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。
核心事实
时间轴 (近 90 天)
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。
更换Retriever或Reranker会直接改变送入模型的上下文，进而影响整个RAG系统的输出质量，因此任何组件变更都需要评估检索质量是否退化。
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。
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）
全部知识事实 (11)
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
90%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
75%待验证文档切分策略是RAG系统中对最终效果影响最大的环节之一，研究表明其影响甚至超过模型选择本身
60%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%待验证更换Retriever或Reranker会直接改变送入模型的上下文，进而影响整个RAG系统的输出质量，因此任何组件变更都需要评估检索质量是否退化。
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%