Reranker

Un reranker re-note une liste courte de résultats de recherche en lisant la question et chaque résultat ensemble, ce qui est plus lent mais plus précis que les seuls embeddings.

  • Modèles et architecture
  • Mis à jour le

La recherche par embeddings est rapide parce que les documents sont transformés en vecteurs une seule fois et comparés par distance, mais elle peut manquer des correspondances subtiles parce que la question et le document ne se voient jamais. Un reranker, généralement un cross-encoder, lit la question et un candidat ensemble et produit un score de pertinence. La recette habituelle comporte deux étapes : un modèle d'embeddings récupère les 50 ou 100 premiers candidats, puis un reranker les trie.

Les rerankers ajoutent du délai à chaque requête, car chaque candidat exige son propre passage de modèle ; gardez donc la liste de candidats courte, même si les rerankers listwise comme Jina Reranker v3.5 lisent toute la liste en un seul passage. Un reranker est un modèle distinct du modèle d'embeddings et possède sa propre licence, à vérifier séparément. La fiche de BGE-M3, par exemple, renvoie aux modèles bge-reranker de BAAI pour re-noter les premiers résultats.

Termes associés

  • Modèle d'embeddings Un modèle d'embeddings transforme du texte, des images ou d'autres données en une liste de nombres qui capture leur sens, si bien que les éléments semblables se retrouvent proches les uns des autres.
  • Génération augmentée par récupération (RAG) La génération augmentée par récupération permet à un modèle de répondre à partir de vos propres documents en récupérant les passages pertinents et en les ajoutant au prompt.
  • Embeddings matriochka Les embeddings matriochka sont entraînés pour que la première partie du vecteur fonctionne seule, ce qui permet de raccourcir le vecteur pour économiser stockage et temps de recherche.

Tous les termes