Reranking — это этап повторного ранжирования в системах поиска и генеративного ИИ, при котором уже сформированный первичный список кандидатов (документов, фрагментов, ответов) пересортировывается более точной моделью. Если первичный поиск (retrieval) работает быстро и «широко», отбирая сотни релевантных единиц по векторной близости или BM25, то reranker оценивает каждую пару «запрос — кандидат» совместно и выдаёт уточнённую оценку релевантности. Именно этот шаг определяет, какие 3–10 результатов попадут в финальную выдачу или в контекст языковой модели.
Как работает reranking
- Retrieval-этап: быстрый поиск по индексу возвращает, например, топ-100 кандидатов. Здесь важна скорость, а не абсолютная точность.
- Скоринг: cross-encoder или специализированная модель (Cohere Rerank, BGE-reranker, ColBERT) получает запрос и документ одновременно и присваивает им оценку соответствия.
- Пересортировка: кандидаты выстраиваются по новой оценке, слабые отсекаются по порогу.
- Передача дальше: топ-N уходит в LLM для генерации ответа или в интерфейс как финальная выдача.
Ключевое отличие от обычного ранжирования в том, что reranker не полагается на заранее посчитанные эмбеддинги, а анализирует взаимодействие токенов запроса и документа. Это даёт прирост точности (nDCG, MRR) на 10–30% по сравнению с одним лишь векторным поиском. Для сайтов, где качество выдачи напрямую влияет на конверсию, такой подход усиливает SEO-продвижение и помогает удерживать позиции в условиях роста ИИ-поиска.
Где применяется
- RAG-системы: reranking решает проблему «мусора в контексте», когда LLM получает нерелевантные фрагменты и галлюцинирует.
- Генеративные поисковики (Perplexity, You.com, AI Overviews): пересортировка определяет, какие источники будут процитированы.
- E-commerce: уточнение выдачи по товарам, где важны характеристики, а не только текстовое совпадение.
- Корпоративный поиск и базы знаний: повышение точности ответов на внутренние запросы.
Для бизнеса это означает, что недостаточно просто попасть в индекс ИИ — нужно, чтобы модель сочла контент релевантным на этапе пересортировки. Поэтому структура, фактология и цитируемость материала становятся критичны. Здесь помогает GEO продвижение, ориентированное на видимость в генеративных ответах.
Что важно учитывать
- Reranker увеличивает задержку: скоринг 100 документов cross-encoder'ом может занять сотни миллисекунд, поэтому топ-K подбирают балансируя скорость и качество.
- Модель нужно дообучать на доменных данных — универсальные reranker'ы хуже работают в узких нишах.
- Оценки релевантности нестабильны: один и тот же документ может получать разные баллы при перефразировании запроса.
- Reranking не заменяет retrieval — плохой первичный отбор не спасёт даже идеальная пересортировка.
Понимание reranking полезно всем, кто работает с контентом и видимостью в поиске. Связанные темы: RAG, эмбеддинги, cross-encoder, retrieval. Грамотная оптимизация под эти механизмы — часть современной стратегии продвижения.
