Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

BM25

BM25 ist eine Ranking-Formel für die Stichwortsuche. Sie bewertet jedes Dokument danach, wie oft die Wörter der Anfrage darin vorkommen, gewichtet seltene Wörter stärker und rechnet langen Dokumenten und wiederholten Begriffen weniger an.

Auch: Okapi BM25, keyword search, lexical search

Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir

BM25 ist die Standardmethode für Stichwort-Ranking in Suchmaschinen wie Elasticsearch, OpenSearch und Lucene. Sie stammt aus der Okapi-Forschung zum Information Retrieval und bleibt selbst gegenüber neuronalen Retrievern eine starke Vergleichsbasis.

Wie sie bewertet

Für jedes Wort der Anfrage betrachtet BM25 drei Dinge. Termhäufigkeit: Ein Wort, das in einem Dokument öfter vorkommt, zählt mehr, aber mit abnehmendem Ertrag, jede weitere Erwähnung bringt also weniger. Inverse Dokumenthäufigkeit: Seltene Wörter wie „pgvector“ zählen weit mehr als häufige wie „the“. Dokumentlänge: Lange Dokumente werden leicht abgewertet, da sie zufällig mehr Wörter enthalten. Zwei Parameter, meist k1 und b genannt, steuern den ersten und dritten Effekt.

Es ist ein Bag-of-Words-Verfahren: Wortreihenfolge und Bedeutung werden ignoriert.

Warum sie für KI weiter wichtig ist

BM25 braucht kein Modell, keine GPU und keinen Embedding-Schritt, und es kommt gut mit Produktcodes, Namen und Fehlermeldungen zurecht. Der BEIR-Benchmark fand BM25 über viele Retrieval-Aufgaben hinweg als robuste Vergleichsbasis. Deshalb kombinieren die meisten Setups für hybride Suche BM25 mit Vektorsuche.

Grenzen

BM25 erkennt keine Synonyme oder Umschreibungen: „car“ findet nicht „automobile“. Gelernte Modelle für Sparse Retrieval wie SPLADE behalten dieselbe Indexstruktur, ergänzen aber verwandte Begriffe, was diese Lücke schließt.

Verwandte Begriffe

Hybride Suche
Hybride Suche (Hybrid Search) führt zu derselben Anfrage eine Stichwortsuche und eine Vektorsuche aus und führt die beiden Ergebnislisten zusammen, sodass Treffer sowohl über exakte Wörter als auch über Bedeutung passen können.
Sparse Retrieval
Sparse Retrieval (dünnbesetzte Suche) stellt Abfragen und Dokumente als Vektoren über ein Vokabular dar, in denen die meisten Einträge null sind und jeder Eintrag ungleich null ein Wortgewicht ist. So kann die Suche schnelle invertierte Indizes nutzen, wie bei der Stichwortsuche.
Vektorsuche
Vektorsuche (Vector Search) findet Einträge, indem sie ihre Embeddings mit dem Embedding einer Abfrage vergleicht und die nächstgelegenen zurückgibt. Ergebnisse passen so nach Bedeutung statt nach gemeinsamen Stichwörtern.
Reranking
Reranking (Neusortierung) ist ein zweiter Suchschritt, der eine kurze Liste von Kandidatendokumenten nimmt und sie nach Relevanz für die Abfrage neu ordnet, mit einem genaueren, aber langsameren Modell als bei der ersten Suche.
Retrieval-Metriken (Recall@k, nDCG, MRR)
Retrieval-Metriken bewerten, wie gut ein Suchsystem relevante Dokumente liefert. Recall@k prüft, wie viele relevante Einträge unter den ersten k erscheinen, nDCG belohnt es, sie weit oben einzuordnen, und MRR misst, wie früh der erste richtige auftaucht.

Quellen