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。
「Reranker 训练数据」找到 5 条内容
按专题浏览 →匹配正文：…新挖掘难负样本。 结论：高价值数据来自真实候选分布和经过复核的边界样本，样本比例只是超参数，必须通过离线与端到端评测确定。 图解 Reranker 训练数据怎么构造?图解
匹配正文：RAG 做不好，大多数问题出在召回和排序。面试官会追问为什么加重排、怎么权衡延迟、怎么构造训练数据、怎么评估召回和排序质量。这一页集中整理检索优化链路。 配套教程 RAG 教程第 6 章：Rerank 重排怎么选型和提速 RAG 教程第 5 章：混合检索与召回策略 知识模块 重排模型、排序指标与召回优化 重排模型、排序指标与召回优化 常见问题 Rerank 为什么是 RAG 面试高频题？ 因为它直接影响最终上下文质量。面试官会看你能否解释粗召回和精排的分工、Cross-Enc…
匹配口述回答：…可以用一个统一的模型给所有候选打分，把不同来源的结果融合起来。 常见的实现方式，最主流的是Cross-Encoder，比如BGE-Reranker，精度高，但计算成本也高，所以一般只对召回Top-100做重排，再输出Top-10给LLM。另一个是[[ColBERT]]，用late interaction机制，在token级别做MaxSim，速度和精度比较平衡，适合对延迟要求更高的场景。我的选择倾向是：如果业务对精度要求极高，比如金融风控合同检索，必须用Cross-Encode…
学习内容与项目面试，在同一条路上。