---
title: "리랭킹이란? RAG의 크로스 인코더 리랭커 정리 | BroadRouter"
description: "리랭킹은 1차 검색의 상위 결과를 더 정확한 모델, 주로 크로스 인코더로 다시 점수 매긴 뒤 LLM에 넘깁니다. 작동 방식과 비용, 고려할 점을 정리했습니다."
url: https://broadrouter.com/ko/glossary/reranking/
lang: ko
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

이 페이지는 영어 원문을 AI의 도움을 받아 번역했습니다. [영어 원문 읽기](https://broadrouter.com/glossary/reranking/) (2026-11-15 업데이트).

# 리랭킹(reranking)

업데이트 2026-11-15

리랭킹(reranking)은 검색의 두 번째 단계로, 더 정확하지만 느린 모델(주로 크로스 인코더)이 1차 검색에서 나온 질의와 후보 문서 쌍마다 점수를 매겨 순서를 다시 정합니다. 그래서 가장 관련성 높은 몇 개만 언어 모델에 전달됩니다.

다른 이름: 리랭커, 재순위화, 재랭킹, 리랭크, 크로스 인코더, 크로스 인코더 리랭커, reranker, rerank, re-ranking, cross-encoder reranker

1차 검색은 빠르지만 거칩니다. 리랭킹은 짧은 목록에 더 많은 연산을 들여 순서를 바로잡습니다.

## 작동 방식

2단계 파이프라인입니다.

1.  **검색(retrieve).** [벡터 데이터베이스](https://broadrouter.com/ko/glossary/vector-database/)의 [임베딩](https://broadrouter.com/ko/glossary/embeddings/), [BM25](https://broadrouter.com/ko/glossary/bm25/), [하이브리드 검색](https://broadrouter.com/ko/glossary/hybrid-search/) 같은 빠른 방법으로 상위 50~100개 후보를 가져옵니다.
2.  **리랭킹(rerank).** 리랭커가 질의와 각 후보를 함께 읽고 쌍마다 관련성 점수를 매깁니다. 상위 3~10개를 남깁니다.

대부분의 리랭커는 크로스 인코더입니다. Sentence Transformers 문서는 크로스 인코더가 “Generally provides superior performance compared to a Sentence Transformer (a.k.a. bi-encoder) model,“(번역: 일반적으로 Sentence Transformer(바이 인코더) 모델보다 뛰어난 성능을 냅니다) 하지만 “it requires computation for each pair rather than each text.”(번역: 텍스트마다가 아니라 쌍마다 계산이 필요하기) 때문에 “Often slower”(번역: 대개 더 느립니다)라고 설명합니다. 또한 크로스 인코더가 바이 인코더 결과의 “often used to re-rank the top-k results”(번역: 상위 k개 결과를 다시 순위 매기는 데 자주 쓰인다)고 설명합니다.

```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]]
```

이 방식은 적어도 Nogueira와 Cho(2019)까지 거슬러 올라갑니다. 이들은 BERT를 패시지 리랭커로 파인튜닝해, MS MARCO 패시지 검색에서 이전 최고 결과 대비 MRR@10이 상대적으로 27% 개선되었다고 보고했습니다.

호스팅형 리랭크 API도 있습니다. Cohere의 rerank 엔드포인트는 “takes in a query and a list of texts and produces an ordered array with each text assigned a relevance score,“(번역: 질의와 텍스트 목록을 받아 각 텍스트에 관련성 점수를 매긴 정렬된 배열을 만듭니다) 점수는 0에서 1 범위로 정규화되며, `top_n` 필드로 결과 수를 제한합니다.

## 왜 중요한가

-   **답변 품질.** LLM은 보낸 것만 쓸 수 있습니다. 순서가 좋아지면 올바른 청크가 프롬프트에 들어갑니다.
-   **토큰 비용.** 좋은 리랭커가 있으면 청크 10개 대신 3개를 보낼 수 있어, 질문마다 입력 토큰이 줄어듭니다.
-   **지연 시간.** 리랭커는 단계를 하나 더합니다. 비용은 후보 수에 따라 늘어나므로 목록을 짧게 유지하세요.

## BroadNet Inference에서는

BroadNet은 리랭크 엔드포인트도, 임베딩 엔드포인트도 제공하지 않습니다. Sentence Transformers 등으로 크로스 인코더를 직접 실행하거나 호스팅형 리랭크 API를 쓴 뒤, 상위 청크를 OpenAI 호환 Chat Completions API로 BroadNet 채팅 모델에 보내세요.

아랍어 문서라면 리랭커가 아랍어나 다국어 데이터로 학습되었는지 확인하세요. 파이프라인의 나머지는 [아랍어 RAG 검색](https://broadrouter.com/ko/blog/arabic-rag-search/)에서 다룹니다. 코퍼스가 작다면 [DeepSeek V4.1 Flash](https://broadrouter.com/ko/models/deepseek-v4.1-flash/) 같은 긴 컨텍스트 모델로 검색 단계를 건너뛸 수도 있습니다. [긴 컨텍스트와 RAG 비교](https://broadrouter.com/ko/blog/long-context-vs-rag/)를 참고하세요.

## 자주 묻는 질문

### 왜 전체 검색에 크로스 인코더를 쓰지 않나요?

질의와 문서 쌍마다 따로 점수를 매기므로 컬렉션 전체에 돌리기에는 너무 느립니다. 1단계가 수백만 개의 문서를 수십에서 수백 개로 좁히고, 리랭커는 그것들만 정렬합니다.

### LLM을 리랭커로 쓸 수 있나요?

네. 채팅 모델에게 후보의 점수를 매기거나 순서를 정하게 할 수 있습니다. 다만 작은 크로스 인코더보다 대개 질의당 더 느리고 비싸므로, 자신의 데이터로 둘 다 테스트하세요.

### 후보를 몇 개나 리랭킹해야 하나요?

정답이 대개 그 안에 들어 있을 만큼입니다. 1단계 상위 20, 50, 100개 안에 정답 청크가 얼마나 자주 들어 있는지 측정하고, 재현율이 좋은 가장 작은 수를 고르세요.

## 함께 보기

-   [RAG(검색 증강 생성)](https://broadrouter.com/ko/glossary/rag/) (용어)
-   [임베딩(embedding)](https://broadrouter.com/ko/glossary/embeddings/) (용어)
-   [하이브리드 검색(hybrid search)](https://broadrouter.com/ko/glossary/hybrid-search/) (용어)
-   [BM25](https://broadrouter.com/ko/glossary/bm25/) (용어)
-   [청킹(chunking, RAG)](https://broadrouter.com/ko/glossary/chunking/) (용어)
-   [벡터 데이터베이스(vector database)](https://broadrouter.com/ko/glossary/vector-database/) (용어)
-   [OpenAILike로 LlamaIndex와 BroadNet Inference 연결하기](https://broadrouter.com/ko/guides/llamaindex-openailike/) (가이드)
-   [아랍어 RAG: 제대로 작동하는 정규화, 청킹, 검색](https://broadrouter.com/ko/blog/arabic-rag-search/) (글)
-   [롱 컨텍스트 vs RAG: 100만 토큰이 벡터 DB를 대체할 때](https://broadrouter.com/ko/blog/long-context-vs-rag/) (글)

실제 워크로드로 테스트해 보세요. 신규 계정에는 US$5 상당의 초기 크레딧이 제공되며 Gemma 및 음성 전사에 사용할 수 있습니다. DeepSeek, GLM 및 Qwen3.8 모델은 충전이 필요합니다.

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

**출처**

-   [Nogueira, Cho, Passage Re-ranking with BERT, arXiv 1901.04085(2026-11-15 확인)](https://arxiv.org/abs/1901.04085)
-   [Sentence Transformers 문서, 크로스 인코더 사용법(2026-11-15 확인)](https://sbert.net/docs/cross_encoder/usage/usage.html)
-   [Cohere API 레퍼런스, rerank(2026-11-15 확인)](https://docs.cohere.com/reference/rerank)
