본문으로 건너뛰기
ReviewRamble

주간 브리프

AI 리뷰를 받은편지함으로.

  • 도구, 모델, MCP 서버, 저장소의 새 리뷰(결론부터)
  • 변경이 있을 때 다시 확인한 가격과 평점
  • 새로 발행된 분석 글

모델, 에이전트, MCP 서버, 그리고 정말 시간을 들일 만한 도구.

일주일에 한 통입니다. 각 브리프의 링크로 구독을 해지할 수 있습니다. 이메일 사용 방식

리랭킹(Reranking)

리랭킹(reranking)은 후보 문서의 짧은 목록을 받아, 첫 검색보다 더 정확하지만 느린 모델로 쿼리와의 관련도에 따라 다시 정렬하는 두 번째 검색 단계입니다.

다른 이름: reranker, re-ranking, reranker model

작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식

1단계 검색은 벡터 검색, BM25, 하이브리드 검색 중 무엇이든 수백만 개 항목을 빠르게 훑어야 하므로, 쿼리와 각 문서를 저렴한 방식으로 비교합니다. 리랭커는 상위 수십 개 후보만 보므로, 쿼리와 각 문서를 함께 읽고 관련도를 더 신중하게 판단할 여유가 있습니다.

리랭커 모델

리랭커 모델은 쿼리와 문서를 받아 관련도 점수를 돌려줍니다. 대부분은 크로스 인코더로, 트랜스포머 하나가 두 텍스트를 한꺼번에 읽습니다. 호스팅 선택지로는 Cohere Rerank 5와 Voyage Rerank 3가 있고, 오픈 웨이트로는 Jina Reranker v3.5가 있습니다. LLM을 리랭커로 쓰는 팀도 있지만, 쿼리당 비용이 더 듭니다.

예시

검색 증강 생성 앱이 "연간 요금제 환불 기간"에 대해 청크 수십 개를 가져옵니다. 리랭커는 목록 깊숙이 있던 연간 요금제 환불 조항을 1위로 올리고, 상위 몇 개만 프롬프트에 들어갑니다. 더 적고 더 좋은 청크는 프롬프트를 짧게 하고, 모델이 엉뚱한 구절에 매달릴 여지를 줄입니다.

한계

리랭커는 1단계에서 가져오지 못한 문서를 구해 내지 못하므로, 1단계 재현율은 여전히 중요합니다. 쿼리마다 지연 시간과 비용이 늘어납니다. 검색 및 리랭킹 가이드에서 선택지를 비교합니다.

관련 용어

크로스 인코더
크로스 인코더(cross-encoder)는 질의와 문서를 한 번에 함께 읽고 관련성 점수를 내는 모델입니다. 따로 만든 임베딩을 비교하는 것보다 정확하지만, 컬렉션 전체에 실행하기에는 너무 느립니다.
하이브리드 검색
하이브리드 검색(hybrid search)은 같은 질의로 키워드 검색과 벡터 검색을 함께 실행하고 두 순위 목록을 합쳐, 결과가 정확한 단어와 의미 모두로 일치할 수 있게 합니다.
검색 증강 생성(Retrieval-augmented generation)
검색 증강 생성(retrieval-augmented generation, RAG)은 시스템이 먼저 문서 모음에서 질문과 관련된 구절을 검색한 뒤, 그 구절을 언어 모델에 주어 답변이 이를 바탕으로 하게 하는 패턴입니다.
지연 상호작용(ColBERT)
지연 상호작용(late interaction)은 ColBERT가 소개한 검색 방법으로, 질의와 각 문서를 따로 토큰마다 벡터 하나씩으로 인코딩한 뒤, 저렴한 마지막 단계에서 그 토큰 벡터들을 비교해 일치 점수를 매깁니다.
검색 지표(recall@k, nDCG, MRR)
검색 지표(retrieval metrics)는 검색 시스템이 관련 문서를 얼마나 잘 반환하는지 점수로 나타냅니다. Recall@k는 상위 k개에 관련 항목이 얼마나 들어 있는지, nDCG는 관련 항목을 높은 순위에 올렸는지, MRR은 첫 번째 정답이 얼마나 일찍 나오는지를 봅니다.

출처