我要投稿
微信搜一搜，关注“AI探索时代”
探索RAG检索系统的核心利器，领略Embedding模型和Rerank模型的巧妙运用。 核心内容： 1. Embedding模型与Rerank模型在RAG系统中的角色与功能 2. 两大模型在自然语言处理和信息检索中的应用与区别 3. 技术实现细节对比，包括功能目标、应用阶段和技术特点
“ Embedding和Rerank模型是RAG系统中的核心模型。”
在RAG系统中，有两个非常重要的模型一个是Embedding模型，另一个则是Rerank模型；这两个模型在RAG中扮演着重要角色。
Embedding模型的作用是把数据向量化，通过降维的方式，使得可以通过欧式距离，余弦函数等计算向量之间的相似度，以此来进行相似度检索。
而Rerank的作用是在Embedding检索的基础之上，进行更加准确的数据筛选；如果说Embedding模型进行的是一维筛选，那么Rerank模型就是从多个维度进行筛选。
Embedding模型和Rerank模型
在自然语言处理和信息检索系统中，Embedding模型和Rerank模型是两类功能不同但常结合使用的技术。
Embedding和Rerank模型都是基于深度学习方式实现的神经网络模型，但由于其功能不同，因此其实现方式和训练方法也有一定的区别。
从使用的角度来看，Embedding一般用于数据向量化并快速检索，而Rerank模型是在快速检索的基础之上进行重排序，提升相似度。
但从技术实现的角度来说，两种模型使用的学习方式和架构是不一样的；原因就在于两个模型的实现目的和处理数据的方式。
它们的核心区别在于目标、应用阶段和技术实现。以下是详细对比：
| 维度 | Embedding模型 | Rerank模型 |
|---|---|---|
| 核心任务 | ||
| 输出形式 | ||
| 关注点 |
Embedding模型：将“如何训练神经网络？”转换为向量，用于检索相似问题。
Rerank模型：对初步检索的100个答案排序，将最相关的答案排到前3。
| 维度 | Embedding模型 | Rerank模型 |
|---|---|---|
| 所处流程 | 检索阶段 | 精排阶段 |
| 数据规模 | ||
| 性能要求 |
Embedding模型：用于搜索引擎的初步召回（如从10亿文档中筛选出Top 1000）。
Rerank模型：在推荐系统中对Top 100结果精细化排序，提升点击率。
| 维度 | Embedding模型 | Rerank模型 |
|---|---|---|
| 模型类型 | ||
| 输入输出 | ||
| 特征依赖 |
Embedding模型：
通用语义编码：BERT、RoBERTa
专用场景：DPR（Dense Passage Retrieval）
Rerank模型：
传统方法：BM25 + 特征工程
深度模型：ColBERT、Cross-Encoder
53AI，企业落地大模型首选服务商
产品：场景落地咨询+大模型应用平台+行业解决方案
承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业
2025-06-23
一文搞懂大模型的RAG（知识库和知识图谱）
2025-06-23
基于知识图谱技术增强大模型RAG知识库应用效果
2025-06-23
为什么你的RAG效果差？可能PDF没准备好！
2025-06-23
如何借助RAC分析法提升服务中的首解率
2025-06-22
实战｜Spring +Milvus，Java也能实现的企业级文档问答RAG
2025-06-21
不需要 RAG！手把手教你构建问答 Agent（只需 30 分钟）
2025-06-21
一文搞懂什么是RAG
2025-06-21
Google | 溯源分析RAG系统错误，提出选择性生成框架，让RAG问答准确率提升10%
2025-03-28
2025-04-01
2025-04-13
2025-04-19
2025-04-09
2025-04-16
2025-05-08
2025-04-05
2025-04-01
2025-04-10
2025-06-20
2025-06-19
2025-06-13
2025-06-09
2025-06-06
2025-05-30
2025-05-29
2025-05-29
回到顶部
粤ICP备17114055号