交叉编码器
交叉编码器（Cross-Encoder）是一种将查询和文档拼接后一起输入模型进行相关性打分的重排序架构，通过注意力机制捕捉词语级细粒度交互，精度高于双编码器，但计算开销更大，通常用于对召回候选集进行二次精排。
核心事实
时间轴 (近 90 天)
交叉编码器的计算量大致随输入 token 数增长，因此控制上下文范围（如截断过长片段或减少候选数量）可降低推理延迟和算力消耗。
RAG的重排序（Rerank）阶段用交叉编码器对查询与候选片段逐对打分，把真正能回答问题的片段排到前面。
Rerank模型通常是交叉编码器，精度高于双编码器但计算开销大，适合对top-50等少量候选精排。
传统交叉编码器重排序在长文档场景下存在信号稀释效应：无关内容会拉低本应很高的相关性判断。
现代生成式搜索引擎的混合RAG管线通常先由双编码器召回20个候选，再由交叉编码器精排，图匹配提供确定性三元组。
交叉编码器输出的logit在softmax归一化后对引用概率呈指数级放大效应，因此微小的向量相似度差异不足以决定胜负。
在实测中，稠密向量相似度差异可能仅0.10到0.15，但交叉编码器对包含工程三元组的文本块的分数可跃升4.0到6.0个logit。
交叉编码器将查询和文档拼接后一起送入 Transformer，能捕捉更深层的相关性信号，但无法预计算文档表示，每个查询-文档对都需要一次前向传播，因此只适合对少量候选做精排。
标准做法是把交叉编码器仅用于对检索返回的几十个候选做精排，形成“粗召回 + 精排序”的两阶段流水线。
交叉编码器无法预计算，每个（查询，文档）对都要跑一次前向推理，对百万级语料不可行。
还有 19 条时间轴事件
全部知识事实 (20)
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
80%已验证重排（Rerank）是对检索结果进行二次排序以提升相关性的步骤
75%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。
70%已验证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
70%已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。
65%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
65%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
65%已验证重排序（Re-ranking）机制在初步检索后引入交叉编码器（Cross-Encoder）对候选文档重新打分，提升输入大模型的上下文质量
65%已验证Transformer的编码器负责将输入序列映射为上下文表示，适用于分类理解类任务；解码器自回归生成输出序列，适用于文本生成任务
65%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-Encoder
65%待验证重排（Reranking）通常使用交叉编码器对每个片段与用户问题的相关性重新评估
90%待验证重排模型会对查询和每个候选文档进行更精细的相关性打分，将最相关的文档排在前列，从而提升检索质量
60%待验证交叉编码器的计算量大致随输入 token 数增长，因此控制上下文范围（如截断过长片段或减少候选数量）可降低推理延迟和算力消耗。
50%待验证RAG的重排序（Rerank）阶段用交叉编码器对查询与候选片段逐对打分，把真正能回答问题的片段排到前面。
50%待验证Rerank模型通常是交叉编码器，精度高于双编码器但计算开销大，适合对top-50等少量候选精排。
50%待验证传统交叉编码器重排序在长文档场景下存在信号稀释效应：无关内容会拉低本应很高的相关性判断。
50%待验证交叉编码器输出的logit在softmax归一化后对引用概率呈指数级放大效应，因此微小的向量相似度差异不足以决定胜负。
50%待验证现代生成式搜索引擎的混合RAG管线通常先由双编码器召回20个候选，再由交叉编码器精排，图匹配提供确定性三元组。
50%待验证在实测中，稠密向量相似度差异可能仅0.10到0.15，但交叉编码器对包含工程三元组的文本块的分数可跃升4.0到6.0个logit。
50%