ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
إصدارورقة بحثية · للتجربةLanceDB Blog→ المصدر

مُعيد ترتيب Cohere يرفع دقة البحث الهجين في RAG فوق 90% في اختبار LanceDB

في أنظمة RAG كثيرًا ما يعثر البحث على الفقرة المطلوبة لكنه يضعها خارج المراتب الأولى، فلا تصل إلى الموجّه (prompt). اختبرت LanceDB مُعيد الترتيب Cohere v3، الذي يعيد فرز النتائج في تمريرة ثانية. وتجاوزت نسبة الاستعلامات التي وصل فيها المقطع المطلوب إلى الصدارة 90% في البحث الهجين (المتجهات مع الكلمات المفتاحية)، أي بزيادة 23–49% عن خط الأساس. لذلك يُستحسن ربط مُعيد ترتيب بالبحث الهجين في RAG منذ البداية.

معالج بواسطة الذكاء الاصطناعي من LanceDB Blog؛ بتحرير Hamidun News
مُعيد ترتيب Cohere يرفع دقة البحث الهجين في RAG فوق 90% في اختبار LanceDB
المصدر: LanceDB Blog. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليLanceDB Blog ↗
رئيس التحرير
لم يتفوق Cohere v3 على v2 إلا بالكادبلغ الإصداران سقفًا يقارب 90%
حقيقة رئيسية #2في البحث المتجهي وحده أضاف مُعيد الترتيب +8% (BGE) و+11% (ColBERT)
الاختبارأكثر من 800 زوج «سؤال — سياق» من تقرير Uber لعام 2021

يعرف كل من بنى نظام RAG هذا الموقف المزعج: وجد البحث الفقرة المطلوبة لكنه وضعها في المرتبة السابعة، بينما لم يدخل الموجّه الموجَّه إلى النموذج سوى النتائج الثلاث الأولى. فتأتي الإجابة خاطئة رغم أن البيانات المطلوبة موجودة في القاعدة. وعلاج ذلك هو إعادة الترتيب (reranking)، أي تمريرة ثانية تعيد فرز ما عُثر عليه وفق معيار آخر لا يتطابق بالضرورة مع تقييم البحث نفسه.

نشر فريق LanceDB اختبارًا قارن فيه عدة مُعيدات ترتيب. بطل الاختبار هو النموذج الجديد Cohere Rerank v3. ففي البحث الهجين، الذي يجمع بين التشابه المتجهي والبحث بالكلمات المفتاحية، رفع نسبة «الإصابات» فوق 90%.

والمقصود بـ«الإصابة» هنا أمر بسيط: ظهور المقطع النصي المطلوب ضمن أول K نتيجة. وبالمقارنة مع البحث المتجهي العادي، تبلغ الزيادة نحو 23% و49% لنموذجَي التضمين (embedding) اللذين جرى اختبارهما.

كيف يُربط

يأتي إعادة الترتيب في LanceDB مدمجًا لجميع أنواع البحث: المتجهي والنصي الكامل والهجين. ولاستخدامه يكفي إنشاء كائن مُعيد ترتيب (مثل CohereReranker مع مفتاح API) وتمريره إلى الاستعلام عبر الدالة rerank. بعد ذلك يمكن الحصول على النتيجة في جدول pandas. والشيفرة شبه متطابقة في الأوضاع الثلاثة، ولذلك يسهل التنقل بينها ومقارنة مُعيدات الترتيب.

كيف أُجري الاختبار

قيّم الاختبار جودة البحث فقط، لا نظام RAG بأكمله. والمقياس هو hit-rate: هل وقع المقطع المتوقع ضمن أول K نتيجة. وهو نسخة مبسطة من المقياسين المعتادين recall@k وmAP. وكان خط الأساس للمقارنة هو البحث المتجهي العادي بلا مُعيد ترتيب.

ثمة تفصيل مهم. عند تطبيق مُعيد الترتيب على البحث المتجهي، يؤخذ أولًا ضعف عدد المرشحين (2K)، وبعد إعادة الفرز يُبقى على أول K. ودون هذا الهامش لن يجد مُعيد الترتيب ما يعيد ترتيبه، وسيبقى الأثر غير ملحوظ.

استُخدمت مجموعتا بيانات. الأولى Uber 10K: أكثر من 800 زوج «سؤال — سياق» مستمدة من التقرير السنوي لشركة Uber لعام 2021 المقدَّم إلى SEC، ويمكن تنزيلها عبر LlamaIndex. والثانية مجموعة مبنية على مقالة استعراضية عن النماذج اللغوية الكبيرة. أُجري الاختبار بنموذجَي تضمين: BGE وColBERT. أما مُعيدات الترتيب المقارَنة فهي: ColBERT وCohere v2 وCohere v3. ويُذكر في النص أيضًا المشفّرات المتقاطعة (cross-encoders) والتوليفة الخطية للدرجات، وقد تفوق عليها Cohere كذلك.

النتائج

  • البحث المتجهي + مُعيد الترتيب. نتائج نموذجَي التضمين متقاربة. ويعمل ColBERT، سواء بوصفه مُضمِّنًا أو مُعيد ترتيب، أفضل قليلًا من خط الأساس. وأظهر مُعيدا ترتيب Cohere أعلى دقة: فمجرد إعادة فرز النتائج الموسّعة أعطى نحو +8% مع BGE و+11% مع ColBERT.
  • البحث الهجين + مُعيد الترتيب. يتصدر Cohere هنا أيضًا في الحالتين: تجاوزت نسبة الإصابات 90%. وهذا يعادل نحو +23% و+49% فوق الخط الأساسي لدالتَي التضمين.
  • مجموعة البيانات الثانية. الصورة نفسها: يتفوق Cohere على الجميع مع ColBERT ومع BGE، وتأتي توليفة مُعيد ترتيب ColBERT مع تضمين ColBERT أفضل قليلًا من خط الأساس. ويقول المؤلفون إن Cohere احتل المرتبة الأولى كذلك في مجموعات بيانات مشابهة أخرى.

ماذا عن v3 مقابل v2

الاستنتاج غير المتوقع هو أن الفرق بين Cohere v3 وv2 على هذه البيانات ضئيل جدًا. فكلا الإصدارين يصل إلى نحو 90%، أي يبلغان سقف الجودة. ويرى المؤلفون أن مجموعتَي البيانات هاتين لا تصلحان ببساطة للتمييز بين النموذجين.

وقد يظهر تفوق v3 بوضوح أكبر في مهام أخرى. ففي إعلان Cohere قورنت مُعيدات الترتيب على بيانات JSON شبه المنظمة، وكان البحث هناك بخوارزمية BM25 (وهو في LanceDB البحث النصي الكامل) لا بالمتجهات. وفي هذه الظروف يتفوق v3 على v2 بشكل ملحوظ. ولم تُدرج LanceDB هذه القياسات في مقالتها، لكنها تخطط لتناولها في الأجزاء القادمة. كما تعد هناك بحالات أكثر تعقيدًا: البحث المنظم وشبه المنظم.

ومن مزايا v3 المعلنة أيضًا السرعة: يُفترض أن تعمل واجهته البرمجية أسرع بوضوح من v2. لكن المؤلفين أخذوا هذه المقارنة من مدونة Cohere ولم يقيسوها بأنفسهم.

ماذا تفعل عمليًا

إذا كان نظام RAG لديك يعتمد على البحث المتجهي وحده، فإن مُعيد الترتيب من أرخص الطرق لرفع جودة النتائج. ابدأ بالبحث الهجين مع مُعيد ترتيب Cohere، ثم تحقق مما يقدمه v3 على نوع بياناتك. وفي حالة التقارير والمقالات، يصعب توقع قفزة مقارنة بـ v2. أما مع مستندات JSON والمستندات شبه المنظمة، فقد يكون الفرق أكبر، بحسب ما تقوله Cohere.

وثمة قيود أيضًا. هذا اختبار أجرته الشركة المطورة لقاعدة المتجهات نفسها على مجموعتَي بيانات، والمقياس مبسّط: فهو يبيّن هل وصل النص المطلوب إلى النتائج، لكنه لا يقيس جودة الإجابات النهائية. لذلك شغّل مقياس hit-rate نفسه على مستنداتك الخاصة قبل الاعتماد على أي مُعيد ترتيب.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول كيف يُربط؟

يأتي إعادة الترتيب في LanceDB مدمجًا لجميع أنواع البحث: المتجهي والنصي الكامل والهجين. ولاستخدامه يكفي إنشاء كائن مُعيد ترتيب (مثل CohereReranker مع مفتاح API) وتمريره إلى الاستعلام عبر الدالة rerank. بعد ذلك يمكن الحصول على النتيجة في جدول pandas. والشيفرة شبه متطابقة في الأوضاع الثلاثة، ولذلك يسهل التنقل بينها ومقارنة مُعيدات الترتيب.

ما أبرز التفاصيل حول كيف أُجري الاختبار؟

قيّم الاختبار جودة البحث فقط، لا نظام RAG بأكمله. والمقياس هو hit-rate: هل وقع المقطع المتوقع ضمن أول K نتيجة. وهو نسخة مبسطة من المقياسين المعتادين recall@k وmAP. وكان خط الأساس للمقارنة هو البحث المتجهي العادي بلا مُعيد ترتيب. ثمة تفصيل مهم. عند تطبيق مُعيد الترتيب على البحث المتجهي، يؤخذ أولًا ضعف عدد المرشحين (2K)، وبعد إعادة الفرز يُبقى على أول K. ودون هذا الهامش لن يجد مُعيد الترتيب ما يعيد ترتيبه، وسيبقى الأثر غير ملحوظ. استُخدمت مجموعتا بيانات.

ما أبرز التفاصيل حول النتائج؟

البحث المتجهي + مُعيد الترتيب. نتائج نموذجَي التضمين متقاربة. ويعمل ColBERT، سواء بوصفه مُضمِّنًا أو مُعيد ترتيب، أفضل قليلًا من خط الأساس. وأظهر مُعيدا ترتيب Cohere أعلى دقة: فمجرد إعادة فرز النتائج الموسّعة أعطى نحو +8% مع BGE و+11% مع ColBERT. البحث الهجين + مُعيد الترتيب. يتصدر Cohere هنا أيضًا في الحالتين: تجاوزت نسبة الإصابات 90%. وهذا يعادل نحو +23% و+49% فوق الخط الأساسي لدالتَي التضمين. مجموعة البيانات الثانية.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…