BGE-Reranker
基于交叉编码器的重排序模型，对查询-文档对进行精排打分，精度高于向量相似度，用于RAG系统两阶段检索的精排阶段
核心事实
时间轴 (近 90 天)
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
常见的开源重排序选择包括BGE-Reranker、Cohere Rerank API等
常用的开源重排序模型包括BGE-Reranker系列以及基于BAAI发布的模型
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 (8)
常用的Rerank模型包括Cohere Rerank和BGE-Reranker
80%已验证常见的开源重排序选择包括BGE-Reranker、Cohere Rerank API等
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%待验证常用的开源重排序模型包括BGE-Reranker系列以及基于BAAI发布的模型
50%待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
50%