Reranking
El reranking es una técnica de recuperación en dos etapas que primero recupera un conjunto amplio de candidatos utilizando un método rápido de bi-encoder o palabras clave, luego re-califica esos candidatos con un modelo cross-encoder más lento y preciso para mejorar la calidad de la clasificación final.
El reranking es una técnica de recuperación de información en dos etapas utilizada para mejorar la relevancia de los resultados de búsqueda y recuperación de documentos. En la primera etapa, un método rápido — como coincidencia de palabras clave BM25 o búsqueda de vectores de vecino más cercano aproximado (ANN) via embeddings de bi-encoder — recupera rápidamente un conjunto grande de candidatos, a menudo 50–500 elementos, de un corpus. En la segunda etapa, un modelo reranker re-califica cada candidato contra la consulta original y los reordena para mostrar los resultados más relevantes en la parte superior.
El reranker central es típicamente un cross-encoder: un transformer que recibe la consulta y un documento candidato concatenados como entrada, permitiendo atención cruzada completa entre ellos. Esto es computacionalmente costoso comparado con computar embeddings independientemente, pero produce puntuaciones de relevancia significativamente de mayor calidad. Los modelos reranker ampliamente utilizados incluyen Cohere Rerank 3 (lanzado en abril de 2024), la serie BGE-Reranker-v2 de BAAI, y modelos basados en ColBERT que utilizan interacción tardía entre embeddings a nivel de token como un punto medio entre velocidad y precisión.
El reranking es un componente crítico en pipelines de Generación Aumentada por Recuperación (RAG), donde solo los pasajes re-clasificados de los k mejores se pasan al modelo de lenguaje como contexto. Sin reranking, fragmentos marginalmente relevantes pueden desplazar otros genuinamente útiles, degradando la calidad de la respuesta generada. El mismo patrón se aplica en búsqueda empresarial, descubrimiento de documentos legales, y sistemas de soporte al cliente que demandan alta precisión.
A partir de 2026, el reranking es un componente estándar en arquitecturas RAG de producción. Las APIs alojadas de Cohere, JinaAI, y Voyage AI hacen que sea sencillo agregar reranking sin alojar la infraestructura del modelo, y frameworks como LangChain y LlamaIndex proporcionan integraciones nativas. La investigación continúa en recuperación dispersa aprendida y modelos de interacción tardía que difuminan la frontera entre recuperación de la primera etapa y reranking.