Paso 07 de 22
Recuperación y reordenación
Combina búsqueda por palabras clave y vectorial, y luego reordena los resultados por relevancia. La primera búsqueda es rápida pero tosca. Un reranker lee bien los primeros resultados y pone el pasaje correcto en primer lugar.
Por Sheela · Comprobado el 23 oct 2026 · Cómo hacemos las reseñas
Cómo elegir
- Añade búsqueda híbrida (palabras clave más vectores) antes de añadir un reranker.
- Un reranker compensa su latencia extra cuando la respuesta correcta suele estar entre los 20 primeros resultados, pero no entre los 3 primeros.
- Envía pocos pasajes al modelo; más contexto no es mejor contexto.
Qué tener en cuenta
Las preguntas que distinguen las opciones, por orden de importancia.
01
Mejora frente a tu propia primera etapa
El valor de un reranker depende de lo que reordena. Las propias pruebas de Voyage muestran que rerank-3 mejora un 20% la búsqueda por palabras clave BM25, pero solo un 6% un buen modelo de embeddings. Mide el recall a 100 y el NDCG a 10 con tus propias consultas, con y sin el reranker; si el pasaje correcto rara vez está entre los 20 primeros, arregla la recuperación (búsqueda híbrida, mejor fragmentación) antes de añadir uno.
02
Cómo leer las cifras de BEIR y MTEB
La mayoría de puntuaciones de rerankers son NDCG@10 en BEIR, un conjunto de datasets públicos de recuperación, o en las tareas de recuperación y reordenación de la clasificación MTEB. La puntuación de un reranker depende de qué recuperador de primera etapa generó los candidatos y de cuántos reordenó (normalmente los 100 primeros), y los proveedores eligen configuraciones distintas, así que un 63 en una ficha y un 57 en otra no son comparables directamente. Prefiere las tablas que ejecutan todos los modelos sobre los mismos candidatos, mira el dominio más cercano al tuyo (legal, código, MIRACL o Mr.TyDi multilingües) en lugar de la media, y trata las tablas de los proveedores como afirmaciones que hay que reproducir.
03
Latencia por consulta
Un reranker añade una llamada a un modelo en cada búsqueda, y el coste crece con el número de candidatos por la longitud de los documentos. Las cifras publicadas van de unos 0,3 segundos (Jina v3.5 en una A100) a 0,9 segundos (mxbai-rerank-large-v2), y los LLMs usados como rerankers pueden tardar decenas de segundos. Mide el p95 con tu número real de candidatos y tu longitud de pasaje, y reduce los candidatos de 100 a 30 o 50 si la latencia importa más que el último punto de recall.
04
Cross-encoder, listwise o reranker basado en LLM
Un cross-encoder (pointwise) puntúa cada par consulta-documento por separado; la mayoría de modelos actuales, incluidos Qwen3-Reranker, zerank-2 y mxbai v2, son LLMs pequeños usados así. Los rerankers listwise como Jina v3.5 y v3.1 de Mixedbread leen de una vez toda la lista de candidatos y pueden sopesar unos documentos frente a otros, pero su ventana de contexto debe contener todos los candidatos. Pedir a un LLM general que reordene puede igualar la calidad, pero es mucho más lento y caro por consulta.
05
Longitud máxima de entrada
Los rerankers antiguos truncaban a 512 tokens y puntuaban sin avisar solo el principio de cada pasaje. Los modelos actuales aceptan de 8K a 32K tokens por par consulta-documento, y Jina v3.5 admite 131K tokens para la consulta y todos los candidatos juntos. Ajusta el límite a tu tamaño de fragmento; si los fragmentos son largos, comprueba si la API divide los documentos y factura cada trozo, como hace Cohere por encima de 500 tokens.
06
Idiomas
Las afirmaciones multilingües van desde "multilingüe" sin lista hasta más de 100 idiomas. Busca puntuaciones en MIRACL o Mr.TyDi y en consultas entre idiomas (una pregunta en inglés sobre documentos en alemán), y prueba tus propios idiomas: mxbai v2, por ejemplo, va por detrás de los rerankers BGE en Mr.TyDi pese a afirmar que cubre 100 idiomas.
07
Licencia y cómo puedes ejecutarlo
Qwen3-Reranker, zerank-2 y mxbai v2 son Apache 2.0 y pueden ejecutarse en cualquier sitio. Los pesos de Jina v3.5 son no comerciales, así que alojarlo en producción requiere una licencia de pago de Elastic. Voyage y Cohere solo están disponibles por API, lo que elimina las GPUs de tu stack, pero envía los documentos a un tercero. Comprueba también la estabilidad del proveedor: la API alojada de ZeroEntropy solo tuvo soporte hasta el 4 de septiembre de 2026, después de que Notion comprara la empresa en julio, y solo quedan los pesos abiertos.
08
Precio por cada 1.000 búsquedas
Las APIs cobran por token (Voyage, Jina) o por búsqueda (Cohere). Pásalo a una sola unidad: reordenar 100 pasajes de 300 tokens son unos 30.000 tokens por búsqueda, lo que con los $0.05 por millón de tokens de Voyage rerank-3 sale por unos $1.50 por cada 1.000 búsquedas, frente a unos $2.50 por cada 1.000 de Cohere Rerank 4 Pro en los listados de gateways. Alojarlo tú cambia eso por horas de GPU, lo que solo compensa con un volumen alto y constante.
Cómo probarlo con tus propios datos
- Crea entre 50 y 100 preguntas representativas y marca los pasajes correctos de cada una.
- Incluye casos difíciles: abreviaturas, IDs exactos, preguntas ambiguas, pasajes largos y otros idiomas que atiendas.
- Ejecuta tu primera etapa real (híbrida si la usas) y anota el Recall@50 o @100; un reranker no puede recuperar pasajes que nunca le llegan.
- Reordena esos mismos candidatos con cada modelo y compara NDCG@10 y Recall@5 frente a no usar reranker.
- Mide la latencia p95 con tu número real de candidatos, tu longitud de pasaje y tu concurrencia.
- Calcula el precio de cada opción por cada 1.000 búsquedas, o en horas de GPU si lo alojas tú.
- Comprueba la calidad de la respuesta final de principio a fin; una mejora en la ordenación que no cambia las respuestas no compensa su latencia.
En qué se diferencian las opciones
La recuperación se hace en dos etapas. La primera, búsqueda por palabras clave (BM25), vectorial o híbrida, es rápida y devuelve quizá de 50 a 100 candidatos. Después, un reranker lee juntos la consulta y cada candidato y los reordena, lo que es más lento pero mucho más preciso, así que solo los mejores pasajes llegan al modelo. Frameworks como LlamaIndex, Haystack y RAGFlow no reordenan por sí mismos; conectan un recuperador y un reranker.
Los rerankers se dividen por cómo los ejecutas y cómo leen. Las APIs alojadas (Voyage rerank-3, Cohere Rerank 4) no necesitan GPUs y cobran por token o por búsqueda. Los modelos de pesos abiertos (Qwen3-Reranker, zerank-2, mxbai-rerank v2 y Jina v3.5 con una licencia no comercial) funcionan en tu propio hardware. La mayoría puntúan los documentos de uno en uno; los modelos listwise como Jina v3.5 comparan toda la lista corta en una sola pasada.
9 herramientas comparadas
Ordenadas por nuestra nota. Abre cualquier reseña para ver las fuentes, los precios y el veredicto completo.
| Herramienta | Nota | Nuestro veredicto | Ideal para | Precio |
|---|---|---|---|---|
| Voyage rerank-3modelo | 4.6/5 | Según las cifras de la propia Voyage, rerank-3 supera a todos los rivales alojados, y el modelo lite cuesta tan poco que es el límite de uso, no la factura, lo que decide cuánto reranking se hace. | Equipos con RAG o búsqueda en producción que quieren la mejor calidad de reranking alojado por su dinero. | rerank-3 a 0,05 $ por 1M de tokens; rerank-3-lite a 0,02 $ por 1M de tokens; los primeros 200M de tokens, gratis. |
| Jina Reranker v3.5modelo | 4.3/5 | Un reranker de 0,6B que supera a uno de 4B en BEIR, frenado por una licencia que convierte el autoalojamiento en una llamada al departamento de ventas. | Usuarios de Elastic y equipos que quieren un reranker pequeño y de contexto largo en su propio hardware. | API de Jina $0,05 por 1M de tokens. Pesos gratuitos para uso no comercial; el autoalojamiento comercial necesita una licencia de pago de Elastic. |
| LlamaIndexrepo | 4.3/5 | Sigue siendo una herramienta profunda para RAG con muchos documentos, pero su creador dice ya abiertamente que el framework no es su prioridad. | Desarrolladores de Python que crean RAG o agentes de documentos sobre fuentes de datos grandes y variadas. | Framework gratuito bajo MIT. LlamaParse (nube de pago): Free con 10k créditos, Starter 50 $/mes (40k créditos), Pro 500 $/mes (400k créditos), Enterprise a medida; 1.000 créditos = 1,25 $. |
| Haystackrepo | 4.2/5 | Un framework para quien quiere leer su sistema de RAG en lugar de fiarse de él, a cambio de escribir más conexiones por su cuenta. | Equipos de ingeniería que construyen en Python pipelines de RAG y agentes para producción fáciles de mantener. | Gratuito y de código abierto bajo la licencia Apache 2.0. deepset Studio es gratis para un usuario; la Haystack Enterprise Platform tiene precio a medida. |
| Qwen3-Embedding and Qwen3-Rerankermodelo | 4.2/5 | Un sistema de búsqueda abierto completo con una sola licencia, modelo de embeddings y reordenador juntos, aunque su corona en la clasificación data de junio de 2025. | Equipos que autoalojan búsqueda multilingüe o de código y quieren embeddings y reordenación bajo una sola licencia abierta. | Gratis bajo Apache 2.0. El text-embedding-v4 alojado de Qwen Cloud, basado en Qwen3, cuesta 0,07 $ por 1M de tokens. |
| RAGFlowrepo | 4.0/5 | Un producto terminado que va del documento a la respuesta y que puedes ejecutar en un solo servidor, aunque su historial de seguridad indica que su sitio es detrás de una VPN y no en internet abierto. | Equipos que quieren un sistema autoalojado de preguntas sobre documentos y un asistente de conocimiento sin construir un pipeline. | Gratuito y de código abierto con licencia Apache 2.0. InfiniFlow también vende RAGFlow Cloud: Free (500 créditos al mes, sin API key), Starter a 29 $/mes y Pro a 129 $/mes (cada uno mostrado frente a un precio más alto de 59 $ y 259 $), y Enterprise bajo petición con BYOC y despliegue on-premises. |
| zerank-2modelo | 3.9/5 | Un buen reranker abierto cuyas puntuaciones calibradas merecen la pena, que ahora no tiene a nadie detrás salvo su propia GPU. | Equipos que ya ejecutan inferencia en GPU y quieren un reranker gratuito con puntuaciones de relevancia que puedan usar como corte. | Gratuito bajo Apache 2.0. La API alojada de ZeroEntropy (0,025 $ por 1M de tokens en el lanzamiento) solo tuvo soporte hasta el 4 de septiembre de 2026 y ahora devuelve un error de no disponible. |
| mxbai-rerank v2modelo | 3.8/5 | Sigue siendo el reranker pequeño más seguro de alojar por cuenta propia solo por la licencia, aunque su ventaja en benchmarks data de marzo de 2025. | Equipos que quieren un reranker pequeño y con licencia permisiva para ejecutarlo en su propio hardware. | Gratuito bajo Apache 2.0. Alojado solo dentro de Mixedbread Search: búsqueda semántica a $4 por 1.000 consultas, $7,50 con reranking; plan Scale de $20/mes en créditos. |
| Cohere Rerank 4modelo | 3.7/5 | Rerank 4 sigue funcionando, pero el propio Rerank 5 de Cohere lo supera ya en todos los benchmarks que publica Cohere, lo que lo convierte en un modelo del que migrar y no en uno que adoptar. | Equipos con una canalización de Rerank 4 ya ajustada que necesitan tiempo antes de volver a validarla con Rerank 5. | Se factura por búsqueda (una consulta, hasta 100 documentos). Vercel AI Gateway indica Pro a $2,50 y Fast a $2,00 por cada 1.000 búsquedas; la página de Cohere ya no muestra las tarifas de Rerank 4. |
Lado a lado
Las especificaciones que importan en este paso. Comprobado el 23 oct 2026; confírmalo en la web del proveedor antes de decidirte.
| Herramienta | Tipo | Parámetros | Tokens máximos | Idiomas | Licencia / acceso |
|---|---|---|---|---|---|
| Voyage rerank-3 | Reranker alojado, sigue instrucciones | No publicado | 32K consulta + documento | No publicado | API propietaria, MongoDB Atlas |
| Jina Reranker v3.5 | Reranker LLM listwise | 0.6B | 131K para la consulta + todos los candidatos | 52 | CC BY-NC 4.0; API o licencia de pago |
| LlamaIndex | Framework (conecta rerankers) | No aplicable | Depende del reranker | Depende del reranker | MIT |
| Haystack | Framework (conecta rerankers) | No aplicable | Depende del reranker | Depende del reranker | Apache 2.0 |
| Qwen3-Embedding and Qwen3-Reranker | Reranker LLM pointwise | 0.6B, 4B, 8B | 32K | Más de 100 | Apache 2.0 |
| RAGFlow | Motor de RAG con búsqueda híbrida + reordenación | No aplicable | Depende del reranker | Depende del reranker | Apache 2.0 |
| zerank-2 | Reranker pointwise, puntuaciones calibradas | 4B | 32K | Más de 100 (según el proveedor) | Apache 2.0; la API alojada terminó |
| mxbai-rerank v2 | Reranker LLM pointwise | 0.5B, 1.5B | 8K (compatible con 32K) | Más de 100 | Apache 2.0 |
| Cohere Rerank 4 | Reranker alojado (Pro y Fast) | No publicado | 32K consulta + documento | Multilingüe (número no publicado) | API propietaria, Model Vault |
Dónde encaja esta etapa
- Chatea con tus documentos: empezaríamos con Voyage rerank-3.
- Agente de atención al cliente: empezaríamos con Cohere Rerank 4.
- Investigación y grafo de conocimiento: empezaríamos con Jina Reranker v3.5.
- IA privada y local: empezaríamos con Jina Reranker v3.5.