RAG检索系统的两大核心利器——Embedding模型和Rerank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：

---

1. 功能目标

维度	Embedding模型	Rerank模型
核心任务	将文本转化为低维向量，捕捉语义信息	对候选结果重新排序，提升相关性
输出形式	高维或低维向量（如768维向量）	候选列表的排序分数（如相关性得分）
关注点	文本的全局语义表示	候选结果与查询的细粒度匹配

示例

• 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。

---

2. 应用阶段

维度	Embedding模型	Rerank模型
所处流程	检索阶段 ：快速生成候选集	精排阶段 ：优化候选集的顺序
数据规模	处理海量数据（如百万级文档）	处理小规模候选集（如Top 100~1000）
性能要求	要求高效（毫秒级响应）	可接受较高延迟（需复杂计算）

典型场景

• 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。

---

3. 技术实现

维度	Embedding模型	Rerank模型
模型类型	无监督/自监督学习（如BERT、Sentence-BERT）	有监督学习（如Pairwise Ranking、ListNet）
输入输出	单文本输入 → 固定维度向量	查询+候选文本对 → 相关性分数
特征依赖	仅依赖文本本身的语义信息	可融合多特征（语义、点击率、时效性等）

模型举例

• 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