BM25
BM25 es una fórmula de ordenación para la búsqueda por palabras clave. Puntúa cada documento según con qué frecuencia aparecen en él las palabras de la consulta, dando más peso a las palabras raras y menos mérito a los documentos largos y a los términos repetidos.
También llamado: Okapi BM25, keyword search, lexical search
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
BM25 es el método estándar de ordenación por palabras clave en buscadores como Elasticsearch, OpenSearch y Lucene. Procede de la investigación sobre recuperación de información de Okapi y sigue siendo una referencia sólida incluso frente a los recuperadores neuronales.
Cómo puntúa
Para cada palabra de la consulta, BM25 mira tres cosas. Frecuencia del término: una palabra que aparece más en un documento cuenta más, pero con rendimientos decrecientes, así que cada mención extra suma menos. Frecuencia inversa de documento: las palabras raras como "pgvector" cuentan mucho más que las comunes como "el". Longitud del documento: los documentos largos se penalizan un poco, ya que contienen más palabras por casualidad. Dos parámetros, normalmente llamados k1 y b, controlan el primer y el tercer efecto.
Es un método de bolsa de palabras: ignora el orden de las palabras y su significado.
Por qué sigue importando para la IA
BM25 no necesita modelo, ni GPU, ni un paso de embeddings, y maneja bien códigos de producto, nombres y mensajes de error. El benchmark BEIR comprobó que BM25 es una referencia robusta en muchas tareas de recuperación. Por eso la mayoría de las configuraciones de búsqueda híbrida combinan BM25 con búsqueda vectorial.
Límites
BM25 no puede emparejar sinónimos ni paráfrasis: "coche" no encontrará "automóvil". Los modelos aprendidos de recuperación dispersa como SPLADE mantienen la misma estructura de índice pero añaden términos relacionados, lo que cubre esta laguna.
Términos relacionados
- Búsqueda híbrida
- La búsqueda híbrida (hybrid search) ejecuta una búsqueda por palabras clave y una búsqueda vectorial con la misma consulta y fusiona las dos listas ordenadas, para que los resultados coincidan tanto en las palabras exactas como en el significado.
- Recuperación dispersa
- La recuperación dispersa (sparse retrieval) representa consultas y documentos como vectores sobre un vocabulario en el que la mayoría de las entradas son cero y cada entrada distinta de cero es el peso de una palabra, de modo que la búsqueda puede usar índices invertidos rápidos como la búsqueda por palabras clave.
- Búsqueda vectorial
- La búsqueda vectorial (vector search) encuentra elementos comparando sus embeddings con el embedding de una consulta y devolviendo los más cercanos, de modo que los resultados coinciden por significado y no por palabras clave compartidas.
- Reranking
- El reranking (reordenación) es un segundo paso de búsqueda que toma una lista corta de documentos candidatos y los reordena según su relevancia para la consulta, usando un modelo más preciso pero más lento que el de la primera búsqueda.
- Métricas de recuperación (recall@k, nDCG, MRR)
- Las métricas de recuperación puntúan lo bien que un sistema de búsqueda devuelve documentos relevantes. Recall@k comprueba cuántos elementos relevantes aparecen entre los k primeros, nDCG premia que estén bien arriba y MRR mide lo pronto que aparece el primero correcto.