Le reranker de Cohere fait passer la précision de la recherche hybride en RAG au-dessus de 90 % dans le test de LanceDB
En RAG, la recherche trouve souvent le bon paragraphe, mais le classe en dessous des premières places, et il n'atteint jamais le prompt. LanceDB a testé le reranker Cohere v3, qui réordonne les résultats lors d'un second passage. Dans la recherche hybride (vecteurs plus mots-clés), la part des requêtes dont le bon fragment entre dans le top dépasse 90 %, soit 23 à 49 % de plus que la base. Il est donc utile de brancher dès maintenant un reranker sur une recherche hybride en RAG.
Traité par IA depuis LanceDB Blog ; édité par Hamidun News
Quiconque a déjà construit un système RAG connaît cette situation désagréable : la recherche a bien trouvé le paragraphe voulu, mais l'a placé en septième position, alors que seuls les trois premiers résultats ont été transmis au modèle dans le prompt. La réponse passe à côté, alors que les données nécessaires étaient bien présentes dans la base. Le reranking règle ce problème : c'est un second passage qui retrie les résultats trouvés selon un critère différent, qui ne coïncide pas forcément avec le score de la recherche elle-même.
L'équipe de LanceDB a publié un benchmark comparant plusieurs rerankers. Le principal protagoniste du test est le nouveau modèle Cohere Rerank v3. En recherche hybride, qui combine la similarité vectorielle et la recherche par mots-clés, il a fait dépasser à la part des « succès » la barre des 90 %.
Un « succès » désigne ici une chose simple : le fragment de texte recherché figure parmi les K premiers résultats. Par rapport à une recherche vectorielle classique, cela représente environ 23 % et 49 % de plus pour les deux modèles d'embedding testés.
Comment on le branche
Dans LanceDB, le reranking est intégré à tous les types de recherche : vectorielle, plein texte et hybride. Pour l'utiliser, il suffit de créer un objet de reranker (par exemple CohereReranker avec une clé API) et de le passer à la requête via la méthode rerank. Le résultat peut ensuite être obtenu sous forme de table pandas. Le code est presque identique pour les trois modes, ce qui facilite le passage de l'un à l'autre et la comparaison des rerankers.
Comment le test a été mené
Seule la qualité de la recherche a été évaluée, et non le RAG dans son ensemble. La métrique est le hit-rate : le fragment attendu figure-t-il dans le top-K des résultats ? C'est une version simplifiée des mesures habituelles recall@k et mAP. La référence de comparaison était une recherche vectorielle classique, sans reranker.
Un détail est important. Lorsqu'on applique le reranker à une recherche vectorielle, on prend d'abord deux fois plus de candidats (2K), puis on ne garde que le top-K après réordonnancement. Sans cette marge, le reranker n'aurait rien à réordonner, et l'effet serait imperceptible.
Deux jeux de données ont été utilisés. Le premier est Uber 10K : plus de 800 paires « question — contexte » issues du rapport annuel 2021 d'Uber, déposé auprès de la SEC. On peut le télécharger via LlamaIndex. Le second repose sur un article de synthèse consacré aux grands modèles de langage. Les tests ont été menés avec deux modèles d'embedding, BGE et ColBERT. Les rerankers comparés étaient ColBERT, Cohere v2 et Cohere v3. Le texte mentionne aussi les cross-encoders et la combinaison linéaire de scores : Cohere les a également devancés.
Les résultats
- Recherche vectorielle + reranker. Les résultats sont proches pour les deux modèles d'embedding. ColBERT, utilisé à la fois comme embedder et comme reranker, fait un peu mieux que la référence. Les rerankers de Cohere affichent la plus haute précision : rien qu'en réordonnant la sortie élargie, ils apportent environ +8 % pour BGE et +11 % pour ColBERT.
- Recherche hybride + reranker. Là encore, Cohere est en tête dans les deux cas : la part des succès dépasse 90 %. Cela représente environ +23 % et +49 % par rapport à la configuration de base, pour les deux fonctions d'embedding.
- Second jeu de données. Le constat est le même : Cohere est le meilleur, que ce soit avec ColBERT ou avec BGE, et le couple reranker ColBERT / embedding ColBERT fait un peu mieux que la référence. Selon les auteurs, Cohere s'est également classé premier sur d'autres jeux de données similaires.
Cohere v3 face à v2
Le résultat inattendu est que la différence entre Cohere v3 et v2 est négligeable sur ces données. Les deux versions atteignent environ 90 %, c'est-à-dire qu'elles butent sur le même plafond de qualité. Selon les auteurs, ces jeux de données ne permettent tout simplement pas de départager les modèles.
v3 pourrait toutefois se distinguer davantage sur d'autres tâches. Dans l'annonce de Cohere, les rerankers avaient été comparés sur des données JSON semi-structurées, avec une recherche en BM25 (qui correspond à la recherche plein texte dans LanceDB) plutôt qu'en vectoriel. Dans ce cadre, v3 fait nettement mieux que v2. LanceDB n'a pas inclus ces mesures dans l'article, mais prévoit de les traiter dans les prochaines parties. Elle promet aussi des cas plus complexes, la recherche structurée et semi-structurée.
Un autre avantage annoncé de v3 est la vitesse : son API devrait être nettement plus rapide que celle de v2. Mais cette comparaison provient du blog de Cohere, les auteurs ne l'ont pas mesurée eux-mêmes.
Que faire en pratique
Si votre RAG ne repose que sur une recherche vectorielle, le reranker est l'un des moyens les moins coûteux d'améliorer la qualité des résultats. Commencez par une recherche hybride associée au reranker de Cohere, puis vérifiez ce que v3 apporte sur votre type de données. Pour les rapports et les articles, il ne faut sans doute pas attendre de saut par rapport à v2. Pour le JSON et les documents semi-structurés, l'écart pourrait être plus important, à en juger par les résultats de Cohere.
Il existe aussi des limites. Il s'agit du benchmark du fournisseur même de la base vectorielle, réalisé sur deux jeux de données, et la métrique est simplifiée : elle indique si le texte recherché figure dans les résultats, mais non la qualité des réponses finales. Avant tout déploiement, mesurez donc le même hit-rate sur vos propres documents.
- 27 oct. 2026Voyage rerank-2.5 devance Cohere de 7,94 % en précision de recherche et comprend les instructions
- 8 nov. 2026Cohere conserve 98,4 % de la qualité de recherche avec des requêtes rapides
- 30 avr. 2026Sber : le graphe de connaissances Yago n'a presque pas aidé la recherche, LightRAG a ajouté 12 points de précision
- 27 oct. 2026Qdrant compresse une page PDF à 64 octets en mémoire et conserve 99,2 % de la qualité de recherche
Questions clés sur cet article
Comment on le branche?
Dans LanceDB, le reranking est intégré à tous les types de recherche : vectorielle, plein texte et hybride. Pour l'utiliser, il suffit de créer un objet de reranker (par exemple CohereReranker avec une clé API) et de le passer à la requête via la méthode rerank. Le résultat peut ensuite être obtenu sous forme de table pandas. Le code est presque identique pour les trois modes, ce qui facilite le passage de l'un à l'autre et la comparaison des rerankers.
Comment le test a été mené?
Seule la qualité de la recherche a été évaluée, et non le RAG dans son ensemble. La métrique est le hit-rate : le fragment attendu figure-t-il dans le top-K des résultats ? C'est une version simplifiée des mesures habituelles recall@k et mAP. La référence de comparaison était une recherche vectorielle classique, sans reranker. Un détail est important. Lorsqu'on applique le reranker à une recherche vectorielle, on prend d'abord deux fois plus de candidats (2K), puis on ne garde que le top-K après réordonnancement.
Que sait-on sur Les résultats ?
Recherche vectorielle + reranker. Les résultats sont proches pour les deux modèles d'embedding. ColBERT, utilisé à la fois comme embedder et comme reranker, fait un peu mieux que la référence. Les rerankers de Cohere affichent la plus haute précision : rien qu'en réordonnant la sortie élargie, ils apportent environ +8 % pour BGE et +11 % pour ColBERT. Recherche hybride + reranker. Là encore, Cohere est en tête dans les deux cas : la part des succès dépasse 90 %.
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.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.