Reranker
Un reranker vuelve a puntuar una lista corta de resultados de búsqueda leyendo la pregunta y cada resultado juntos, lo que es más lento pero más preciso que solo embeddings.
La búsqueda con embeddings es rápida porque los documentos se convierten en vectores una vez y se comparan por distancia, pero puede pasar por alto coincidencias sutiles porque la pregunta y el documento nunca se ven. Un reranker, normalmente un cross-encoder, lee la pregunta y un candidato juntos y produce una puntuación de relevancia. La receta habitual tiene dos pasos: un modelo de embeddings trae los 50 o 100 primeros candidatos, y luego un reranker los ordena.
Los rerankers añaden retraso a cada consulta, porque cada candidato necesita su propia pasada de modelo, así que mantén la lista de candidatos corta, aunque los rerankers listwise como Jina Reranker v3.5 leen toda la lista de una pasada. Un reranker es un modelo aparte del modelo de embeddings y tiene su propia licencia, así que revísala por separado. La ficha de BGE-M3, por ejemplo, apunta a los modelos bge-reranker de BAAI para repuntuar los primeros resultados.
Términos relacionados
- Modelo de embeddings Un modelo de embeddings convierte texto, imágenes u otros datos en una lista de números que captura su significado, de modo que los elementos parecidos acaban cerca unos de otros.
- Generación aumentada por recuperación (RAG) La generación aumentada por recuperación permite que un modelo responda a partir de tus propios documentos recuperando los pasajes relevantes y añadiéndolos al prompt.
- Embeddings matrioska Los embeddings matrioska se entrenan para que la primera parte del vector funcione por sí sola, lo que te permite cortar el vector más corto y ahorrar almacenamiento y tiempo de búsqueda.