页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「Rerank模型」找到 322 条内容
按专题浏览 →匹配正文：先分清：Embedding 和 Rerank 各自对什么结果负责 RAG 的检索链路可以先想成一场两阶段筛选。 第一阶段面对的是整座知识库。系统把用户问题编码成向量，再从大量文档片段里快速找出一小批候选。Embedding 模型的任务不是直接判断最终答案，而是把可能包含答案的片段尽量送进候选集。它如果漏掉了正确证据，后面的模型再聪明也无从补救。 第二阶段只看这批候选。Rerank 模型把问题和每个候选片段放在一起判断相关性，然后重新排列顺序。它更擅长处理“关键词很像，但并没有…
匹配正文：…析大模型在搜索中的具体应用环节（改写、摘要、问答） 指出落地挑战（延迟、幻觉、成本、数据更新） 核心方案：RAG驱动的智能搜索 大模型在搜索场景的核心落地形态是 RAG（检索增强生成），不是替代传统检索，而是分层增强。 技术架构 层级 功能 大模型作用 查询理解层 意图识别、查询改写、多轮澄清 纠错、扩展、消歧（如"苹果"→水果/公司） 检索召回层 向量检索 + 稀疏检索（BM25）+ 知识图谱 生成稠密向量（bi-encoder） 精排/重排层 结果重排序、去重、过滤 Cr…
匹配正文：为什么需要重排？ RAG通常采用两阶段架构：召回（Retrieval）+ 重排（Re-ranking）。召回阶段用双塔模型（如BGE、GTE）做向量相似度检索，追求毫秒级响应；但双塔模型的精度天花板明显——query和doc分别编码，缺乏细粒度交互，容易召回语义相关但不够精准的文档。 重排的核心作用 维度 召回阶段 重排阶段 模型架构 双塔（Bi-encoder） 交叉编码器（Cross-encoder） 交互方式 无交互，独立编码 拼接输入，深度交互 计算成本 低（可预计算…
学习内容与项目面试，在同一条路上。