---
title: "Что такое реранкинг? Кросс-энкодеры-реранкеры в RAG | BroadRouter"
description: "Реранкинг пересчитывает оценки лучших результатов первичного поиска более точной моделью, обычно кросс-энкодером, до того как они попадут в LLM. Как это работает."
url: https://broadrouter.com/ru/glossary/reranking/
lang: ru
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/glossary/reranking/) (обновлён 2026-11-15).

# Реранкинг (reranking)

Обновлено 2026-11-15

Реранкинг — это второй этап поиска, на котором более точная, но медленная модель, обычно кросс-энкодер, оценивает каждую пару из запроса и документа-кандидата, найденного первичным поиском, и переупорядочивает их, чтобы в языковую модель попали только несколько самых релевантных.

Также называют: реранкер, ранжирование, переранжирование, повторное ранжирование, кросс-энкодер, reranker, rerank, re-ranking, cross-encoder reranker

Первичный поиск быстрый, но грубый. Реранкинг тратит больше вычислений на короткий список, чтобы правильно расставить порядок.

## Как это работает

Двухэтапный пайплайн:

1.  **Извлечение.** Быстрый метод, например [эмбеддинги](https://broadrouter.com/ru/glossary/embeddings/) в [векторной базе данных](https://broadrouter.com/ru/glossary/vector-database/), [BM25](https://broadrouter.com/ru/glossary/bm25/) или [гибридный поиск](https://broadrouter.com/ru/glossary/hybrid-search/), возвращает топ-50–100 кандидатов.
2.  **Реранкинг.** Реранкер читает запрос вместе с каждым кандидатом и выставляет каждой паре оценку релевантности. Оставьте топ-3–10.

Большинство реранкеров — кросс-энкодеры. Документация Sentence Transformers говорит, что кросс-энкодер “Generally provides superior performance compared to a Sentence Transformer (a.k.a. bi-encoder) model,” (перевод: «как правило, работает лучше, чем модель Sentence Transformer (то есть би-энкодер)»), но “Often slower” (перевод: «часто медленнее»), потому что “it requires computation for each pair rather than each text.” (перевод: «требует вычислений для каждой пары, а не для каждого текста».) Документация описывает кросс-энкодеры как модели, которые “often used to re-rank the top-k results” (перевод: «часто используются для переранжирования топ-k результатов») би-энкодера.

```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]]
```

Подход восходит как минимум к Nogueira и Cho (2019): они дообучили BERT как реранкер фрагментов и сообщили об относительном улучшении MRR@10 на 27 % по сравнению с лучшим на тот момент результатом в задаче поиска фрагментов MS MARCO.

Есть и облачные API для реранкинга. Эндпоинт rerank от Cohere “takes in a query and a list of texts and produces an ordered array with each text assigned a relevance score,” (перевод: «принимает запрос и список текстов и возвращает упорядоченный массив, где каждому тексту присвоена оценка релевантности»), причём оценки нормированы в диапазоне от 0 до 1, а поле `top_n` ограничивает число результатов.

## Почему это важно

-   **Качество ответов.** LLM может использовать только то, что вы ей отправили. Лучший порядок помещает в промпт нужный фрагмент.
-   **Стоимость в токенах.** С хорошим реранкером можно отправлять 3 фрагмента вместо 10, что сокращает входные токены на каждом вопросе.
-   **Задержка.** Реранкер добавляет шаг. Его стоимость растёт с числом кандидатов, поэтому держите список коротким.

## В BroadNet Inference

У BroadNet нет эндпоинта для реранкинга и эндпоинта для эмбеддингов. Запустите кросс-энкодер сами, например через Sentence Transformers, или используйте облачный API реранкинга, а затем отправьте лучшие фрагменты чат-модели BroadNet через OpenAI-совместимый Chat Completions API.

Для арабских документов проверьте, что ваш реранкер обучен на арабских или многоязычных данных; остальная часть пайплайна описана в статье [об арабском RAG-поиске](https://broadrouter.com/ru/blog/arabic-rag-search/). Если корпус небольшой, модель с длинным контекстом, например [DeepSeek V4.1 Flash](https://broadrouter.com/ru/models/deepseek-v4.1-flash/), может позволить обойтись без извлечения; см. [длинный контекст против RAG](https://broadrouter.com/ru/blog/long-context-vs-rag/).

## Вопросы и ответы

### Почему бы не использовать кросс-энкодер для всего поиска?

Он оценивает каждую пару из запроса и документа отдельно, поэтому слишком медленный, чтобы пройтись по всей коллекции. Первый этап сужает миллионы документов до десятков или сотен, а реранкер упорядочивает только их.

### Может ли LLM быть реранкером?

Да. Можно попросить чат-модель оценить или упорядочить кандидатов. Обычно это медленнее и дороже в расчёте на запрос, чем небольшой кросс-энкодер, так что проверьте оба варианта на своих данных.

### Сколько кандидатов отправлять на реранкинг?

Столько, чтобы правильный ответ обычно был среди них. Измерьте, как часто нужный фрагмент попадает в топ-20, топ-50 и топ-100 первого этапа, и выберите наименьшее число с хорошей полнотой.

## См. также

-   [RAG (генерация, дополненная поиском)](https://broadrouter.com/ru/glossary/rag/) (термин)
-   [Эмбеддинги (embeddings)](https://broadrouter.com/ru/glossary/embeddings/) (термин)
-   [Гибридный поиск (hybrid search)](https://broadrouter.com/ru/glossary/hybrid-search/) (термин)
-   [BM25](https://broadrouter.com/ru/glossary/bm25/) (термин)
-   [Чанкинг (chunking) в RAG](https://broadrouter.com/ru/glossary/chunking/) (термин)
-   [Векторная база данных (vector database)](https://broadrouter.com/ru/glossary/vector-database/) (термин)
-   [LlamaIndex и BroadNet Inference через OpenAILike](https://broadrouter.com/ru/guides/llamaindex-openailike/) (руководство)
-   [RAG на арабском: нормализация, чанкинг и поиск, который работает](https://broadrouter.com/ru/blog/arabic-rag-search/) (статья)
-   [Длинный контекст или RAG: когда 1 млн токенов заменяет векторную БД](https://broadrouter.com/ru/blog/long-context-vs-rag/) (статья)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

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

**Источники**

-   [Nogueira и Cho, Passage Re-ranking with BERT, arXiv 1901.04085 (проверено 2026-11-15)](https://arxiv.org/abs/1901.04085)
-   [Документация Sentence Transformers, использование кросс-энкодеров (проверено 2026-11-15)](https://sbert.net/docs/cross_encoder/usage/usage.html)
-   [Справочник API Cohere, rerank (проверено 2026-11-15)](https://docs.cohere.com/reference/rerank)
