博查推出Rerank模型，升级RAG及企业搜索

博查公司近日发布了其最新的基础模型——Rerank模型 Bocha Semantic Reranker，专为提升企业搜索和检索增强生成（RAG）系统而设计。该模型兼容任何数据库或搜索索引，并且可以轻松插入到任何具有原生搜索功能的旧版应用程序中。仅需一行代码，Bocha Semantic Reranker便能显著提升搜索性能或降低运行RAG应用的成本，同时对延迟的影响微乎其微。

划重点

Bocha Semantic Reranker 以 80M 参数实现接近于世界一线 280M、560M参数模型的排序效果。

- 由于模型参数比同类模型小3～6倍，推理速度更快、成本更低、性价比更高。

- 基于博查搜索引擎的技术积累，排序效果在搜索场景表现更好。

- 提供官方API，国内用户无需自行部署模型，可以直接通过调用，免去推理服务器和维护成本。

博查Rerank模型的评分原理

博查语义排序模型的评分过程是基于查询语句（用户的输入问题）以及与之匹配的文档内容（通常是最高512个tokens的文本）进行的。评分的过程如下：

1. 评估语义相关性：bocha-semantic-reranker会评估查询语句与每个文档的语义相关性，判断文档是否能够有效回答用户的查询或与查询意图高度匹配。

2. 分配@BochaSemanticRerankScore：根据语义相关性，bocha-semantic-reranker为每个文档分配一个rerankScore，分数的范围从0到1。分数越高，表示文档与查询的语义相关性越强，越符合用户需求。通常，分数接近1表示高度相关，分数接近0表示不相关或低相关。

博查Rerank模型的BEIR Benchmark