检索通常先用一个快速的第一阶段召回大量候选，再用一个较慢但更精确的重排序器对它们重新排序。Nogueira 和 Cho（2019）证明，BERT 交叉编码器（cross-encoder）会把查询和段落放在一起读取，与仅使用第一阶段检索器相比，能显著提升排序质量。
在 RAG 系统中，先进行重排序再把上下文交给模型，可以确保用上最相关的段落，从而提升回答质量。
检索
2026 年更新
重排序（Reranking）
定义
检索的第二阶段：用更精确的模型对初步召回的候选段落重新打分，把最相关的段落排到最前面。
参考文献
本定义所依据的一手文献、同行评审文献和存档资料。
Passage Re-ranking with BERT
词典与百科条目
- Wikipedia — Learning to rank
- Google Cloud — Ranking & reranking in retrieval
引用本条目
MultipleChat.《重排序（Reranking）》. MultipleChat AI 与 LLM 术语表，2026. https://multiple.chat/ai-glossary/reranking