परिणाम पुनःक्रमण
उम्मीदवारों को वास्तविक प्रासंगिकता से दोबारा क्रमबद्ध करना
यह पृष्ठ अंग्रेज़ी में प्रस्तुत है; शीर्षक और सारांश का स्थानीयकरण किया गया है।
यह क्षमता क्या है
Takes a query and a short list of recalled candidates, and returns a reordered ranking with relevance scores. Its division of labour differs from embedding retrieval: retrieval uses cheap vector neighbours to pull dozens from tens of thousands, whereas reranking applies a costlier model to score those dozens carefully, so it only runs over the candidate set.
तकनीकी रूप से कैसे
The typical approach is a cross-encoder: query and candidate are concatenated into one sequence and a single model outputs a relevance score; seeing both at once is more accurate than two-tower encoders, but it cannot be pre-computed and must run per pair. To control latency, a common pattern truncates with a small model first and reranks with a larger one — or simply prompts a large model to score.
प्रतिनिधि उत्पाद
4Pinecone
2019समानता खोज हेतु प्रबंधित वेक्टर डेटाबेस
Together API
2022ओपन मॉडल हेतु इन्फ़रेंस API
Replicate
2019API से समुदाय के मॉडल चलाएँ
Hugging Face Hub
2016खुले मॉडल और डेटासेट का संगम
संबंधित संस्थान
सामान्य उपयोग
- Improving evidence quality after RAG retrieval
- Final ranking in e-commerce and content search
- Selecting the most relevant passages for a QA system
- Deduplicating and choosing among candidate answers
इसका मूल्यांकन कैसे होता है
- nDCG@k
- Discounted gain in the top-k after reranking, rewarding better placement
- MAP
- Mean of average precision over all relevant items
- MRR
- Quality of the position of the first relevant result
सीमाएँ और कठिनाइयाँ
- Cross-encoders score each candidate separately, so latency climbs steeply with candidate count
- Judgements are unstable on out-of-distribution queries, and truncating long documents causes errors
- It can only reorder what was recalled; anything retrieval missed cannot be recovered
इसके पीछे की अवधारणाएँ
पुनर्प्राप्ति-संवर्धित जनरेशन
ज्ञान को पैरामीटर में ठूँसने के बजाय बाहर रखकर ज़रूरत पर देखना — खुली किताब वाली परीक्षा की तरह
अटेंशन तंत्र
हर स्थान बाकी सभी स्थानों को सीधे देख सकता है और प्रासंगिकता के अनुसार ध्यान बाँट सकता है
मॉडल मूल्यांकन और क्रॉस-वैलिडेशन
सटीकता सबसे भ्रामक मापदंड है — मूल्यांकन गलत हुआ तो बाकी सब बेकार है