Rerank（重新排序）
又稱：重新排序 · 重排 · reranker · cross-encoder · 第二輪排序
檢索的第二關：先用便宜快的方法撈出一批候選，再用一個更聰明也更貴的模型，把「問題」和「每個候選」放一起細看，重新排出真正最相關的順序。
你會在什麼時候遇到它
純向量檢索會把「讀起來像」誤當成「答得對」，top-k 裡常混著語義相近卻答非所問的段落。rerank 是把這些假陽性篩掉、把真正有用的那段頂到最前面的關鍵一步，直接決定餵給模型的上下文品質。
打個比方
像招聘的兩階段。第一輪用關鍵字快速篩掉明顯不合的履歷（便宜、量大）；第二輪由主管逐份細讀、面談，排出真正該錄取的順序（貴、量少）。向量檢索是第一輪，rerank 是第二輪。
最小範例
問題：「我們公司的報銷上限是多少？」
向量檢索 top-5（只看語義相近，順序不一定對）：
1. 出差住宿的報銷流程 ⋯（像，但沒講上限）
2. 報銷上限是台幣三萬元 ← 正確答案，卻排在第 2
3. 報銷需要附收據 ⋯
4. 員工福利說明 ⋯
5. 財務系統登入方式 ⋯
rerank 之後（把問題和每段一起細看）：
1. 報銷上限是台幣三萬元 ← 頂到最前
2. 出差住宿的報銷流程 ⋯
⋯注意第 2 項：向量檢索其實有撈到正確答案，只是排在第 2、相似度分被別的段落蓋過。如果你只取 top-1 就餵給模型，就會漏掉它。rerank 的價值不是「找到沒找到的」，而是「把已經找到、卻排錯位置的，重新排對」。
最常搞錯的地方
- 以為 rerank 能補救爛檢索。如果向量檢索根本沒把正確段落撈進候選，rerank 也無中生有不了 —— 它只能在「已經撈到的」裡面重排。前面的 embedding 和 chunking 爛，rerank 救不回來。
- 對全部幾十萬段都跑 rerank。rerank 模型又貴又慢，正確用法是兩段式：先用向量檢索快速縮到 top-50，再對這 50 段 rerank，取前幾段給模型。