重排序模型 是什麼？

Reranking — 重排序模型 的完整解釋

重排序模型是一種在初步檢索後，對候選結果進行重新排序的技術，旨在提升檢索結果的相關性和準確性，通常使用更複雜的模型。

容易混淆

重排序 vs 初步檢索

重排序看的是更細的語意和上下文 初步檢索看的是速度和粗篩能力 最關鍵的區別是處理的是候選集還是全庫搜尋。

重排序 vs 向量檢索

重排序通常用更重的模型重新打分 向量檢索是先用向量相似度找候選 最關鍵的區別是第一輪找人，第二輪排隊。

記住這句就好

先快篩，再精排，答案才會更準。

實際案例

客服知識庫搜尋 使用者先被 BM25 找到 50 筆可能答案，再由重排序模型把真正能解決問題的內容排到最前面。

RAG 文件檢索 問答系統先撈出候選段落，再用重排序挑出最相關的 5 段送進大模型。

算法與應用

常見做法是用 cross-encoder 直接看查詢與候選文件的整段內容，所以準，但比較慢。 評估時常看 NDCG、MRR 或 MAP，因為重排序在乎的是名次順序。 候選集品質很重要，因為重排序再強，也救不了第一輪完全沒撈到的資料。

情境判斷

Q1（直覺題）：如果系統先撈出 100 筆，再把前 10 筆重新排順序，這一步是什麼？

→ 這就是重排序，因為它只在候選集上做更精細的排序。

Q2（判斷題）：候選資料很差，但重排序模型很強，最後結果一定會好嗎？

→ 不一定。第一輪如果把真正相關的資料漏掉，第二輪再強也救不回來。

常見問題

重排序模型需要很多資料嗎？

A：通常需要，尤其是深度學習版本，因為它要學的是細緻的相關性判斷。

怎麼評估重排序效果？

A：常用 NDCG、MRR、MAP，也會看線上點擊率或轉換率。

重排序和檢索一定要分兩層嗎？

A：大多數實作會這樣設計，因為速度和精準度很少能靠同一個模型同時做到最好。