概念精排
Reranker
Reranker（重排序器）是信息检索系统中的二阶段排序组件，位于初步检索之后，对候选结果进行更精细的相关性评估与重新排序。其核心作用是通过对查询与候选文档的深度交叉匹配（通常借助预训练语言模型），弥补初步检索阶段因计算效率限制而导致的排序不精准问题，从而在牺牲少量计算开销的前提下显著提升最终检索结果的准确性与相关性。
时间轴 (近 90 天)
6月3日
在RAG实际工程中，通常先召回Top-50到Top-100的候选文档，再通过Reranker精排后取Top-5到Top-10注入上下文
待验证75%
6月1日
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
待验证90%
6月1日
常用的Rerank模型包括Cohere Rerank和BGE-Reranker
已验证80%
5月31日
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
待验证90%
5月31日
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
待验证90%
5月31日
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
已验证70%