La récupération s’appuie souvent sur une première étape rapide qui ramène de nombreux candidats, puis sur un reranker plus lent mais plus précis qui les réordonne. Nogueira et Cho (2019) ont montré qu’un cross-encoder BERT, qui lit conjointement la requête et un passage, améliore nettement la qualité du classement par rapport au seul retriever de première étape.
Dans les systèmes RAG, un reranking effectué avant de transmettre le contexte au modèle améliore la qualité des réponses en garantissant que les passages les plus pertinents sont utilisés.