Что хотят услышать интервьюеры:

Ожидают не просто название модели, а понимание, зачем вообще нужен реранкер и где он стоит в пайплайне поиска. Важно показать, что сначала система быстро находит кандидатов, а потом реранкер точнее переоценивает их релевантность. Хороший ответ обычно включает тип модели, источник обучения или критерий выбора и практический эффект на качество.

Определение:

Реранкер — это модель второго этапа ранжирования, которая получает на вход уже отобранные кандидаты и пересчитывает их порядок более точно, чем первичный поиск. В отличие от би-энкодера или BM25, реранкер обычно смотрит на запрос и документ совместно, поэтому дает более качественную оценку релевантности, но работает медленнее. Его используют там, где важнее качество топ-N результатов, чем скорость обработки всего корпуса.

Пример использования:

Например, в поиске по базе знаний сначала retrieval-модуль находит 100 подходящих документов, а затем реранкер переставляет их по релевантности для ответа пользователю.

query = "Как сбросить пароль от аккаунта?"
candidates = retriever.search(query, top_k=100)

reranked = reranker.rank(query=query, documents=candidates)
top_result = reranked[0]
print(top_result.title, top_result.score)

Пояснение кода:

Код показывает типичный двухэтапный пайплайн: сначала быстрый поиск формирует список кандидатов, затем реранкер уточняет их порядок. На шаге retriever.search(...) важна полнота, чтобы не потерять нужный документ. На шаге reranker.rank(...) важна точность, потому что модель сравнивает запрос и каждый документ детальнее. После этого берется верхний результат или top-N результатов для ответа пользователю.

Ключевые моменты:

Реранкер работает не по всему корпусу, а только по уже найденным кандидатам.
Он точнее первичного поиска, но обычно медленнее и дороже по вычислениям.
Его главная задача — улучшить качество top-N, особенно в search и RAG-пайплайнах.
Часто используется связка: быстрый retriever + точный reranker.
В ответе на собеседовании полезно назвать не только модель, но и причину выбора: качество, латентность, объем данных.
Если конкретная модель не фиксирована, корректно говорить о классе решений, а не выдумывать название.

Какой реранкер использовали?