什么是 重排序(Reranking)?

更新于

重排序(Reranking)是在已召回候选集合上,把 Query 与每个候选共同评分,再按任务需要重新排列候选的第二阶段排序操作。它通常位于关键词、稠密或混合检索之后,因为成对评分的成本高于独立建立文档索引。

快速了解

全称信息检索与 RAG 中的重排序
创建时间随着 2023-2024 年 RAG 技术的工程化落地,Rerank 作为解决检索痛点的核心手段被广泛采用。
规范文档官方规范

工作原理

重排序只能改善已有候选集的顺序,不能生成召回阶段完全遗漏的内容,也不能证明片段已构成充分证据或当前用户有权访问它。Cross-Encoder 是常见的重排序器:它同时读取 Query 与候选内容,捕捉独立 Embedding 可能遗漏的交互信号,并返回模型特定的分数。Late Interaction、学习特征和任务规则也可用于重排序,因此不能只凭 Rerank 这个名称推断具体实现。

Cross-Encoder 分数是排序信号,不是可以跨模型复用的概率。有的模型输出 Logit,而不是 0 到 1 的数值;模型 Revision、语言、Query 形态、文档长度和候选来源都会改变分数分布。任何阈值、拒答或自动化动作都应使用目标负载的带标注样本校准,而不是复制厂商示例中的固定分数。

生产评测应固定语料、权限、查询、来源 Revision 和候选生成策略,再比较基线与重排序版本。先测重排前的 Candidate Recall@K,再测 nDCG、MRR、Precision@K、回答证据支持度、p50/p95 延迟、成本和失败切片。Retriever、Reranker、Prompt 或 Context Assembler、Policy 与评测集必须共同版本化,排序变化才可解释。

主要特点

  • 第二阶段操作:重排已有候选集,而不是默认遍历整个语料库
  • 常用 Cross-Encoder:联合处理 Query 与单个候选,但不生成可复用的文档 Embedding
  • 受候选召回限制:未进入候选集的相关来源无法被提升
  • 分数是模型和负载相关信号,必须在自动化阈值或决策前完成校准
  • 延迟与成本受候选数量和输入长度影响,候选深度需要与质量一起评测
  • 私有内容进入 Reranker 前仍需完成授权与来源生命周期过滤

常见用途

  1. 在 RAG 回答组装证据前,对混合或稠密检索候选重新排序
  2. 在关键词和语义候选生成后,为客服知识库排序文章
  3. 在已授权的小范围文档内选出与当前问题最相关的片段
  4. 使用离线相关性和回答证据评测对比不同检索版本
  5. 在租户、语言、时效和文档类型过滤后应用任务专用排序模型

示例

loading...
Loading code...

常见问题

重排序与检索有什么区别?

检索从语料库生成候选集,通常依赖关键词、稠密或混合索引;重排序更细致地比较 Query 与每个候选,再改变其顺序。候选生成阶段排除的相关文档,重排序无法重新找回。

所有重排序器都是 Cross-Encoder 吗?

不是。Cross-Encoder 是常见的成对排序架构,Late Interaction、学习特征、规则和其他任务专用 Ranker 也可用于重排序。接口应记录实际模型与分数语义,不能假设所有 Reranker 行为相同。

可以使用固定的重排序分数阈值吗?

不能安全地跨模型或负载复用。部分模型输出 Logit,不同模型、语言、文档长度和候选来源也会改变分数分布。保留、拒绝或拒答阈值必须在目标模型 Revision 的带标注查询、Hard Negative 和文档类型上校准。

Reranker 应该处理多少候选?

没有通用 Top-K。先把候选深度增加到相关证据足以稳定进入 Reranker,再测排序增益是否值得 p95 延迟和成本。必须在相同过滤条件与语料上一起评估候选 Recall 和最终排名。

重排序能避免 RAG 幻觉吗?

不能。更好的排序可能改善模型看到的证据,但不能证明来源权威、内容充分、数据新鲜、访问已授权或结论被证据支持。还需要检索评测、证据充分性检查、引用校验和明确的无答案策略。

相关术语

相关文章

RAG 混合检索与重排架构设计:融合、评测与发布门禁

RAG 混合检索不能靠固定 Top-K 和 RRF 参数套模板。本文从 BM25、稠密检索、权限过滤、候选去重、RRF 融合与 Cross-Encoder 重排出发,解释如何建立可追踪的检索契约,按查询切片评测 Recall、MRR、nDCG、答案证据支持度、P95 时延与成本,并通过消融实验、漂移监控和回滚门禁判断混合检索是否真的优于单路基线。

2026-04-03

语义搜索:混合检索、权限控制与评测指南

把语义搜索下沉为可授权、可度量、可迁移的检索系统。本文系统讲解词法与向量召回、RRF 融合、重排、权限过滤、索引迁移、缓存和分层评测,并提供可运行 Python 示例,适合 RAG、企业知识库、商品搜索、代码检索和多语言内容发现等生产场景。重点说明相似度分数边界、ANN 召回损失、跨租户隔离、版本化缓存键,以及如何用影子流量和回放评测完成安全切流。

2026-02-21

Jev 模型深度解析:类型化决策、概率校准与工程实践

Jev 是 TypeSafe 面向软件自动化的 System One 模型。本文解析 Choice、Noul、Score 三类原语、RLCD 概率校准目标、置信度公式和并行提问机制,对比 LLM 结构化输出,提供 Go HTTP 接入示例,并结合官方性能基准、上下文限制、中文能力与已知失败模式,说明如何设计可验证的路由、排序和证据抽取流程。

2026-10-03