Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

Reranking

Le reranking (reclassement) est une seconde étape de recherche qui prend une courte liste de documents candidats et les réordonne selon leur pertinence pour la requête, à l'aide d'un modèle plus précis mais plus lent que la première recherche.

Aussi appelé : reranker, re-ranking, reranker model

Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode

La recherche de premier niveau, qu'il s'agisse de recherche vectorielle, de BM25 ou de recherche hybride, doit être rapide sur des millions d'éléments ; elle compare donc la requête et chaque document de façon peu coûteuse. Un reranker n'examine que les quelques dizaines de premiers candidats, il peut donc se permettre de lire ensemble la requête et chaque document et de juger leur pertinence plus soigneusement.

Modèles de reranking

Un modèle de reranking prend une requête et un document et renvoie un score de pertinence. La plupart sont des cross-encoders : un seul transformer lit les deux textes à la fois. Parmi les options hébergées figurent Cohere Rerank 5 et Voyage Rerank 3 ; parmi les options open-weight, Jina Reranker v3.5. Certaines équipes utilisent aussi un LLM comme reranker, ce qui coûte plus cher par requête.

Exemple

Une application de génération augmentée par récupération récupère quelques dizaines de chunks pour « délai de remboursement des abonnements annuels ». Le reranker fait passer la clause de remboursement des abonnements annuels du fond de la liste à la première place, et seule une poignée de chunks en tête entre dans le prompt. Des chunks moins nombreux et meilleurs signifient un prompt plus court et moins de risques que le modèle s'accroche au mauvais passage.

Limites

Un reranker ne peut pas sauver un document que la première étape n'a jamais récupéré : le rappel de la première étape reste donc important. Il ajoute de la latence et du coût à chaque requête. Le guide recherche et reranking compare les options.

Termes liés

Cross-encoder
Un cross-encoder (encodeur croisé) est un modèle qui lit ensemble une requête et un document en une seule passe et renvoie un score de pertinence. Il est plus précis que la comparaison d'embeddings séparés, mais trop lent pour être appliqué à toute une collection.
Recherche hybride
La recherche hybride (hybrid search) exécute une recherche par mots-clés et une recherche vectorielle sur la même requête et fusionne les deux listes classées, afin que les résultats puissent correspondre aux mots exacts comme au sens.
Génération augmentée par récupération
La génération augmentée par récupération (retrieval-augmented generation, RAG) est un schéma dans lequel un système cherche d'abord dans une collection de documents les passages pertinents pour une question, puis fournit ces passages à un modèle de langage pour que sa réponse s'appuie dessus.
Late interaction (ColBERT)
La late interaction (interaction tardive) est une méthode de récupération, introduite par ColBERT, qui encode séparément la requête et chaque document en un vecteur par token, puis note une correspondance en comparant ces vecteurs de tokens lors d'une étape finale peu coûteuse.
Métriques de recherche (recall@k, nDCG, MRR)
Les métriques de recherche (retrieval metrics) mesurent la capacité d'un système de recherche à renvoyer des documents pertinents. Recall@k vérifie combien d'éléments pertinents figurent dans les k premiers, nDCG récompense un classement élevé de ces éléments, et MRR mesure à quel rang apparaît le premier résultat correct.

Sources