---
title: "Ano ang reranking? Cross-encoder reranker sa RAG | BroadRouter"
description: "Muling sine-score ng reranking ang top results ng unang search gamit ang mas tumpak na model, kadalasang cross-encoder, bago umabot sa LLM. Paano ito gumagana."
url: https://broadrouter.com/fil/glossary/reranking/
lang: fil
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/glossary/reranking/) (na-update noong 2026-11-15).

# Reranking

Na-update 2026-11-15

Ang reranking ay pangalawang yugto ng retrieval kung saan ang mas tumpak pero mas mabagal na model, kadalasang cross-encoder, ang nagbibigay ng score sa bawat pares ng query at kandidatong dokumento mula sa unang search at muling inaayos ang pagkakasunod, para iilang pinakanauugnay lang ang maipasa sa language model.

Tinatawag ding: reranking, reranker, rerank, re-ranking, cross-encoder reranker, muling pag-rank

Mabilis pero magaspang ang unang search. Gumagastos ang reranking ng mas maraming compute sa isang maikling listahan para maitama ang pagkakasunod.

## Paano ito gumagana

Isang pipeline na may dalawang yugto:

1.  **Retrieve.** Nagbabalik ng top 50 hanggang 100 na kandidato ang isang mabilis na paraan, gaya ng [embeddings](https://broadrouter.com/fil/glossary/embeddings/) sa isang [vector database](https://broadrouter.com/fil/glossary/vector-database/), [BM25](https://broadrouter.com/fil/glossary/bm25/) o [hybrid search](https://broadrouter.com/fil/glossary/hybrid-search/).
2.  **Rerank.** Sabay na binabasa ng reranker ang query at ang bawat kandidato at binibigyan ng relevance score ang bawat pares. Panatilihin ang top 3 hanggang 10.

Cross-encoder ang karamihan ng mga reranker. Sinasabi ng docs ng Sentence Transformers na ang cross-encoder ay “Generally provides superior performance compared to a Sentence Transformer (a.k.a. bi-encoder) model,” (Salin ng BroadRouter: “Karaniwang mas mahusay ang performance kumpara sa isang Sentence Transformer (a.k.a. bi-encoder) model,”) pero “Often slower” (Salin ng BroadRouter: “Madalas na mas mabagal”) dahil “it requires computation for each pair rather than each text.” (Salin ng BroadRouter: “nangangailangan ito ng computation kada pares sa halip na kada text.”) Inilalarawan ng docs ang mga cross-encoder bilang “often used to re-rank the top-k results” (Salin ng BroadRouter: “madalas gamitin para i-re-rank ang top-k na resulta”) mula sa isang 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]]
```

Nagmula ang paraang ito kahit man lang kina Nogueira at Cho (2019), na nag-fine-tune ng BERT bilang passage re-ranker at nag-ulat ng 27% na relative improvement sa MRR@10 kumpara sa dating pinakamahusay na resulta sa MS MARCO passage retrieval.

May mga hosted na rerank API din. Ang rerank endpoint ng Cohere ay “takes in a query and a list of texts and produces an ordered array with each text assigned a relevance score,” (Salin ng BroadRouter: “tumatanggap ng query at listahan ng mga text at naglalabas ng nakaayos na array kung saan may relevance score ang bawat text,”) na naka-normalize ang mga score sa range na 0 hanggang 1 at may `top_n` na field para limitahan ang mga resulta.

## Bakit ito mahalaga

-   **Kalidad ng sagot.** Ang ipinapadala mo lang ang magagamit ng LLM. Mas mahusay na pagkakasunod, nasa prompt ang tamang chunk.
-   **Gastos sa token.** Sa mahusay na reranker, 3 chunk sa halip na 10 ang maipapadala mo, na nagbabawas ng input token sa bawat tanong.
-   **Latency.** Nagdadagdag ng hakbang ang reranker. Lumalaki ang gastos nito kasabay ng bilang ng kandidato, kaya panatilihing maikli ang listahang iyon.

## Sa BroadNet Inference

Walang rerank endpoint o embeddings endpoint ang BroadNet. Magpatakbo ng sarili mong cross-encoder, halimbawa gamit ang Sentence Transformers, o gumamit ng hosted na rerank API, saka ipadala ang mga nangungunang chunk sa isang chat model ng BroadNet sa OpenAI-compatible na Chat Completions API.

Para sa mga dokumentong Arabic, tiyaking na-train ang reranker mo sa Arabic o multilingual na data; sakop ng [Arabic RAG search](https://broadrouter.com/fil/blog/arabic-rag-search/) ang natitirang bahagi ng pipeline. Kung maliit ang corpus mo, baka hindi mo na kailangan ng retrieval kung gagamit ka ng long-context model gaya ng [DeepSeek V4.1 Flash](https://broadrouter.com/fil/models/deepseek-v4.1-flash/); tingnan ang [long context vs RAG](https://broadrouter.com/fil/blog/long-context-vs-rag/).

## Mga tanong

### Bakit hindi gamitin ang cross-encoder sa buong search?

Hiwalay nitong sine-score ang bawat pares ng query at dokumento, kaya masyado itong mabagal para patakbuhin sa buong koleksyon. Pinapaliit ng unang yugto ang milyun-milyong dokumento sa sampu o daan-daan, at iyon lang ang inaayos ng reranker.

### Puwede bang LLM ang maging reranker?

Oo. Puwede mong utusan ang isang chat model na mag-score o mag-ayos ng mga kandidato. Kadalasang mas mabagal ito at mas mahal kada query kaysa sa maliit na cross-encoder, kaya i-test ang dalawa sa data mo.

### Ilang kandidato ang dapat kong i-rerank?

Sapat para kadalasang kasama sa kanila ang tamang sagot. Sukatin kung gaano kadalas lumalabas ang tamang chunk sa top 20, 50 at 100 ng unang yugto, at piliin ang pinakamaliit na bilang na may magandang recall.

## Tingnan din

-   [RAG (retrieval-augmented generation)](https://broadrouter.com/fil/glossary/rag/) (termino)
-   [Embeddings](https://broadrouter.com/fil/glossary/embeddings/) (termino)
-   [Hybrid search](https://broadrouter.com/fil/glossary/hybrid-search/) (termino)
-   [BM25](https://broadrouter.com/fil/glossary/bm25/) (termino)
-   [Chunking (RAG)](https://broadrouter.com/fil/glossary/chunking/) (termino)
-   [Vector database](https://broadrouter.com/fil/glossary/vector-database/) (termino)
-   [LlamaIndex at BroadNet Inference gamit ang OpenAILike](https://broadrouter.com/fil/guides/llamaindex-openailike/) (gabay)
-   [Arabic RAG: normalisation, chunking at retrieval na gumagana](https://broadrouter.com/fil/blog/arabic-rag-search/) (artikulo)
-   [Long context vs RAG: kailan pinapalitan ng 1M token ang vector DB](https://broadrouter.com/fil/blog/long-context-vs-rag/) (artikulo)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

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

**Mga source**

-   [Nogueira at Cho, Passage Re-ranking with BERT, arXiv 1901.04085 (sinuri noong 2026-11-15)](https://arxiv.org/abs/1901.04085)
-   [Docs ng Sentence Transformers, paggamit ng cross-encoder (sinuri noong 2026-11-15)](https://sbert.net/docs/cross_encoder/usage/usage.html)
-   [Cohere API reference, rerank (sinuri noong 2026-11-15)](https://docs.cohere.com/reference/rerank)
