---
title: "Qu’est-ce que le reranking ? Les cross-encoders en RAG"
description: "Le reranking réévalue les meilleurs résultats d’une première recherche avec un modèle plus précis, souvent un cross-encoder, avant qu’ils n’atteignent le LLM."
url: https://broadrouter.com/fr/glossary/reranking/
lang: fr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/glossary/reranking/) (mis à jour le 2026-11-15).

# Reranking (reclassement)

Mis à jour 2026-11-15

Le reranking est une seconde étape de recherche dans laquelle un modèle plus précis mais plus lent, en général un cross-encoder, note chaque paire requête-document candidat issue d’une première recherche et les réordonne, afin que seuls les quelques plus pertinents soient transmis au modèle de langage.

Aussi appelé : reranker, rerank, re-ranking, reclassement, réordonnancement des résultats, reranker cross-encoder, cross-encoder reranker

La première recherche est rapide mais grossière. Le reranking consacre plus de calcul à une liste courte pour obtenir le bon ordre.

## Comment ça marche

Un pipeline en deux étapes :

1.  **Récupération.** Une méthode rapide, comme des [embeddings](https://broadrouter.com/fr/glossary/embeddings/) dans une [base de données vectorielle](https://broadrouter.com/fr/glossary/vector-database/), [BM25](https://broadrouter.com/fr/glossary/bm25/) ou la [recherche hybride](https://broadrouter.com/fr/glossary/hybrid-search/), renvoie les 50 à 100 meilleurs candidats.
2.  **Reranking.** Un reranker lit la requête et chaque candidat ensemble, et attribue à chaque paire un score de pertinence. Gardez les 3 à 10 meilleurs.

La plupart des rerankers sont des cross-encoders. La documentation de Sentence Transformers dit d’un cross-encoder qu’il « Generally provides superior performance compared to a Sentence Transformer (a.k.a. bi-encoder) model » (traduction : « offre en général de meilleures performances qu’un modèle Sentence Transformer (ou bi-encoder) »), mais qu’il est « Often slower » (traduction : « souvent plus lent ») parce qu’« it requires computation for each pair rather than each text. » (traduction : « il demande un calcul pour chaque paire plutôt que pour chaque texte. ») La documentation présente les cross-encoders comme « often used to re-rank the top-k results » (traduction : « souvent utilisés pour reclasser les k meilleurs résultats ») d’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]]
```

L’approche remonte au moins à Nogueira et Cho (2019), qui ont affiné BERT pour en faire un reclasseur de passages et ont rapporté une amélioration relative de 27 % du MRR@10 par rapport au meilleur résultat précédent sur la recherche de passages MS MARCO.

Il existe aussi des API de rerank hébergées. L’endpoint rerank de Cohere « takes in a query and a list of texts and produces an ordered array with each text assigned a relevance score » (traduction : « prend une requête et une liste de textes, et produit un tableau ordonné où chaque texte reçoit un score de pertinence »), avec des scores normalisés entre 0 et 1 et un champ `top_n` pour limiter les résultats.

## Pourquoi c’est important

-   **Qualité des réponses.** Le LLM ne peut utiliser que ce que vous lui envoyez. Un meilleur ordre met le bon chunk dans le prompt.
-   **Coût en tokens.** Avec un bon reranker, vous pouvez envoyer 3 chunks au lieu de 10, ce qui réduit les tokens d’entrée à chaque question.
-   **Latence.** Le reranker ajoute une étape. Son coût augmente avec le nombre de candidats : gardez cette liste courte.

## Sur BroadNet Inference

BroadNet ne propose ni endpoint de rerank ni endpoint d’embeddings. Faites tourner un cross-encoder vous-même, par exemple avec Sentence Transformers, ou utilisez une API de rerank hébergée, puis envoyez les meilleurs chunks à un modèle de chat BroadNet via l’API Chat Completions compatible OpenAI.

Pour des documents en arabe, vérifiez que votre reranker a été entraîné sur des données arabes ou multilingues ; la [recherche RAG en arabe](https://broadrouter.com/fr/blog/arabic-rag-search/) couvre le reste du pipeline. Si votre corpus est petit, un modèle à long contexte comme [DeepSeek V4.1 Flash](https://broadrouter.com/fr/models/deepseek-v4.1-flash/) peut vous permettre de vous passer de récupération ; voir [long contexte ou RAG](https://broadrouter.com/fr/blog/long-context-vs-rag/).

## Questions fréquentes

### Pourquoi ne pas utiliser le cross-encoder pour toute la recherche ?

Il note chaque paire requête-document séparément : il est donc trop lent pour parcourir toute une collection. La première étape réduit des millions de documents à quelques dizaines ou centaines, et le reranker n’ordonne que ceux-là.

### Un LLM peut-il servir de reranker ?

Oui. Vous pouvez demander à un modèle de chat de noter ou d’ordonner les candidats. C’est en général plus lent et plus cher par requête qu’un petit cross-encoder : testez les deux sur vos données.

### Combien de candidats faut-il reranker ?

Assez pour que la bonne réponse s’y trouve le plus souvent. Mesurez à quelle fréquence le bon chunk figure dans le top 20, 50 et 100 de la première étape, et choisissez le plus petit nombre avec un bon rappel.

## Voir aussi

-   [RAG (génération augmentée par récupération)](https://broadrouter.com/fr/glossary/rag/) (terme)
-   [Embeddings (plongements vectoriels)](https://broadrouter.com/fr/glossary/embeddings/) (terme)
-   [Recherche hybride (hybrid search)](https://broadrouter.com/fr/glossary/hybrid-search/) (terme)
-   [BM25](https://broadrouter.com/fr/glossary/bm25/) (terme)
-   [Chunking (découpage pour le RAG)](https://broadrouter.com/fr/glossary/chunking/) (terme)
-   [Base de données vectorielle (vector database)](https://broadrouter.com/fr/glossary/vector-database/) (terme)
-   [Utiliser LlamaIndex avec BroadNet Inference via OpenAILike](https://broadrouter.com/fr/guides/llamaindex-openailike/) (guide)
-   [RAG en arabe : normalisation, chunking et recherche qui fonctionnent](https://broadrouter.com/fr/blog/arabic-rag-search/) (article)
-   [Contexte long ou RAG : quand 1M de tokens remplace la base vectorielle](https://broadrouter.com/fr/blog/long-context-vs-rag/) (article)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

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

**Sources**

-   [Nogueira et Cho, Passage Re-ranking with BERT, arXiv 1901.04085 (vérifié le 2026-11-15)](https://arxiv.org/abs/1901.04085)
-   [Documentation de Sentence Transformers, utilisation des cross-encoders (vérifié le 2026-11-15)](https://sbert.net/docs/cross_encoder/usage/usage.html)
-   [Référence de l’API Cohere, rerank (vérifié le 2026-11-15)](https://docs.cohere.com/reference/rerank)
