Il recupero usa spesso una prima fase veloce per ottenere molti candidati e poi un reranker più lento ma più accurato per riordinarli. Nogueira & Cho (2019) hanno mostrato che un cross-encoder BERT, che legge insieme la query e un passaggio, migliora sensibilmente la qualità del ranking rispetto al solo retriever di prima fase.
Nei sistemi RAG, il reranking eseguito prima di passare il contesto al modello migliora la qualità delle risposte, perché garantisce che vengano usati i passaggi più pertinenti.