ReRankEval
开源混合RAG检索评测管线，集成稠密向量检索、BM25关键词检索、RRF融合与LLM重排序，支持多策略横向对比评测
时间轴 (近 90 天)
开发者 Saurabh Kamal 开源了一套名为 ReRankEval 的混合检索管线，并配套发布了完整代码与视频讲解
ReRankEval 项目采用 prompt 驱动的 LLM 重排序器，让大模型直接判断每个候选文档与问题的相关程度并重新排序
项目引入三项标准检索评测指标：Hit Rate（命中率）、MRR（平均倒数排名）、NDCG（归一化折损累计增益）
作者用五份真实金融/支付文档和十个人工核验过的测试问题，对仅向量、仅BM25、无重排序的混合检索以及完整ReRankEval四种方案做了横向对比
项目采用 ingest → vector_store → sparse_retriever → fusion → reranker → pipeline → generate → eval 的分层目录结构，将摄入侧与查询侧解耦
LLM 重排序计算开销大，但只作用于少量候选时整体成本可控，精度提升往往明显
全部知识事实 (6)
ReRankEval 项目采用 prompt 驱动的 LLM 重排序器，让大模型直接判断每个候选文档与问题的相关程度并重新排序
50%待验证项目引入三项标准检索评测指标：Hit Rate（命中率）、MRR（平均倒数排名）、NDCG（归一化折损累计增益）
50%待验证作者用五份真实金融/支付文档和十个人工核验过的测试问题，对仅向量、仅BM25、无重排序的混合检索以及完整ReRankEval四种方案做了横向对比
50%待验证项目采用 ingest → vector_store → sparse_retriever → fusion → reranker → pipeline → generate → eval 的分层目录结构，将摄入侧与查询侧解耦
50%待验证LLM 重排序计算开销大，但只作用于少量候选时整体成本可控，精度提升往往明显
50%待验证开发者 Saurabh Kamal 开源了一套名为 ReRankEval 的混合检索管线，并配套发布了完整代码与视频讲解
50%