bge-reranker

开源权重 · 智源 BAAI · 可免费自建 · 更新于 2026 年 10 月 12 日

来自智源研究院（BAAI）的 bge-reranker 系列，是专门为段落重排序训练的开源权重 cross-encoder。它们是自建部署的标准选择：免费下载、可直接接入 sentence-transformers，也是其他大多数重排序模型拿来对比的开源基线。

模型变体

建议：从 bge-reranker-v2-m3 开始。它支持多语言、体量小到可以跑在 CPU 上，中等流量下完全够用。只有当你有 GPU 且需要极致质量时，才升级到 Gemma 变体。

基准测试

BAAI 给两代模型用的是不同的基准，所以两列都不完整：v2 测的是 BEIR（英文检索），v1 测的是 C-MTEB 重排序（以中文为主）。

* 所有数字均为 BAAI 自己公布的。BEIR：15 个数据集，对 bge-large-en-v1.5 召回的前 100 条结果重排（FlagEmbedding llm_reranker 评测）。C-MTEB：六个重排序数据集上的 MAP 均值 —— T2Reranking 及其两个跨语言变体、MMarcoReranking、CMedQAv1 和 CMedQAv2（FlagEmbedding reranker README）。其他评测方用各自的设置会得到不同的 BEIR 分数 —— Jina 的论文里 v2-m3 是 56.51* —— 所以请只在同一来源内比较模型。2026 年 10 月之前，本表给四个模型都列了 BEIR 和 MS MARCO 分数，但我们查不到任何出处，现已删除。

快速上手

安装

pip install sentence-transformers

对一组段落重排序

from sentence_transformers import CrossEncoder

model = CrossEncoder("BAAI/bge-reranker-v2-m3", max_length=512)

query = "How do I add reranking to my RAG pipeline?"
passages = [
    "Rerankers score each query-passage pair with a cross-encoder.",
    "BM25 is a classical keyword-based retrieval method.",
    "London is the capital of the United Kingdom.",
    "Two-stage retrieval: retrieve 50 candidates, rerank to top 5.",
]

scores = model.predict([(query, p) for p in passages])
ranked = sorted(zip(scores, passages), reverse=True)

for score, text in ranked:
    print(f"{score:.4f}  {text[:80]}")

在 RAG 流水线中

from sentence_transformers import CrossEncoder

reranker = CrossEncoder("BAAI/bge-reranker-v2-m3")

def rag_answer(query: str, vector_db, llm) -> str:
    # Stage 1: retrieve wide
    candidates = vector_db.search(query, top_k=50)
    # Stage 2: rerank tight
    scores = reranker.predict([(query, c) for c in candidates])
    top5 = [c for _, c in sorted(zip(scores, candidates), reverse=True)[:5]]
    # Stage 3: generate
    return llm.complete(f"Context:\n" + "\n\n".join(top5) + f"\n\nQ: {query}")

优缺点

其他模型