搜索准确性提升 20%，Jina Reranker 成为 RAG 优化的新标杆！

在整合大型语言模型（LLM）到业务流程时，企业经常会遇到一些头疼的问题，比如怎样保持数据时效性、避免幻觉现象，以及如何保护数据安全等等。为了解决这些问题，检索增强生成（RAG）技术应运而生，它不仅帮助我们克服了这些挑战，还引领了信息检索的新方向。

虽然 RAG 系统及其科普非常流行，但在实际使用中，我们会发现它“入门易，精通难”。目前，业界的讨论主要集中在如何改进内容提取、文档分块，以及 Embedding 模型等技术，但很少有人提到提升搜索准确度的关键步骤 —— Reranker。

日前，我们正式发布了 Jina Reranker(jina-reranker-v1-base-en)，专为提高搜索准确性打造。Jina Reranker 在多个权威测评中屡获领先，实验数据显示，相比简单 RAG 系统，搭载该模型的检索系统命中率提高 8%，MRR 更是飙升 33%。

模型链接: https://jina.ai/reranker/

什么是 Reranker

你可能会问，既然向量检索已经根据相似度给出了初步排序，为什么我们还需要 Reranker 呢？

下表阐述了向量检索和 Reranker 模型之间的主要差异。