已验证70% 置信权衡取舍精确时间
Cross-Encoder重排序模型能以更高计算代价换取更精准的结果排序
4
来源数
70%
置信度
长期有效
时效性
2026/7/15
首次发现
来源
相关事实
待验证重排序是在向量召回得到候选文档后，用交叉编码模型对结果重新打分排序，以提升最终相关性。77% 相似已验证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-Encoder73% 相似待验证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70% 相似待验证投机解码在保证输出与原模型完全一致的前提下提升生成吞吐量70% 相似待验证重排序器（reranker）通常是基于cross-encoder的第二阶段模型，把查询和候选chunk拼在一起逐对打分，精度高于双塔embedding但计算量大，所以只对召回的前50–150条重排。70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/510722API
curl https://kongchang.com/api/v1/knowledge/claims/510722MCP
get_claim(id=510722)