Перейти к содержимому
Атлас ИИ

Переранжирование результатов

Переупорядочить кандидатов по истинной релевантности

Язык и знанияСредний #10
входТекстТаблица

Полный текст статьи представлен на английском; заголовок и аннотация локализованы.

ЧТО ЭТО ЗА ВОЗМОЖНОСТЬ

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.

Как это устроено

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.

Примеры продуктов

4

Pinecone

2019
Pinecone

Управляемая векторная БД для поиска по сходству

Инфраструктура Закрытый

Together API

2022
Together AI

API вывода для открытых моделей

API Закрытый

Replicate

2019
Replicate

Запуск моделей сообщества через API

Платформа Закрытый

Hugging Face Hub

2016
Hugging Face

Открытый узел моделей и наборов данных

Платформа Открытый исходный код

Связанные организации

Pinecone Together AI Replicate Hugging Face

Типичное применение

  • 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

Как её оценивают

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

Границы и трудности

  • 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

Концепции в основе

Начальный

Генерация с дополнением из поиска

Вместо того чтобы втискивать знания в параметры, держать их снаружи и обращаться по мере надобности — как экзамен с открытой книгой

Инженерия, безопасность и этика ИИ
Средний

Механизм внимания

Каждая позиция может напрямую «видеть» все остальные и динамически распределять внимание по релевантности

Обработка языка и большие языковые модели
Средний

Оценка модели и кросс-валидация

Точность — самый обманчивый показатель: ошибётесь в оценке, и рухнет всё остальное

Машинное обучение