Reranker 的常见方法
哪些公司问过
答案要点
- 传统学习排序:BM25 等特征配合 GBDT、LambdaMART,快且可解释
- 交叉编码器:查询与文档拼接输入,深度交互,精度高,RAG 中最常用
- 延迟交互:如 ColBERT 的 token 级向量 MaxSim,精度与速度居中
- 大模型重排:逐点打分、成对比较或列表排序,效果好但成本高
- 典型链路:召回 → 交叉编码器重排 → 取前几条送生成模型
易错点
- 对全库直接使用交叉编码器,延迟不可接受
- 把双塔向量相似度当作重排,与召回信息重复
- 不同模型分数直接相加,尺度不一致
面试官常见追问
- 检索器和 reranker 的得分太接近、不可靠,怎么办?
- 为什么交叉编码器不能直接用来召回?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。