序使用交叉编码器对查询-文档对逐一打分，精度远高于向量相似度但计算成本更高，因此只对粗排后的少量候选做精排，形成粗排+精排两阶段架构。
50%待验证常见的开源重排模型包括Cohere Rerank、BGE-Reranker和ms-marco系列
50%待验证企业级RAG检索管线通常包含召回（向量检索+BM25关键字检索）、重排序（使用Cross-Encoder，如Cohere Rerank和BGE-Reranker）、过滤后处理等多阶段
50%待验证常用开源reranker包括Cohere Rerank、bge-reranker和cross-encoder/ms-marco系列
50%待验证生产中典型做法是先用向量检索和BM25快速召回50-100个候选结果，再用reranker精排取top-k送入LLM，常用开源reranker包括Cohere Rerank、bge-reranker和cross-encoder/ms-marco系列
50%