已验证80% 置信事实时间未知
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
11
来源数
80%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
Agentic RAG实战：原理剖析与LangChain代码实现
bilibiliAI大模型__
涉及实体
相关事实
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84% 相似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80% 相似待验证交叉编码器将查询和文档拼接为一个序列通过全注意力机制联合编码，精度高但计算复杂度为O(n)级别，只适合对初检结果Top-K（通常20-100条）精排76% 相似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。75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/27055API
curl https://kongchang.com/api/v1/knowledge/claims/27055MCP
get_claim(id=27055)