Rerank
Rerank（重排序）是信息检索和自然语言处理领域中的一种技术，用于对初步检索阶段返回的候选结果进行二次排序。其核心思路是利用语义理解能力更强的模型（如Cross-Encoder）对查询与候选文档的相关性进行精细化评分，从而提升最终结果的排序质量。常见于搜索引擎、问答系统及检索增强生成（RAG）等场景，兼顾检索效率与精度。
核心事实
时间轴 (近 90 天)
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。
多租户 RAG 的检索质量优化包括分块策略、混合检索（向量+关键词）、重排序（Rerank）等工程细节。
Rerank（重排）发生在调用LLM之前，重排模型同时阅读问题和候选片段输出更精确排序，常见做法是召回10-20个、重排后只保留3-5个送入LLM，从而减少上下文token量并提升答案质量。
Rerank（重排序）是RAG多路召回后的精排环节，用于对候选文档与问题的相关性进行更精细的打分。
在重排阶段，反向指代（如'如前所述'）和模糊标题特别致命，因为它们让块在被孤立评估时丢失关键信息。
Rerank是在TopK初步检索后，用一个精排模型对候选片段重新打分排序，以提升送入大模型的上下文质量
RAG工程的准确率由文档切片策略、向量化模型选择、相似度阈值调优、重排序（Rerank）机制共同决定
工程上普遍采用粗检索（向量召回Top50）+精排（Rerank取Top5）的两阶段策略，以平衡性能与准确率
向量检索精度的常见优化手段包括调整分块策略、使用重排序模型（Reranker）以及混合检索（关键词+语义）
重排（Rerank）是对检索结果进行二次排序以提升相关性的步骤
还有 3 条时间轴事件
全部知识事实 (17)
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RAG工程的准确率由文档切片策略、向量化模型选择、相似度阈值调优、重排序（Rerank）机制共同决定
75%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Rerank是在TopK初步检索后，用一个精排模型对候选片段重新打分排序，以提升送入大模型的上下文质量
65%已验证完整的RAG链路包括文档切片、向量存储、重排和检索到生成四个环节
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RAG检索阶段采用两阶段策略：第一阶段向量检索采用双编码器架构进行粗排，第二阶段Rerank模型采用交叉编码器架构进行精排
90%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%待验证多租户 RAG 的检索质量优化包括分块策略、混合检索（向量+关键词）、重排序（Rerank）等工程细节。
50%待验证Rerank（重排）发生在调用LLM之前，重排模型同时阅读问题和候选片段输出更精确排序，常见做法是召回10-20个、重排后只保留3-5个送入LLM，从而减少上下文token量并提升答案质量。
50%待验证Rerank（重排序）是RAG多路召回后的精排环节，用于对候选文档与问题的相关性进行更精细的打分。
50%待验证在重排阶段，反向指代（如'如前所述'）和模糊标题特别致命，因为它们让块在被孤立评估时丢失关键信息。
50%待验证工程上普遍采用粗检索（向量召回Top50）+精排（Rerank取Top5）的两阶段策略，以平衡性能与准确率
50%待验证向量检索精度的常见优化手段包括调整分块策略、使用重排序模型（Reranker）以及混合检索（关键词+语义）
50%待验证重排序（Rerank）技术是提升召回精度的关键一环
50%待验证语义分块 + 混合检索 + Rerank重排序已成为当前工业界RAG优化的标准配置，Rerank通常由专门训练的交叉编码器完成
50%