ZeroEntropy présente Zerank-2 — un réordonnateur léger pour une recherche précise

ZeroEntropy a lancé Zerank-2, un nouveau cross-encodeur pour le réordonnancement des résultats de recherche. Le modèle basé sur Qwen3 contient seulement 4 milliards de paramètres, mais assure une grande précision dans les pipelines retrieve-and-rerank à deux étapes pour la recherche d'information et les systèmes de retrieval-augmented generation (RAG).

Architecture de la recherche à deux étapes

Zerank-2 s'intègre dans l'architecture standard de la recherche, qui se compose de deux étapes. À la première étape, un bi-encodeur rapide ou un retriever léger (par exemple, BM25, Elasticsearch) retourne les K meilleurs candidats d'une grande base de documents. À la deuxième étape, Zerank-2 réordonne ces candidats, en réexaminant la pertinence de chaque document pour la requête spécifique de l'utilisateur.

Le modèle fonctionne comme un cross-encodeur : il évalue les paires requête-document comme un ensemble unique, en tenant compte de l'interaction sémantique et du contexte. C'est plus coûteux en calcul que la comparaison vectorielle, mais beaucoup plus précis. C'est pourquoi les cross-encodeurs fonctionnent généralement sur un ensemble déjà sélectionné, plutôt que sur l'ensemble de la base.

Avantages clés

• Taille compacte (4 milliards de paramètres) — s'adapte à la mémoire vidéo d'un seul GPU grand public
• Grande précision du réordonnancement des documents sans ralentissement du système
• Économie de ressources — la recherche à deux étapes est moins chère qu'une seule recherche lente sur l'ensemble de la base
• Intégration facile dans les systèmes RAG existants et les applications de recherche
• Open-source et prête pour une utilisation immédiate

Quand c'est utile

Zerank-2 est particulièrement efficace pour les applications où une grande précision de recherche est nécessaire, mais où il n'est pas possible de scanner toute la base avec une méthode lente. Les scénarios typiques incluent : la recherche dans les documents d'entreprise, les systèmes de questions-réponses, les systèmes de recommandation, les assistants basés sur RAG.

Les développeurs intègrent déjà Zerank-2 dans les applications de production. En pratique, l'architecture à deux étapes avec Zerank-2 offre une amélioration de la précision de 30-50% par rapport au simple retrieval, tout en ralentissant la requête de seulement 100-200 ms. Le modèle fonctionne avec n'importe quel retriever — de BM25 aux bases de données vectorielles comme Pinecone ou Weaviate.

«

Un petit cross-encodeur précis est souvent plus utile qu'un grand encodeur », écrivent les développeurs dans la documentation.

Ce que cela signifie

Les systèmes RAG deviennent plus pratiques et plus efficaces. Au lieu de choisir entre une recherche rapide mais imprécise et une recherche lente mais précise, on peut avoir les deux : la recherche rapide trouve les candidats, Zerank-2 sélectionne les meilleurs. C'est particulièrement important pour les applications d'entreprise, où la vitesse et la qualité sont toutes deux nécessaires.

Zerank-2 montre que les cross-encodeurs spécialisés de taille modérée sont souvent plus efficaces que les grands modèles généraux sur des tâches étroites.