Rerank模型哪款最强？详解如何轻松集成到你的项目中！

昨天的文章中我们提到，可以使用Rerank对RAG系统进行优化。揭开RAG重排序（Rerankers）和两阶段检索（Two-Stage Retrieval）的神秘面纱

今天，我们动手在项目中实现Rerank。

Rerank的目的是通过重新排序检索结果，提升文档与查询的相关性。其优势在于能够进一步提高检索准确性，确保最相关的文档排在前列，从而显著提升系统的整体性能和用户体验，如下图所示。

因为在搜索的时候存在随机性，就是我们在RAG中第一次召回的结果往往不太满意的原因。但是这也没办法，如果你的索引有数百万甚至千万的级别，那你只能牺牲一些精确度，换回时间。

这时候我们可以做的就是增加top_k的大小，比如从原来的10个，增加到100个。

然后再使用更精确的算法来做rerank，使用一一计算打分的方式，做好排序。比如100次的遍历相似度计算的时间，我们还是可以接受的。

有朋友问我，Rerank如何集成到项目中呢？

答案就是：Rerank模型的方式集成到项目中。

在HuggingFace上面搜索，发现有很多Rerank模型，如下图。

新的reranker模型：发布跨编码器模型 BAAI/bge-reranker-base 和 BAAI/bge-reran