搜索准确性提升 20%，Jina Reranker 成为 RAG 优化的新标杆！

在整合大型语言模型（LLM）到业务流程时，企业经常会遇到一些头疼的问题，比如怎样保持数据时效性、避免幻觉现象，以及如何保护数据安全等等。为了解决这些问题，检索增强生成（RAG）技术应运而生，它不仅帮助我们克服了这些挑战，还引领了信息检索的新方向。

虽然 RAG 系统及其科普非常流行，但在实际使用中，我们会发现它“入门易，精通难”。目前，业界的讨论主要集中在如何改进内容提取、文档分块，以及 Embedding 模型等技术，但很少有人提到提升搜索准确度的关键步骤 —— Reranker。

日前，我们正式发布了 Jina Reranker(jina-reranker-v1-base-en)，专为提高搜索准确性打造。Jina Reranker 在多个权威测评中屡获领先，实验数据显示，相比简单 RAG 系统，搭载该模型的检索系统命中率提高 8%，MRR 更是飙升 33%。

模型链接: https://jina.ai/reranker/

什么是 Reranker

你可能会问，既然向量检索已经根据相似度给出了初步排序，为什么我们还需要 Reranker 呢？

下表阐述了向量检索和 Reranker 模型之间的主要差异。

尽管向量检索初步完成了排序，但这种文档级别的粗排往往忽略了用户真实的检索意图，并且难以捕捉语义细节，尤其是在处理复杂查询时，最终结果未必匹配用户需求，此外，虽然得分最高的文档或许相关，但其余排名的文档相关性可能大打折扣。

这时，Reranker 就成为了向量检索的有力补充，在查询时进行 Token 级别的深度分析，能够更精确地理解用户的真实意图，从而提升搜索结果的相关性和准确性。这不仅优化了用户体验，减少了用户筛选结果的工作量，还使得搜索系统能够更好地适应多变和复杂的用户需求。

整个过程如下图所示，首先利用向量检索的高效和简便，快速召回候选文档，随后由 Reranker 对每个候选文档逐一打分，实现二次重排，从而提升搜索结果的相关性和准确度。

通过将两种方法有效结合，可以综合其高效、准确的优点，满足用户对于高速度与高准确度的双重需求。

Jina Reranker 模型亮点

四大榜单排名领先

我们采用了 LlamaIndex RAG、BEIR、MTEB 和 LoCo 等多个权威测试，并将 Jina Reranker 与其他三家领先的 Reranker ——BGE（BAAI）、BCE（网易有道）和 Cohere 进行了横向比较。全面评估了 Reranker 模型在查询理解、上下文匹配、排序精度等多个维度的表现。

其中，LlamaIndex RAG 侧重检验 RAG 应用场景下的表现，BEIR 测试信息检索模型的相关性和排名质量，MTEB 专门考察 Reranker 能力，而 LoCo 则着眼于模型在长文本下对局部一致性的把握程度。

LlamaIndex RAG

我们复现了 LlamaIndex 的 RAG 模型评估实验，评估了 RAG 任务中不同 Embeddings 和 Reranker 模型的组合效果。可以看到，在 Jina Reranker 加持下，平均命中率提升了 7.9%，MRR 提升了 33.7%。

Jina Reranker 一大亮点是它的通用性。无论是搭配我们自家的 jina-embeddings-v2-base-en，还是其他如 bge-base-en-v1.5、bce-embedding-base-v1 或 CohereV3-en，Jina Reranker 都能持续提升命中率和 MRR。这种灵活性让它成为了一个在各种场景下都能大显身手的工具。

LlamaIndex 评估链接：https://blog.llamaindex.ai/boosting-rag-picking-the-best-embedding-reranker-models-42d079022e83

BEIR

BIER（Benchmarking IR）评估模型的检索有效性，包括相关性和 NDCG。BIER 分数越高，匹配和搜索结果排名越准确。可以看到 Jina Reranker 排名高于其他 Reranker 模型。

MTEB

在 MTEB 的 Reranker 任务上进行测试，Jina Reranker 表现同样出色，表现领先其他模型。

LoCo

LoCo 衡量模型对局部一致性和上下文的理解，特别是超长文本（token 个数大于 1K）情形下的模型表现。Jina Reranker 在多个数据集上都取得了最高的 LoCo 分数，说明其识别相关信息并确定其优先级的能力很好。

Jina Reranker 在 LlamaIndex RAG、BEIR、MTEB 和 LoCo 等多个测评里，都拿下了最高的平均得分，稳稳地站在了行业前列。这些测试结果也 证明了 Jina Reranker 的通用性，能够与不同的 Embeddings 模型协同工作，无论在哪种应用场景下都能提供显著的性能提升。