[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-reranking::ru":3,"gloss-cluster-reranking::ru":23,"gloss-next-reranking::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"reranking","core-ai","Реранкинг (Reranking)","Реранкинг (reranking) — это шаг доработки второго этапа в пайплайне поиска или извлечения, на котором начальный, широкий набор кандидатов-результатов — быстро и дёшево полученный через поиск по ключевым словам, векторный поиск по сходству или оба метода сразу — переоценивается более сложной (и вычислительно затратной) моделью, которая напрямую сравнивает запрос с каждым кандидатом, чтобы получить более точное ранжирование по релевантности, прежде чем окончательные лучшие результаты будут использованы. Причина, по которой существует этот двухэтапный подход (сначала широкое извлечение, затем точный реранкинг), а не просто запуск дорогой точной модели напрямую по всему корпусу: точные модели оценки, используемые для реранкинга (обычно кросс-энкодеры, которые обрабатывают запрос и каждый документ вместе за один проход, чтобы напрямую их сравнить), гораздо точнее оценивают истинную релевантность, чем быстрый векторный поиск по сходству, но также слишком медленны и дороги для запуска по всему корпусу из тысяч или миллионов документов при каждом запросе — поэтому практический паттерн заключается в использовании быстрого, приблизительного извлечения, чтобы сузить поле от миллионов документов до, скажем, топ-50-100 кандидатов, а затем применить более медленный, более точный реранкер только к этому гораздо меньшему набору. Это напрямую важно для качества RAG в SaaS-продуктах, потому что одно только начальное векторное извлечение часто возвращает набор результатов \"достаточно хороший, но не совсем точный\" — документы, тематически связанные, но не являющиеся единственным лучшим совпадением, или расположенные в неоптимальном порядке — и подача этого несовершенного ранжирования напрямую в контекстное окно LLM тратит бюджет токенов на маргинально релевантный контент и может размыть качество итогового сгенерированного ответа. Конкретный пример: юридическая RAG-система, ищущая в базе данных из 500 000 пунктов договоров по запросу о \"расторжении по усмотрению\", сначала использует быстрый векторный поиск, чтобы за миллисекунды получить топ-50 семантически похожих пунктов; затем она запускает модель реранкинга на основе кросс-энкодера (например, API rerank от Cohere или модель с открытым исходным кодом вроде BGE-reranker), которая индивидуально оценивает каждого из этих 50 кандидатов относительно точного запроса, и пайплайн оставляет только 5 результатов с наивысшей оценкой для фактической отправки в LLM — заметно улучшая точность ответа по сравнению с прямым использованием порядка сырого векторного поиска, потому что реранкер улавливает тонкие различия в релевантности, которые пропустило более быстрое начальное извлечение. Реранкеры обычно предлагаются как простой вызов API (отправьте запрос и список текстов-кандидатов, получите обратно отсортированный по релевантности список с оценками), что делает их простым дополнением к существующему пайплайну RAG. Реранкеры также служат второй, менее очевидной цели помимо чистого улучшения релевантности: поскольку они оценивают каждого кандидата независимо относительно запроса с помощью выделенной оценки релевантности (а не просто расстояния сходства), эта оценка может использоваться как сигнал уверенности — если даже лучший результат после реранкинга набирает балл ниже определённого порога, система может заключить, что \"в корпусе на самом деле нет ничего, что хорошо отвечает на это\", и запустить плавный откат (\"я не смог найти уверенный ответ на это\") вместо того, чтобы заставлять LLM генерировать ответ из маргинально релевантного контекста, напрямую снижая риск галлюцинаций в пайплайнах RAG.","Реранкинг — это второй проход по релевантности, который переупорядочивает результаты поиска с помощью более точной (и дорогой) модели, улучшая итог.",null,[11,14,17,20],{"slug":12,"name":13},"retrieval","Извлечение (Retrieval)",{"slug":15,"name":16},"retrieval-augmented-generation","Генерация с дополненным поиском (RAG)",{"slug":18,"name":19},"semantic-search","Семантический поиск (Semantic Search)",{"slug":21,"name":22},"vector-database","Векторная база данных",[24,28,32,36,39,42,45,48,51,54,57,60],{"slug":25,"category":5,"name":26,"updated_at":27},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":33,"category":5,"name":34,"updated_at":35},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":37,"category":5,"name":38,"updated_at":27},"attention","Внимание (Attention)",{"slug":40,"category":5,"name":41,"updated_at":35},"beam-search","Лучевой поиск",{"slug":43,"category":5,"name":44,"updated_at":31},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":46,"category":5,"name":47,"updated_at":31},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":35},"computer-vision","Компьютерное зрение",{"slug":52,"category":5,"name":53,"updated_at":31},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":55,"category":5,"name":56,"updated_at":27},"context-window","Контекстное окно",{"slug":58,"category":5,"name":59,"updated_at":35},"deep-learning","Глубокое обучение",{"slug":61,"category":5,"name":62,"updated_at":27},"diffusion-model","Диффузионная модель (Diffusion Model)"]