在初级RAG运行中，检索后解决过程至关关键 。Rerank技术经过从新排序检索出的文档块，确保与用户疑问更关系的消息排在前面，从而 提高言语模型生成答案的品质 。在这个过程中，可以做一些诸如相似渡过滤、关键词过滤、chunk内容交流等解决。其中， Rerank（重排序） 是一种经常出现的，也是在RAG运行优化中很经常出现的一种技术解决过程。
本文引见了两种被宽泛认可的Rerank模型： Cohere Rerank模型和bge-reranker-large模型 ，并提供了经常使用指南。
一、为什么还须要Rerank
Cohere Rerank是一个商业闭源的Rerank模型。它依据 与指定查征询题的语义关系性对多个文本输入启动排序，专门用于协助关键词或向量搜查前往的结果做从新排序与优化品质。
为了经常使用Cohere Rerank，你首先须要在官网网站（）注册后放开测试的API-key（测试经常使用收费）：
Cohere Rerank的经常使用十分便捷，通常在LangChain与LlamaIndex框架中集成经常使用。上方展现如何在LangChain框架中经常使用Cohere Rerank来优化检索结果。
输入结果示例
在调用Cohere Rerank之后，内容的关系性和其对应的查问愈加婚配，排序也愈加正当。 这种愈加正当的排名一方面无利于LLM生成更准确的回复；另一方面也可以协助降落top_K数量，以浪费高低文空间。
bge-reranker-large 是国际智源开源的一个被宽泛经常使用的Rerank模型，在泛滥的模型测试中有着十分低劣的效果。
上方展现如何在LangChain框架中经常使用 bge-reranker-large 来优化检索结果。
输入结果示例
了解更多：
总结：
Rerank只管在RAG流程中看似不那么显眼，但其成功便捷、资源要求低，且不依赖于特定的嵌入模型，能够清楚优化最终生成的品质。无论是选用在线的Cohere Rerank模型，还是本地部署的bge-reranker-large模型，都能为您的RAG运行带来功能上的优化。
原文链接：