重排序
信息检索中的两阶段优化技术，先通过初级检索召回候选结果，再使用交叉编码器等精度更高的模型对候选结果重新评分排序，以提升最终输入语言模型的上下文质量
核心事实
时间轴 (近 90 天)
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。
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。
在RAG链路中，切分策略、向量库选型、召回质量评估每一步都会影响最终效果。
重排序模型在初步召回之后对候选片段做更精细的相关性打分，能有效过滤掉语义相似但实际无关的噪音。
RAG管线通常包含文档切片、嵌入、向量检索、重排序和上下文拼装几个阶段。
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。
RAG实践中通常需要加入重排序（rerank）、引用溯源、无答案时拒答等机制来提升稳定性。
混合搜索加重排序是所有追求更好 RAG 的团队应该优先做的升级，而非追求更花哨的 agent 架构。
重排序可以改善结果顺序，但无法恢复初始检索阶段从未返回的证据
还有 9 条时间轴事件
全部知识事实 (20)
高级RAG已引入查询重写、混合检索和重排序等机制以提升检索准确性
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%待验证多路召回通过多个不同检索通道同时获取候选结果再进行融合排序，从而最大化召回率
60%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。
50%待验证在RAG链路中，切分策略、向量库选型、召回质量评估每一步都会影响最终效果。
50%待验证重排序模型在初步召回之后对候选片段做更精细的相关性打分，能有效过滤掉语义相似但实际无关的噪音。
50%待验证RAG管线通常包含文档切片、嵌入、向量检索、重排序和上下文拼装几个阶段。
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RAG实践中通常需要加入重排序（rerank）、引用溯源、无答案时拒答等机制来提升稳定性。
50%待验证混合搜索加重排序是所有追求更好 RAG 的团队应该优先做的升级，而非追求更花哨的 agent 架构。
50%待验证重排序可以改善结果顺序，但无法恢复初始检索阶段从未返回的证据
50%待验证语义检索与关键词检索常被成熟RAG系统结合使用（混合检索），再通过重排序模型优化结果，以兼顾召回率和精确率
50%待验证重排序的本质是在召回率和精确率之间做再平衡，属于检索与生成之间的桥梁组件
50%待验证多路检索结果进入重排序前通常需经过去重和分数归一化处理，否则不同检索路径分数量纲不一致会引入偏差
50%待验证排序模型在初步召回的结果基础上进行精细排序，把最相关的内容推到前面
50%待验证增加重排序力度或优化切分策略无法弥补底层数据结构的缺失
50%