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.
También llamado: reranker, re-ranking, reranker model
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
La búsqueda de primera fase, ya sea búsqueda vectorial, BM25 o búsqueda híbrida, tiene que ser rápida con millones de elementos, así que compara la consulta y cada documento de forma barata. Un reranker solo mira las primeras pocas decenas de candidatos, así que puede permitirse leer la consulta y cada documento juntos y juzgar la relevancia con más cuidado.
Modelos reranker
Un modelo reranker recibe una consulta y un documento y devuelve una puntuación de relevancia. La mayoría son cross-encoders: un transformer lee los dos textos a la vez. Entre las opciones alojadas están Cohere Rerank 5 y Voyage Rerank 3; entre las de pesos abiertos, Jina Reranker v3.5. Algunos equipos también usan un LLM como reranker, lo que cuesta más por consulta.
Ejemplo
Una aplicación de generación aumentada por recuperación recupera unas cuantas decenas de chunks para "plazo de reembolso de los planes anuales". El reranker sube la cláusula de reembolso del plan anual desde muy abajo en la lista hasta el primer puesto, y solo los primeros entran en el prompt. Menos chunks y mejores significan un prompt más corto y menos margen para que el modelo se aferre al pasaje equivocado.
Límites
Un reranker no puede rescatar un documento que la primera fase nunca recuperó, así que el recall de la primera fase sigue importando. Añade latencia y coste por consulta. La guía de recuperación y reranking compara las opciones.
Términos relacionados
- 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.
- 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.
- Generación aumentada por recuperación
- La generación aumentada por recuperación (RAG, retrieval-augmented generation) es un patrón en el que un sistema busca primero en una colección de documentos los pasajes relevantes para una pregunta y luego se los da a un modelo de lenguaje para que su respuesta se base en ellos.
- 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.
- 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.