本文介绍了一个单例模式的重排序器类，该类使用指定模型计算问题与文档对的得分，并按得分降序排列文档。

Voyage AI已加入MongoDB两个月，专注于开发嵌入模型和重排序器，模型将对所有团队开放。随着工程和研究投资增加，Voyage AI加速发展，支持更多开发团队，近期将推出更强大的模型，并在MongoDB Atlas中实现自动文本嵌入和语义搜索。

RAG（检索增强生成）结合向量数据库与大语言模型，虽然易用但难以掌握。通过优化重排序器提升检索结果质量，确保信息在上下文窗口内，从而改善响应准确性。BAAI的预训练Cross-Encoder模型可用于重排序任务，帮助区分相关与不相关的问答对，成功依赖于持续的实验与迭代。

本文探讨了通过延迟分块嵌入和重排序器提升DeepSearch/DeepResearch系统质量的方法，重点在于从长网页中选择相关片段并优先排序URL。实验表明，延迟分块有效解决了上下文丢失和片段选择问题，同时结合多语言嵌入和重排序器提升了系统性能，为搜索技术改进提供了新思路。

2024年11月14日，EMNLP将在迈阿密举办关于嵌入、重排序器和小型语言模型的BoF会议，讨论搜索基础模型的最新进展和2024年搜索模型的新趋势，欢迎所有与会者参与。

Voyage AI宣布获得2000万美元的A轮融资，总融资达到2800万美元。该公司专注于开发先进的嵌入模型和重排序器，并与多家知名AI公司合作。新模型已在Voyage API及AWS、Azure市场上线，用户可享受2亿免费代币和更高的使用限制。

我们推出了Voyage 2系列的重排序器rerank-2和rerank-2-lite，分别提高了OpenAI最新嵌入模型的准确性13.89%和11.86%。这两款重排序器支持更长的上下文长度，提升了检索系统的质量。用户可升级至新版本以获得更好的性能。

本文探讨了在检索增强生成（RAG）应用中，通过调整Alpha参数优化混合搜索的效果。混合搜索结合了关键词搜索和向量搜索，Alpha值的设置直接影响检索效果。文章分析了不同用户查询类型及其评估指标，并通过实验展示了不同文档索引下的检索性能。结果表明，重排序器能显著提升检索效果，且不同查询类型需灵活调整Alpha值以获得最佳结果。

本文介绍了如何使用LlamaIndex对Cohere重排序器进行微调，以提升检索性能。通过创建自定义重排序器并进行训练，微调后的重排序器在检索效果上有显著改善。文章强调了选择硬负样本的重要性，并鼓励社区参与改进检索系统。

Jina AI的嵌入方法已调整为均值池化，并通过LlamaIndex的检索评估模块评估了多种嵌入模型和重排序器的组合。结果显示，OpenAI和JinaAI-Base嵌入与CohereRerank/bge-reranker-large组合表现最佳，重排序器显著提升了检索性能，因此选择合适的嵌入和重排序器组合至关重要。