---
title: "¿Qué es el reranking? Rerankers cross-encoder en RAG"
description: "El reranking vuelve a puntuar los mejores resultados de una primera búsqueda con un modelo más preciso, normalmente un cross-encoder, antes de pasarlos al LLM."
url: https://broadrouter.com/es/glossary/reranking/
lang: es
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/reranking/) (actualizado el 2026-11-15).

# Reranking (reordenamiento de resultados)

Actualizado 2026-11-15

El reranking es una segunda etapa de recuperación en la que un modelo más preciso pero más lento, normalmente un cross-encoder, puntúa cada par de consulta y documento candidato de una primera búsqueda y los reordena, de modo que solo los pocos más relevantes pasan al modelo de lenguaje.

También llamado: reranking, reranker, reordenamiento, reordenación de resultados, rerank, re-ranking, cross-encoder reranker

La primera búsqueda es rápida pero tosca. El reranking dedica más cómputo a una lista corta para acertar con el orden.

## Cómo funciona

Un pipeline en dos etapas:

1.  **Recuperar.** Un método rápido, como [embeddings](https://broadrouter.com/es/glossary/embeddings/) en una [base de datos vectorial](https://broadrouter.com/es/glossary/vector-database/), [BM25](https://broadrouter.com/es/glossary/bm25/) o [búsqueda híbrida](https://broadrouter.com/es/glossary/hybrid-search/), devuelve los 50 a 100 mejores candidatos.
2.  **Reordenar.** Un reranker lee la consulta y cada candidato juntos y da a cada par una puntuación de relevancia. Quédese con los 3 a 10 mejores.

La mayoría de los rerankers son cross-encoders. La documentación de Sentence Transformers dice que un cross-encoder “Generally provides superior performance compared to a Sentence Transformer (a.k.a. bi-encoder) model,” (traducción: en general ofrece un rendimiento superior al de un modelo Sentence Transformer, también llamado bi-encoder) pero es “Often slower” (traducción: a menudo más lento) porque “it requires computation for each pair rather than each text.” (traducción: requiere cálculo por cada par y no por cada texto.) La documentación describe los cross-encoders como “often used to re-rank the top-k results” (traducción: usados a menudo para reordenar los k mejores resultados) de un bi-encoder.

```python
from sentence_transformers import CrossEncoder

model = CrossEncoder("cross-encoder/ms-marco-MiniLM-L6-v2")
ranks = model.rank(query, passages)   # passages from your first-stage search
top = [passages[r["corpus_id"]] for r in ranks[:5]]
```

El enfoque se remonta al menos a Nogueira y Cho (2019), que ajustaron BERT como reordenador de pasajes y reportaron una mejora relativa del 27 % en MRR@10 sobre el mejor resultado anterior en la recuperación de pasajes de MS MARCO.

También existen APIs de rerank alojadas. El endpoint de rerank de Cohere “takes in a query and a list of texts and produces an ordered array with each text assigned a relevance score,” (traducción: recibe una consulta y una lista de textos y produce un array ordenado en el que cada texto tiene asignada una puntuación de relevancia), con puntuaciones normalizadas en el rango de 0 a 1 y un campo `top_n` para limitar los resultados.

## Por qué importa

-   **Calidad de la respuesta.** El LLM solo puede usar lo que usted le envía. Un mejor orden pone el fragmento correcto en el prompt.
-   **Coste en tokens.** Con un buen reranker puede enviar 3 fragmentos en lugar de 10, lo que reduce los tokens de entrada en cada pregunta.
-   **Latencia.** El reranker añade un paso. Su coste crece con el número de candidatos, así que mantenga esa lista corta.

## En BroadNet Inference

BroadNet no ofrece un endpoint de rerank ni un endpoint de embeddings. Ejecute usted mismo un cross-encoder, por ejemplo con Sentence Transformers, o use una API de rerank alojada, y luego envíe los mejores fragmentos a un modelo de chat de BroadNet a través de la API de Chat Completions compatible con OpenAI.

Para documentos en árabe, compruebe que su reranker se entrenó con datos en árabe o multilingües; [búsqueda RAG en árabe](https://broadrouter.com/es/blog/arabic-rag-search/) cubre el resto del pipeline. Si su corpus es pequeño, un modelo de contexto largo como [DeepSeek V4.1 Flash](https://broadrouter.com/es/models/deepseek-v4.1-flash/) puede permitirle prescindir de la recuperación; consulte [contexto largo frente a RAG](https://broadrouter.com/es/blog/long-context-vs-rag/).

## Preguntas frecuentes

### ¿Por qué no usar el cross-encoder para toda la búsqueda?

Puntúa cada par de consulta y documento por separado, así que es demasiado lento para recorrer toda una colección. La primera etapa reduce millones de documentos a decenas o cientos, y el reranker solo ordena esos.

### ¿Puede un LLM hacer de reranker?

Sí. Puede pedir a un modelo de chat que puntúe u ordene los candidatos. Suele ser más lento y costar más por consulta que un cross-encoder pequeño, así que pruebe ambos con sus datos.

### ¿Cuántos candidatos debo reordenar?

Los suficientes para que la respuesta correcta suela estar entre ellos. Mida con qué frecuencia aparece el fragmento correcto en el top 20, 50 y 100 de la primera etapa, y elija el número más pequeño con buen recall.

## Vea también

-   [RAG (generación aumentada por recuperación)](https://broadrouter.com/es/glossary/rag/) (término)
-   [Embeddings (vectores de texto)](https://broadrouter.com/es/glossary/embeddings/) (término)
-   [Búsqueda híbrida (hybrid search)](https://broadrouter.com/es/glossary/hybrid-search/) (término)
-   [BM25 (ranking por palabras clave)](https://broadrouter.com/es/glossary/bm25/) (término)
-   [Chunking (fragmentación de documentos en RAG)](https://broadrouter.com/es/glossary/chunking/) (término)
-   [Base de datos vectorial (vector database)](https://broadrouter.com/es/glossary/vector-database/) (término)
-   [Usar LlamaIndex con BroadNet Inference mediante OpenAILike](https://broadrouter.com/es/guides/llamaindex-openailike/) (guía)
-   [RAG en árabe: normalización, chunking y recuperación que funciona](https://broadrouter.com/es/blog/arabic-rag-search/) (artículo)
-   [Contexto largo vs RAG: cuándo 1M de tokens reemplaza la base vectorial](https://broadrouter.com/es/blog/long-context-vs-rag/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-reranking&utm_content=page-cta) ·

**Fuentes**

-   [Nogueira y Cho, Passage Re-ranking with BERT, arXiv 1901.04085 (consultado el 2026-11-15)](https://arxiv.org/abs/1901.04085)
-   [Documentación de Sentence Transformers, uso de cross-encoders (consultado el 2026-11-15)](https://sbert.net/docs/cross_encoder/usage/usage.html)
-   [Referencia de la API de Cohere, rerank (consultado el 2026-11-15)](https://docs.cohere.com/reference/rerank)
