Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Cross-encoder

Un cross-encoder (codificador cruzado) es un modelo que lee una consulta y un documento juntos en una sola pasada y devuelve una puntuación de relevancia. Es más preciso que comparar embeddings separados, pero demasiado lento para aplicarlo a toda una colección.

También llamado: bi-encoder, cross encoder

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

El término importa sobre todo al elegir entre dos formas de usar un transformer para búsqueda.

Bi-encoder frente a cross-encoder

Un bi-encoder codifica la consulta y cada documento por separado en embeddings. Los vectores de los documentos se pueden calcular una vez y guardar en una base de datos vectorial, y una búsqueda es una comparación rápida de vectores. Así funciona la búsqueda vectorial.

Un cross-encoder introduce en el modelo la consulta y un documento como una sola entrada, de modo que cada palabra de la consulta puede atender a cada palabra del documento. Produce una puntuación, no un vector reutilizable. No se puede precalcular nada, así que puntuar un millón de documentos supone un millón de llamadas al modelo.

El artículo de Sentence-BERT pone cifras a esto: encontrar el par más parecido entre 10,000 frases llevó unas 65 horas con un cross-encoder BERT, frente a unos 5 segundos con su bi-encoder.

Cómo se combinan

El patrón habitual es recuperar y reordenar: un bi-encoder o BM25 encuentra unas decenas de candidatos y después un cross-encoder los vuelve a puntuar. Es lo que hacen la mayoría de los modelos de reranking, incluido mxbai-rerank v2.

Término medio

Los modelos de late interaction como ColBERT codifican la consulta y el documento por separado, pero conservan muchos vectores por texto y los comparan en un paso final barato, lo que los sitúa entre los dos enfoques en coste y precisión.

Términos relacionados

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.
Late interaction (ColBERT)
La late interaction (interacción tardía) es un método de recuperación, presentado por ColBERT, que codifica la consulta y cada documento por separado en un vector por token, y después puntúa una coincidencia comparando esos vectores de tokens en un paso final barato.
Embedding
Un embedding (vector de representación) es una lista de números (un vector) que representa un fragmento de texto, una imagen u otros datos, generada de forma que los elementos con significado parecido acaban con vectores cercanos entre sí.
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.
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.

Fuentes