一文搞懂RAG核心：Embedding与Rerank模型的区别与应用，建议收藏！

最新推荐文章于 2025-12-20 19:32:34 发布
原创 最新推荐文章于 2025-12-20 19:32:34 发布 · 836 阅读 · 10 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#embedding #人工智能 #ai #智能体 #RAG #知识库 #程序员

本文详细介绍了RAG系统中两大核心模型Embedding和Rerank的区别与应用。Embedding模型负责将文本转化为向量表示，通过语义相似度进行初步检索，适用于海量数据处理；Rerank模型则对初步检索结果进行精细化排序，提升相关性。两者在应用阶段、技术实现上存在明显差异：Embedding采用无监督学习，单输入→向量输出；Rerank采用有监督学习，查询-候选对→排序分数。理解这两种模型的协同工作原理，对构建高效的RAG系统至关重要。

划重点！文末有大模型AGI-优快云独家资料包，看到最后别错过哦～

“ Embedding和Rerank模型是RAG系统中的核心模型。”

在RAG系统中，有两个非常重要的模型一个是Embedding模型，另一个则是Rerank模型；这两个模型在RAG中扮演着重要角色。

Embedding模型的作用是把数据向量化，通过降维的方式，使得可以通过欧式距离，余弦函数等计算向量之间的相似度，以此来进行相似度检索。

而Rerank的作用是在Embedding检索的基础之上，进行更加准确的数据筛选；如果说Embedding模型进行的是一维筛选，那么Rerank模型就是从多个维度进行筛选。

Embedding模型和Rerank模型

在自然语言处理和信息检索系统中，Embedding模型和Rerank模型是两类功能不同但常结合使用的技术。

Embedding和Rerank模型都是基于深度学习方式实现的神经网络模型，但由于其功能不同，因此其实现方式和训练方法也有一定的区别。

从使用的角度来看，Embedding一般用于数据向量化并快速检索，而Rerank模型是在快速检索的基础之上进行重排序，提升相似度。

但从技术实现的角度来说，两种模型使用的学习方式和架构是不一样的；原因就在于两个模型的实现目的和处理数据的方式。

它们的核心区别在于目标、应用阶段和技术实现。以下是详细对比：

1. 功能目标

维度Embedding模型Rerank模型
核心任务将文本转化为低维向量，捕捉语义信息对候选结果重新排序，提升相关性
输出形式高维或低维向量（如768维向量）候选列表的排序分数（如相关性得分）
关注点文本的全局语义表示候选结果与查询的细粒度匹配
示例
  • Embedding模型：将“如何训练神经网络？”转换为向量，用于检索相似问题。
  • Rerank模型：对初步检索的100个答案排序，将最相关的答案排到前3。

2. 应用阶段

维度Embedding模型Rerank模型
所处流程检索阶段 ：快速生成候选集精排阶段 ：优化候选集的顺序
数据规模处理海量数据（如百万级文档）处理小规模候选集（如Top 100~1000）
性能要求要求高效（毫秒级响应）可接受较高延迟（需复杂计算）
典型场景
  • Embedding模型：用于搜索引擎的初步召回（如从10亿文档中筛选出Top 1000）。
  • Rerank模型：在推荐系统中对Top 100结果精细化排序，提升点击率。

3. 技术实现

维度Embedding模型Rerank模型
模型类型无监督/自监督学习（如BERT、Sentence-BERT）有监督学习（如Pairwise Ranking、ListNet）
输入输出单文本输入 → 固定维度向量查询+候选文本对 → 相关性分数
特征依赖仅依赖文本本身的语义信息可融合多特征（语义、点击率、时效性等）

模型举例
  • Embedding模型：
  • 通用语义编码：BERT、RoBERTa
  • 专用场景：DPR（Dense Passage Retrieval）
  • Rerank模型：
  • 传统方法：BM25 + 特征工程
  • 深度模型：ColBERT、Cross-Encoder

零基础如何学习大模型

读者福利大放送：如果你对大模型感兴趣，想更加深入的学习大模型**，那么这份精心整理的大模型学习资料，绝对能帮你少走弯路、快速入门**

如果你是零基础小白，别担心——大模型入门真的没那么难，你完全可以学得会！

👉 不用你懂任何算法和数学知识，公式推导、复杂原理这些都不用操心；
👉 也不挑电脑配置，普通家用电脑完全能 hold 住，不用额外花钱升级设备；
👉 更不用你提前学 Python 之类的编程语言，零基础照样能上手。

你要做的特别简单：跟着我的讲解走，照着教程里的步骤一步步操作就行。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

现在这份资料免费分享给大家，有需要的小伙伴，直接VX扫描下方二维码就能领取啦😝↓↓↓
在这里插入图片描述

为什么要学习大模型？

数据显示，2023 年我国大模型相关人才缺口已突破百万，这一数字直接暴露了人才培养体系的严重滞后与供给不足。而随着人工智能技术的飞速迭代，产业对专业人才的需求将呈爆发式增长，据预测，到 2025 年这一缺口将急剧扩大至 400 万！!
在这里插入图片描述

大模型学习路线汇总

整体的学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战，跟着学习路线一步步打卡，小白也能轻松学会！
在这里插入图片描述

大模型实战项目&配套源码

光学理论可不够，这套学习资料还包含了丰富的实战案例，让你在实战中检验成果巩固所学知识
在这里插入图片描述

大模型学习必看书籍PDF

我精选了一系列大模型技术的书籍和学习文档(电子版)，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
在这里插入图片描述

大模型超全面试题汇总

在面试过程中可能遇到的问题，我都给大家汇总好了，能让你们在面试中游刃有余
在这里插入图片描述

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
在这里插入图片描述
👉获取方式：

😝有需要的小伙伴，可以保存图片到VX扫描下方二维码免费领取【保证100%免费】
在这里插入图片描述
相信我，这套大模型系统教程将会是全网最齐全 最适合零基础的！！

【Dify(v1.x) 核心源码深入解析】RAG黑科技：一文吃透Models与Rerank模块的底层逻辑
09-02 210
《深入解析Dify RAG：从向量化到精排序的智能优化》一文深度剖析了Dify开源项目中RAG（检索增强生成）技术的两大核心模块。Models模块通过Embedding模型将文档转化为AI可理解的向量，并利用Document模型实现结构化存储，其创新的缓存机制可大幅提升处理效率。Rerank模块则采用双引擎策略（模型重排序+简单排序），通过去重处理、专业模型调用和结果重包装三步骤，从海量初检结果中筛选出最优答案。文章通过清晰的Mermaid流程图和实战代码示例，揭示了AI知识库精准应答的核心技术原理，为开发
大模型——最全梳理 一文搞懂RAG技术的5种范式！
03-26 884
高级 RAG 引入了具体的改进措施，以克服 Naive RAG 的局限性。为了提高检索质量，它采用了检索前和检索后策略。为了解决索引问题，高级 RAG 通过使用滑动窗口方法、细粒度分割和元数据的整合，改进了索引技术。此外，它还采用了多种优化方法来简化检索过程。模块化 RAG 架构超越了前两种 RAG 范式，具有更强的适应性和多功能性。它采用了多种策略来改进其组件，例如为相似性搜索添加搜索模块，以及通过微调完善检索器。为应对特定挑战，还引入了重组 RAG 模块和重排 RAG 管道等创新方法。
【必收藏】一文搞懂RAG系统中的三大模型：Embedding、Rerank与大模型区别详解
2401_85375186的博客
09-17 1502
RAG系统包含三大模型：Embedding模型将文本转为向量实现语义检索；Rerank模型对初步结果精细排序；生成式大模型整合信息生成回答。Embedding和Rerank模型虽重要但非"大模型"，而是规模小、专门优化的轻量级模型。文章详细解释了各类模型的特点、应用场景及区别，最后介绍了作者的运维大模型课程。
一文读懂 Qwen3 最新开源的 Embedding 和 Rerank 模型优势！
不积跬步，无以至千里！
06-15 2048
Qwen3 Embedding 与 Rerank 模型开源，助力搜索、排序技术革新！
【干货收藏】一文搞懂RAG：大模型检索增强生成技术详解与实战
优快云_224022的博客
09-13 1014
【干货收藏】一文搞懂RAG：大模型检索增强生成技术详解与实战
一文搞懂RAG检索增强生成中的Embedding与Reranking模型（建议收藏）
2401_84495872的博客
11-26 800
文章详细解析了RAG系统中Embedding模型与Reranking模型的配合机制。Embedding模型采用双塔结构，适合做高效粗筛；Reranking模型采用交叉编码器，能深入理解语义相关性，负责精排。两者协同工作，先通过Embedding模型快速筛选候选文本，再利用Reranking模型精准排序，既保证处理效率又提升结果准确性。文中还介绍了BGE-Reranker、Cohere Rerank等常用Reranking模型，为构建高效RAG系统提供技术指导。
【收藏必备】一文搞懂RAG技术栈：大模型应用开发者的实战宝典
2401_85154887的博客
12-17 874
本文全面介绍了RAG技术在大模型应用开发中的重要性，详细解析了RAG的概念、核心组件、技术栈和工作流程，包括数据处理、向量工程、检索策略、生成增强及系统集成等层面的工具选型和实现方法，为开发者提供了构建高质量RAG系统的完整指南，帮助读者掌握大模型应用开发的核心技能。
【RAG】一文读懂：Tokenizer 与 Embedding 的核心区别和模型选型以及如何用原生 Encoder 生成中文语义向量（附带 C-MTEB 中文句向量模型 TOP 10 排行榜）
weixin_41645791的博客
05-28 1370
在构建 RAG 或检索系统时，如何选择embedding 模型，确实是一个难题，本文给出embedding 模型和Tokenizer的区别，并给出当前企业排名前十的模型以及建议。
一文搞懂 RAG 基本原理：大模型应用开发必知的核心技术
2401_85373691的博客
08-28 1179
RAG（检索增强生成）是一种结合信息检索与生成式AI的混合技术，旨在解决大语言模型知识时效性不足和事实准确性偏差问题。通过"先检索外部权威信息，再基于检索结果生成回答"的逻辑，提升AI输出的精准度、时效性和可信度。RAG技术栈包括知识数据源、文档分割、文本向量化、向量数据库和大语言模型等核心组件，构建流程分为知识库构建和使用两个阶段，为大模型应用开发提供重要支持。
一文搞懂基于大模型快速搭建本地RAG知识库应用实践
2401_84495872的博客
05-23 998
学习AI大语言模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。大语言模型本身存在一些局限性，而RAG就像那种上学时的“开卷小天才”——会查资料，还会加工，能有效减少产生误导性信息的可能，它是AI大模型应用的创新方法，为AI的回答能力打开了新世界的大门，为企业搭建知识库提供了全新的解决方案（即通过结合信息检索、增强和文本生成能力，有效提升大模型在知识密集型任务的准确性、可靠性、可解释性，以及大幅减少大模型的幻觉）。一、RAG知识库相关名称解释。
大模型RAG最全梳理：一文搞懂RAG技术的5种范式！赶紧收藏了！！
python12345_的博客
03-07 1550
1. 数据库层面，从最开始的简单词嵌入，到向量数据库，到知识图谱，再到混合的多种类型数据库。\2. 数据方面，从单纯的文本扩展到多模态数据，包括文本、音频、图片、视频。获取结构化良好，高质量，干净，冗余小的数据。\3. 数据处理方面，从需要大量的预处理步骤到一些端到端的RAG方案，例如用VLM直接处理非结构化文档。
RAG 已成标配！一文讲透效果优化的架构设计与7大核心要点（建议收藏）
dmx123789的博客
08-27 587
今天，让我们深入剖析RAG技术的方方面面，从基础概念到高级优化，从理论原理到实战案例，帮你构建真正可用的企业级AI知识系统。
【人工智能】一文读懂 RAG 架构：从基础模式迈向高级应用（Naive RAG、Retrieve-and-Rerank、Multimodal RAG、Graph RAG、Hybrid RAG）
奶爸的编程之路，也就一周冷个三天，欢迎关注我的微信公众号：本本本添哥
10-15 53
RAG 架构的演进，本质是“AI 从‘封闭知识’走向‘开放知识’”的过程。从基础的 Naive RAG 到多 Agent 协同的高级模式，每一次升级都旨在解决更复杂的现实问题——无论是企业的知识管理、医疗的精准诊断，还是教育的个性化学习，RAG 都已成为连接“AI 能力”与“行业知识”的关键桥梁。
AI 工具实战测评：从技术性能到场景落地的全方位解析
hello world/linux
12-16 761
幽冥大陆(五十四)ASR C语言识别到自动化软件——东方仙盟筑基期
最新发布
cybersnow精通 28 门计算机语言，凭借其超凡的技术能力，成功开发过上万个应用，广泛涉及政府、商业、个人等众多领域，甚至在检察院、环保局、公安局等专业场景中也大放异彩。不仅熟练掌握单片机和物联网开发，在软件架构设计方面更是独树一帜，自创了跨平台软件
12-20 660
ASR（Automatic Speech Recognition，自动语音识别）技术在软件自动化命令领域正掀起一场变革。它使得软件系统能够理解人类语言，并依据指令自动执行任务。通过 ASR，用户无需手动输入复杂的命令或进行繁琐的界面操作，只需说出指令，软件就能精准响应。在自动化脚本编写中，ASR 可以实时将语音转化为代码命令。例如，在编写 Python 自动化脚本时，用户说出 “创建一个名为‘data’的列表”，ASR 系统就能将其转化为对应的 Python 代码data = []。
多模态赋能情绪理解：Qwen3-VL+LLaMA-Factory 的人脸情绪识别实战
Lab4AI的博客
12-17 824
本项目依托Lab4AI平台，基于LLaMA-Factory成功对Qwen3-VL进行了完整的微调流程。我们将传统的人脸情绪识别任务与多模态大语言模型（MLLM）相结合，探索了MLLM在视觉情绪理解中的应用。通过微调Qwen3-VL，我们成功将传统的分类任务转化为多模态推理任务，显著提升了模型在复杂场景下的鲁棒性和准确率。这一方案不仅在人脸情绪识别上取得了显著提升，还为其他视觉任务的多模态大模型应用提供了新的思路，具有广泛的应用前景。
全品类电商AI助手诞生，AI试衣+万饰穿戴+图生视频，覆盖全链路
Dreamshop_AI的博客
12-19 906
DreamshopAI升级推出三大核心功能，全面革新电商视觉生产流程：AI试衣功能通过智能识别服装款式和材质，7-15天模特拍摄缩短至几分钟；万饰穿戴功能突破品类限制，精准还原珠宝、箱包等商品的材质细节；图生视频功能将静态图片转化为高质量短视频，大幅降低视频制作门槛。系统基于千万级电商数据训练，能自动适配不同市场需求，并推出AI试衣屏Dreamfit实现线上线下体验闭环。此次升级使AI成为电商运营的核心生产力工具，将传统视觉制作效率提升3倍以上，推动电商行业进入智能化新阶段。
[LLM]AIM: Adaptive Inference of Multi-Modal LLMs via Token Merging and Pruning
天下事有难易乎？为之，则难者亦易矣；不为，则易者亦难矣。人之为学有难易乎？学之，则难者亦易矣；不学，则易者亦难矣。
12-20 374
本文提出AIM框架，一种无需训练的多模态大语言模型(MLLMs)推理加速方法。通过双阶段设计：在LLM前基于相似度合并视觉Token，在LLM内基于注意力重要性剪枝Token，显著降低计算量。实验表明，该方法在视频理解任务中可减少6.8倍FLOPs，在图像任务中保持3.7倍加速的同时维持性能。关键发现包括：75%视觉Token冗余、LLM早期层侧重跨模态融合而后期侧重文本推理、跨帧合并会损害视频理解等。该方法支持动态调整压缩比例，为资源受限环境下的高效多模态推理提供了实用解决方案。
深入NVIDIA Nemotron-3：高效准确的技术、工具与数据深度解析
专注于人工智能领域的小何尚
12-18 887
摘要：NVIDIA Nemotron-3技术解析 NVIDIA Nemotron-3系列模型为构建专业AI智能体提供了突破性解决方案。该系列采用创新的混合Mamba-Transformer MoE架构，结合状态空间模型(Mamba)的长序列处理能力、Transformer的精确推理和MoE的高效计算，支持高达100万token的上下文处理。模型通过NeMo Gym多环境强化学习框架训练，使智能体掌握复杂任务执行能力。技术亮点包括：1)混合架构实现超长上下文推理；2)开源RL训练环境支持智能体开发；3)原生支
解释：Embedding+Rerank同时使用，可以构建RAG应用
10-17
RAG（Retrieval Augmented Generation）不是一个模型，而是一套系统架构，同时使用Embedding和Rerank可以构建RAG应用，其原理与RAG的技术分层相关。 在RAG的技术分层中，数据准备层会进行Chunking + Embedding，也...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值