Reranking: Melhorar a Relevância
Nesta página
Objetivos
- Compreender por que o reranking melhora os resultados
- Implementar um reranker utilizando um cross-encoder
- Integrar o reranking num pipeline RAG
O Problema do Bi-Encoder
Toda a pesquisa que construiu até agora baseia-se num bi-encoder: a consulta e os documentos são codificados separadamente, de forma autónoma, e comparados através de um produto escalar. É isto que torna a pesquisa instantânea mesmo entre um milhão de fragmentos, uma vez que os vetores do corpus foram computados de uma vez por todas. É também o que a torna imprecisa, porque o modelo nunca vê a consulta e o documento em conjunto: deve resumir cada texto num vetor sem saber o que lhe será pedido mais tarde.
Um cross-encoder, também chamado reranker, recebe o par (consulta, documento) como entrada e produz uma pontuação de relevância muito mais fina, porque lê ambos os textos em conjunto e consegue detetar que um documento aborda o tema, mas num sentido oposto. Este ganho tem um custo: o modelo deve processar cada documento individualmente, o que proíbe a sua utilização em todo o corpus. A solução é empregá-lo onde é rentável, num pequeno conjunto de candidatos já pré-selecionados.
Daí resulta o pipeline de duas fases, onde cada modelo faz o que sabe fazer de melhor: o rápido reduz o campo de ação, o preciso faz a seleção final.
Query → Bi-encoder → Top 50 Candidates → Cross-encoder → Top 5 Results
Reranking com a Cohere
A Cohere disponibiliza um reranker de alto desempenho via API, o que evita a necessidade de alojar um modelo. A função seguinte encadeia as duas etapas: primeiro recupera vinte candidatos via similaridade de vetores, depois pede ao rerank-v3.5 para manter apenas cinco. Note o campo index_original preservado no resultado: o reranker devolve posições relativas à lista de candidatos, e precisará disto para mapear de volta para o documento real no seu corpus.
import cohere
from openai import OpenAI
co = cohere.Client(api_key="your-cohere-key")
openai_client = OpenAI()
def search_and_rerank(
question: str,
documents: list[str],
embeddings_corpus,
k_retrieval: int = 20,
k_final: int = 5
) -> list[dict]:
"""Semantic search + reranking."""
# Step 1: Fast retrieval (bi-encoder)
query_emb = openai_client.embeddings.create(
input=question,
model="text-embedding-3-large"
).data[0].embedding
import numpy as np
scores = embeddings_corpus @ np.array(query_emb)
top_indices = np.argsort(scores)[-k_retrieval:][::-1]
candidates = [documents[i] for i in top_indices]
# Step 2: Reranking (cross-encoder)
rerank_response = co.rerank(
query=question,
documents=candidates,
top_n=k_final,
model="rerank-v3.5"
)
return [
{
"text": candidates[r.index],
"rerank_score": r.relevance_score,
"original_index": int(top_indices[r.index])
}
for r in rerank_response.results
]
Reranking com um LLM
Se preferir não adicionar outro fornecedor à sua arquitetura — por razões contratuais, localização de dados ou simplesmente faturação —, um LLM que já utiliza pode assumir esse papel. Submete a pergunta e um documento, solicita uma pontuação de 0 a 10 e ordena os resultados. Definir a temperatura para zero e reduzir max_tokens para cinco garante uma saída determinística e económica; o bloco try/except trata os casos em que o modelo responde com algo que não seja um número.
from openai import OpenAI
client = OpenAI()
def llm_reranker(
question: str,
candidates: list[str],
k: int = 5
) -> list[dict]:
"""Uses an LLM to score relevance."""
scores = []
for i, doc in enumerate(candidates):
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[{
"role": "user",
"content": (
f"On a scale of 0 to 10, how relevant is this document "
f"for answering the question?\n\n"
f"Question: {question}\n\n"
f"Document: {doc}\n\n"
f"Respond only with a number between 0 and 10."
)
}],
temperature=0,
max_tokens=5
)
try:
score = float(response.choices[0].message.content.strip())
except ValueError:
score = 0.0
scores.append({"index": i, "text": doc, "score": score})
scores.sort(key=lambda x: x["score"], reverse=True)
return scores[:k]
Esta versão custa uma chamada por candidato, ou seja, vinte chamadas e tanta latência cumulativa para uma única pergunta do utilizador. Na prática, isto é proibitivo numa interface interativa. Em vez disso, pedimos ao modelo que classifique todos os documentos de uma vez, apresentando cada candidato truncado a 200 caracteres e numerado, esperando apenas uma lista de índices como retorno.
def llm_batch_reranker(
question: str,
candidates: list[str],
k: int = 5
) -> list[int]:
"""Reranking in a single LLM call."""
formatted_docs = "\n".join(
f"[{i}] {doc[:200]}" for i, doc in enumerate(candidates)
)
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[{
"role": "user",
"content": (
f"Rank these documents by relevance to the question. "
f"Return the indices of the {k} most relevant "
f"documents, separated by commas, from most to "
f"least relevant.\n\n"
f"Question: {question}\n\n"
f"Documents:\n{formatted_docs}\n\n"
f"Indices (e.g., 3,1,7,0,5):"
)
}],
temperature=0,
max_tokens=50
)
indices_str = response.choices[0].message.content.strip()
return [int(i.strip()) for i in indices_str.split(",")][:k]
Integração no Pipeline RAG
Num pipeline completo, o reranking encaixa-se entre a recuperação e a geração sem alterar mais nada. O ponto chave na classe abaixo é o limiar de 0,3 no relevance_score: permite devolver menos de cinco contextos quando nenhum candidato é verdadeiramente relevante, em vez de alimentar o gerador com ruído. Frequentemente, este filtro, mais do que o próprio reranking, elimina respostas alucinadas.
class RAGPipelineWithReranking:
def __init__(self):
self.client = OpenAI()
self.co = cohere.Client()
def respond(self, question: str, chunks, embeddings_corpus):
# 1. Broad retrieval
candidates = self.search(question, embeddings_corpus, k=20)
# 2. Reranking
candidate_docs = [chunks[i]["text"] for i in candidates]
reranked = self.co.rerank(
query=question,
documents=candidate_docs,
top_n=5,
model="rerank-v3.5"
)
# 3. Select the best
contexts = [
chunks[candidates[r.index]]
for r in reranked.results
if r.relevance_score > 0.3 # Relevance threshold
]
# 4. Generate the answer
return self.generate(question, contexts)
Impacto do Reranking
| Métrica | Sem Reranking | Com Reranking | Ganho |
|---|---|---|---|
| Recall@5 | 0.72 | 0.72 | = |
| Precision@5 | 0.58 | 0.78 | +34% |
| MRR | 0.65 | 0.82 | +26% |
Estes números dizem exatamente o que um reranker faz. O recall não se move, e isso é lógico: os candidatos são os mesmos, e o cross-encoder não pode resgatar um documento que o bi-encoder não trouxe à superfície. No entanto, a precisão e o MRR melhoram significativamente, porque o documento correto passa do sexto lugar para o primeiro. Corolário prático: se o seu recall for fraco, o reranking não o salvará; deve primeiro alargar a recuperação ou rever a fragmentação.
Pontos-chave
- O reranking reordena os candidatos com um modelo mais preciso
- Pipeline típico: bi-encoder (top 20–50) → cross-encoder (top 5)
- O Cohere rerank-v3.5 é uma solução pronta a usar
- Um LLM pode servir de reranker se preferir evitar uma dependência externa
- O ganho de precisão é significativo (tipicamente 20–35%)