---
title: "Cos’è il reranking? I reranker cross-encoder nella RAG"
description: "Il reranking ricalcola il punteggio dei primi risultati di una ricerca con un modello più accurato, di solito un cross-encoder, prima di passarli all’LLM."
url: https://broadrouter.com/it/glossary/reranking/
lang: it
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/reranking/) (aggiornato il 2026-11-15).

# Reranking (riordinamento dei risultati)

Aggiornato 2026-11-15

Il reranking è una seconda fase di retrieval in cui un modello più accurato ma più lento, di solito un cross-encoder, assegna un punteggio a ogni coppia query-documento candidato di una prima ricerca e le riordina, così solo i pochi documenti più pertinenti arrivano al modello linguistico.

Detto anche: reranker, riordinamento, re-ranking, rerank, riclassificazione dei risultati, cross-encoder reranker

La prima ricerca è veloce ma grossolana. Il reranking spende più calcolo su una lista breve per ottenere l’ordine giusto.

## Come funziona

Una pipeline in due fasi:

1.  **Retrieval.** Un metodo veloce, come gli [embeddings](https://broadrouter.com/it/glossary/embeddings/) in un [database vettoriale](https://broadrouter.com/it/glossary/vector-database/), [BM25](https://broadrouter.com/it/glossary/bm25/) o la [ricerca ibrida](https://broadrouter.com/it/glossary/hybrid-search/), restituisce i primi 50-100 candidati.
2.  **Reranking.** Un reranker legge insieme la query e ogni candidato e dà a ogni coppia un punteggio di pertinenza. Tieni i primi 3-10.

La maggior parte dei reranker sono cross-encoder. La documentazione di Sentence Transformers dice che un cross-encoder “Generally provides superior performance compared to a Sentence Transformer (a.k.a. bi-encoder) model,” (traduzione: in genere offre prestazioni superiori rispetto a un modello Sentence Transformer, detto anche bi-encoder) ma è “Often slower” (traduzione: spesso più lento) perché “it requires computation for each pair rather than each text.” (traduzione: richiede un calcolo per ogni coppia invece che per ogni testo). La documentazione descrive i cross-encoder come “often used to re-rank the top-k results” (traduzione: spesso usati per riordinare i primi k risultati) di 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’approccio risale almeno a Nogueira e Cho (2019), che hanno fatto fine-tuning di BERT come re-ranker di passaggi e hanno riportato un miglioramento relativo del 27% dell’MRR@10 rispetto al miglior risultato precedente sul passage retrieval di MS MARCO.

Esistono anche API di rerank ospitate. L’endpoint rerank di Cohere “takes in a query and a list of texts and produces an ordered array with each text assigned a relevance score,” (traduzione: riceve una query e una lista di testi e produce un array ordinato in cui a ogni testo è assegnato un punteggio di pertinenza), con punteggi normalizzati nell’intervallo da 0 a 1 e un campo `top_n` per limitare i risultati.

## Perché è importante

-   **Qualità delle risposte.** L’LLM può usare solo ciò che gli invii. Un ordine migliore mette nel prompt il chunk giusto.
-   **Costo in token.** Con un buon reranker puoi inviare 3 chunk invece di 10, riducendo i token di input a ogni domanda.
-   **Latenza.** Il reranker aggiunge un passaggio. Il suo costo cresce con il numero di candidati, quindi tieni corta quella lista.

## Su BroadNet Inference

BroadNet non offre né un endpoint di rerank né un endpoint di embeddings. Esegui un cross-encoder per conto tuo, per esempio con Sentence Transformers, oppure usa un’API di rerank ospitata, poi invia i chunk migliori a un modello di chat di BroadNet tramite la Chat Completions API compatibile con OpenAI.

Per documenti in arabo, verifica che il tuo reranker sia stato addestrato su dati arabi o multilingue; la [ricerca RAG in arabo](https://broadrouter.com/it/blog/arabic-rag-search/) copre il resto della pipeline. Se il tuo corpus è piccolo, un modello a contesto lungo come [DeepSeek V4.1 Flash](https://broadrouter.com/it/models/deepseek-v4.1-flash/) può permetterti di saltare il retrieval; vedi [contesto lungo o RAG](https://broadrouter.com/it/blog/long-context-vs-rag/).

## Domande frequenti

### Perché non usare il cross-encoder per tutta la ricerca?

Valuta separatamente ogni coppia query-documento, quindi è troppo lento per un’intera collezione. La prima fase riduce milioni di documenti a decine o centinaia, e il reranker ordina solo quelli.

### Un LLM può fare da reranker?

Sì. Puoi chiedere a un modello di chat di assegnare un punteggio ai candidati o di ordinarli. Di solito è più lento e costa di più per query di un piccolo cross-encoder, quindi testali entrambi sui tuoi dati.

### Quanti candidati devo passare al reranking?

Abbastanza perché la risposta giusta sia di solito tra loro. Misura quanto spesso il chunk corretto compare nei primi 20, 50 e 100 risultati della prima fase, e scegli il numero più piccolo con una buona recall.

## Vedi anche

-   [RAG (retrieval-augmented generation)](https://broadrouter.com/it/glossary/rag/) (termine)
-   [Embedding (embeddings)](https://broadrouter.com/it/glossary/embeddings/) (termine)
-   [Ricerca ibrida (hybrid search)](https://broadrouter.com/it/glossary/hybrid-search/) (termine)
-   [BM25](https://broadrouter.com/it/glossary/bm25/) (termine)
-   [Chunking (RAG)](https://broadrouter.com/it/glossary/chunking/) (termine)
-   [Database vettoriale (vector database)](https://broadrouter.com/it/glossary/vector-database/) (termine)
-   [Usare LlamaIndex con BroadNet Inference tramite OpenAILike](https://broadrouter.com/it/guides/llamaindex-openailike/) (guida)
-   [RAG in arabo: normalizzazione, chunking e retrieval che funzionano](https://broadrouter.com/it/blog/arabic-rag-search/) (articolo)
-   [Contesto lungo o RAG: quando 1M di token sostituisce un DB vettoriale](https://broadrouter.com/it/blog/long-context-vs-rag/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

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

**Fonti**

-   [Nogueira e Cho, Passage Re-ranking with BERT, arXiv 1901.04085 (verificato il 2026-11-15)](https://arxiv.org/abs/1901.04085)
-   [Documentazione di Sentence Transformers, uso dei cross-encoder (verificato il 2026-11-15)](https://sbert.net/docs/cross_encoder/usage/usage.html)
-   [Riferimento API di Cohere, rerank (verificato il 2026-11-15)](https://docs.cohere.com/reference/rerank)
