重排序

reranking

按与查询的相关性对初次检索得到的候选文档重新排序,以提高检索准确率的环节。

2篇文章最近提及

重排序(reranking)是检索系统对初次检索得到的候选文档按与查询的相关性重新打分并调整顺序的环节。初次检索使用向量相似度或关键词匹配等快速但粗略的方法收集大量候选,重排序则用更精确、开销更大的模型(重排器)对少量候选进行细致评估。同时输入查询和文档并输出相关度分数的交叉编码器方式被广泛采用。

在RAG系统中,重排序作为挑选交给LLM的文档的最后一步,可防止无关文档混入上下文而降低回答质量。Cohere Rerank、NVIDIA NeMo Retriever中的重排序模型等商用和开源重排器均有提供。

本条目依据AIPOST的文章与广为人知的事实整理。如有错误,请通过更正请求告诉我们。

涉及该条目的文章

  • 智能体开发者必懂的模型内部机制:采样、注意力与上下文工程AI应用 ·

    使用嵌入模型、向量搜索和重排序器,只取回相关的片段。

    阅读文章
  • 英伟达Agent Toolkit:模型不变,执行框架让得分升至100%AI资讯 ·

    第一波方案依赖对非结构化文档的向量嵌入,英伟达至今仍在这里大力投入:按其论点,更好的嵌入和重排序模型意味着智能体只需更少的搜索轮次就能找到正确的上下文。

    阅读文章

发现说明有误或找不到条目?

百科说明依据AIPOST的文章与广为人知的事实整理。如有错误,请通过更正请求告诉我们,我们会核实并修改。新文章中出现的名称会在文章发布后加入百科。