La recuperación suele usar una primera fase rápida para obtener muchos candidatos y después un reranker más lento y preciso para reordenarlos. Nogueira y Cho (2019) demostraron que un cross-encoder BERT, que lee la consulta y un pasaje a la vez, mejora sustancialmente la calidad de la clasificación frente al recuperador de primera fase por sí solo.
En los sistemas RAG, reordenar antes de pasar el contexto al modelo mejora la calidad de las respuestas, porque garantiza que se usen los pasajes más relevantes.