Cross-Encoder
Cross-Encoder是一种自然语言处理中的文本对编码架构，将两段文本（如查询与文档）拼接后输入单一编码器，通过注意力机制进行深度交互建模，直接输出相关性得分。与双编码器（Bi-Encoder）相比，Cross-Encoder具有更高的语义匹配精度，但推理效率较低，常用于信息检索、问答系统及重排序（Reranking）等需要精细语义理解的任务中。
核心事实
时间轴 (近 90 天)
Cohere Rerank和Jina Reranker属于托管式API服务，底层运行Cross-Encoder类模型，但提交的查询和文档内容会离开本地环境，存在隐私合规风险。
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。
Cross-Encoder与Bi-Encoder有本质区别：Bi-Encoder独立编码查询和文档，速度快但精度有限，适合第一阶段召回；Cross-Encoder将[query, document]拼接输入Transformer，精度更高但无法预计算，适合对Top-20到Top-100的小候选集重排序。ms-marco-MiniLM-L-6-v2是6层结构，单次推理约几十毫秒，是生产环境中性价比高的重排序选择。
混合检索的四阶段流程为：第一阶段并行稠密检索和稀疏检索；第二阶段用RRF融合，k_constant默认60，稠密权重0.7，稀疏权重0.3；第三阶段用Cross-Encoder重排序（推荐ms-marco-MiniLM-L-6-v2）；第四阶段截取Top-K，默认k=5，fetch_k=20。
两步检索架构优于一步检索，因为向量相似度擅长快速粗筛大规模语料库，而Cross-Encoder计算开销更大但能更细致理解语义匹配
交叉编码器只适合对已缩小的候选集（通常20–50条）重新排序，而非扫描全量索引
交叉编码器只适合对候选集（通常 20-100 个）做精排，而非全量检索
Advanced Hybrid RAG 整合向量搜索、关键词检索（BM25）、元数据过滤和交叉编码器重排序四个环节
Cross-Encoder将查询与候选代码片段拼接后一同输入，打分精度高于Bi-Encoder但计算开销更大，因此通常只对ANN召回的Top-K候选结果进行重排
Advanced RAG在检索前引入Query Rewriting（查询改写）和HyDE（假设性文档嵌入）优化查询质量，在检索后通过Cross-Encoder重排序和上下文压缩提升相关性
还有 2 条时间轴事件
全部知识事实 (20)
混合检索（Hybrid Search）将向量检索与BM25关键词检索的结果通过RRF（倒数排名融合）等算法合并，兼顾语义理解与精确匹配
90%已验证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Reranker通常采用Cross-Encoder架构，与向量检索使用的Bi-Encoder架构形成对比
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%已验证标准RAG流程分为索引、检索、生成三个阶段
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%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Bi-Encoder将问题和文档分别独立编码成向量再计算相似度，Cross-Encoder将问题和候选文档拼接后一起输入模型通过注意力机制充分交互
95%待验证AI Search使用两阶段检索架构：第一阶段基于向量相似度粗筛，第二阶段使用Reranker模型精排
90%待验证重排序通常采用CrossEncoder架构，将查询与候选块拼接后进行相关性评分，在工业级RAG系统中已成为标准的粗排+精排两阶段架构
60%待验证Cohere Rerank和Jina Reranker属于托管式API服务，底层运行Cross-Encoder类模型，但提交的查询和文档内容会离开本地环境，存在隐私合规风险。
50%待验证Cross-Encoder与Bi-Encoder有本质区别：Bi-Encoder独立编码查询和文档，速度快但精度有限，适合第一阶段召回；Cross-Encoder将[query, document]拼接输入Transformer，精度更高但无法预计算，适合对Top-20到Top-100的小候选集重排序。ms-marco-MiniLM-L-6-v2是6层结构，单次推理约几十毫秒，是生产环境中性价比高的重排序选择。
50%待验证混合检索的四阶段流程为：第一阶段并行稠密检索和稀疏检索；第二阶段用RRF融合，k_constant默认60，稠密权重0.7，稀疏权重0.3；第三阶段用Cross-Encoder重排序（推荐ms-marco-MiniLM-L-6-v2）；第四阶段截取Top-K，默认k=5，fetch_k=20。
50%待验证两步检索架构优于一步检索，因为向量相似度擅长快速粗筛大规模语料库，而Cross-Encoder计算开销更大但能更细致理解语义匹配
50%待验证交叉编码器只适合对已缩小的候选集（通常20–50条）重新排序，而非扫描全量索引
50%待验证Advanced Hybrid RAG 整合向量搜索、关键词检索（BM25）、元数据过滤和交叉编码器重排序四个环节
50%