Panduan Reranking

TL;DR — Reranking adalah sebuah kedua look. sebuah search atau AI sistem pertama grabs sebuah big pile dari maybe-relevant halaman quickly dan roughly, lalu sebuah slower, smarter model re-scores itu shortlist dan puts best ones pada top — sebelum Anda see hasil atau sebelum sebuah AI writes -nya jawaban. menjadi pulled ke shortlist isn’t enough; Anda juga memiliki untuk survive reorder.

What reranking adalah

Reranking applies sebuah kedua scoring stage untuk candidates produced oleh sebuah initial retriever. Evidence for this claim A cross-encoder can score query-document pairs for reranking after an initial retrieval stage. Scope: Sentence-BERT evaluation and related retrieve-then-rerank use; cross-encoders are one reranking approach, not a universal implementation. Confidence: high · Verified: 2026-07-14 Reimers and Gurevych: Sentence-BERT Cross-encoders adalah one approach, not definition dari setiap reranker. Evidence for this claim A rerank model can reorder an existing candidate list by relevance to a query. Scope: Cohere's Rerank product behavior; inputs, limits, and scoring semantics are vendor-specific. Confidence: high · Verified: 2026-07-14 Cohere: Rerank overview

Imagine Anda’re hiring dan 500 résumés come di. Anda tidak read semua 500 carefully — Anda’d tidak pernah finish. So Anda melakukan sebuah fast skim pertama, pull out 20 itu look promising, dan lalu read itu 20 closely untuk peringkat them. itu two-langkah process adalah exactly how modern search dan AI sistem temukan relevant konten.

• langkah one — retrieval. sistem melakukan sebuah fast, cheap pass di atas sebuah huge indeks dan pulls back sebuah candidate set dari halaman atau passages itu look relevant. ini casts sebuah wide net.
• langkah two — reranking. sebuah kedua, slower, more careful model looks di hanya itu shortlist dan re-scores setiap candidate untuk how well ini actually jawaban kueri, lalu reorders them.

hanya top dari itu reordered list gets ditampilkan untuk Anda, atau gets handed untuk sebuah AI untuk write sebuah jawaban dari. So shortlist decides who’s di running, dan rerank decides who wins.

Why melakukan ini di two langkah?

Because careful reading adalah expensive. precise model itu judges “how well does this exact page answer this exact question?” (terjemahan) “how well melakukan ini exact halaman jawaban ini exact pertanyaan?” adalah far too slow untuk run pada setiap halaman di sebuah billion-halaman indeks. So sistem retrieve broadly dengan something cheap, lalu spend expensive model hanya pada kecil shortlist. Fast-dan-rough untuk narrow down, slow-dan-precise untuk finish.

mengapa ini penting untuk Anda

Getting retrieved ke shortlist adalah necessary tetapi not sufficient. Anda halaman dapat menjadi di indeks, get pulled ke candidate set, dan masih not membuat akhir cut jika reranker decides lainnya hasil jawaban pertanyaan better.

practical takeaway adalah one Anda’ve heard sebelum, now dengan sebuah clearer alasan: write passages itu jawaban sebuah spesifik pertanyaan clearly, pada mereka own. reranker looks di Anda passage next untuk kueri dan scores how well two match. sebuah bagian itu reads sebagai sebuah direct, self-berisi jawaban scores better daripada one itu hanya membuat sense setelah Anda’ve read three paragraphs above ini.

ingin nyata mechanics — bi-encoders vs cross-encoders, how Google dan Bing melakukan ini, where ini fits di AI search, dan why ini adalah not yang sama sebagai Reciprocal peringkat Fusion? Switch untuk Advanced tab.

TL;DR — Reranking adalah kedua stage dari sebuah two-stage (atau multi-stage) retrieval pipeline: sebuah cheap, broad retrieval pass (BM25 keyword match, embedding/vector similarity, atau both) pulls sebuah candidate set, lalu sebuah slower, more precise model re-scores dan reorders itu shortlist. core mechanic adalah bi-encoder vs cross-encoder — sebuah bi-encoder encodes kueri dan document separately ke vectors dan compares them (fast, precomputable, less precise); sebuah cross-encoder encodes them together dan outputs one relevance score per pair (slower, dapat’t menjadi precomputed, more accurate). Anda dapat’t run sebuah cross-encoder di atas sebuah whole corpus, so Anda retrieve broadly dan rerank shortlist. Google doesn’t say “reranking” (terjemahan) “reranking” publicly, tetapi BERT dan passage peringkat melakukan job; Microsoft documents sebuah explicit Bing-derived reranker di Azure AI Search. Reranking ≠ Reciprocal peringkat Fusion (RRF). SEO upshot: rerankers score kueri-passage pairs jointly, so self-berisi, unambiguous passages win.

retrieve-lalu-rerank pattern

Two-stage retrieval trades candidate breadth terhadap more expensive scoring. Evidence for this claim A cross-encoder can score query-document pairs for reranking after an initial retrieval stage. Scope: Sentence-BERT evaluation and related retrieve-then-rerank use; cross-encoders are one reranking approach, not a universal implementation. Confidence: high · Verified: 2026-07-14 Reimers and Gurevych: Sentence-BERT Model choice dan latency-quality tradeoffs adalah implementation-spesifik. Evidence for this claim A rerank model can reorder an existing candidate list by relevance to a query. Scope: Cohere's Rerank product behavior; inputs, limits, and scoring semantics are vendor-specific. Confidence: high · Verified: 2026-07-14 Cohere: Rerank overview

setiap besar-scale relevance sistem faces yang sama masalah: Anda dapat’t afford untuk run Anda sebagian besar accurate relevance model pada Anda entire corpus. So standard solusi adalah untuk split berfungsi ke stages. Google Cloud’s own search documentation states logic plainly: “In short, retrieval is finding relevant documents, while ranking is ordering those retrieved documents. Ranking all the available documents can be computationally expensive. Therefore, retrieval and ranking work sequentially.” (terjemahan) “di pendek, retrieval adalah finding relevant documents, while peringkat adalah ordering itu retrieved documents. peringkat semua available documents dapat menjadi computationally expensive. Therefore, retrieval dan peringkat berfungsi sequentially.” (Google Cloud, “About retrieval and ranking” (terjemahan) “tentang retrieval dan peringkat”)

Stage one — retrieval — casts sebuah wide net cheaply. ini menggunakan lexical matching (BM25 di atas sebuah inverted indeks), embedding-based pencarian vektor, atau sebuah hybrid dari two, dan mengembalikan sebuah candidate set. Stage two — reranking — takes itu shortlist dan re-scores setiap candidate dengan sebuah more expensive, higher-precision model, lalu reorders. one-line versi everyone converges pada: retrieve cheaply dan broadly, rerank precisely pada sebuah kecil set, lalu sajikan atau generate.

Bi-encoders vs cross-encoders: core mechanic

whole topic hinges pada one architectural distinction — when kueri dan document meet.

• Bi-encoder ( pertama-stage retriever). ini encodes kueri dan setiap document separately, setiap ke -nya own vector, dan lalu compares two vectors dengan something like cosine similarity. Because document vectors don’t depend pada kueri, Anda dapat compute dan indeks them ahead dari time, which adalah what membuat retrieval fast enough untuk run di seluruh sebuah entire corpus. cost: kueri dan document tidak pernah actually interact, so model memiliki untuk, di effect, compress setiap mungkin meaning dari sebuah document ke sebuah single vector — dan nuance gets lost. Bi-encoders adalah what embeddings dan pencarian vektor adalah dibangun pada.
• Cross-encoder ( stage-two reranker). ini encodes kueri dan one candidate document together, sebagai sebuah single joint input melalui sebuah transformer, dan outputs sebuah single relevance score untuk itu pair. Because model sees both di once, ini dapat directly weigh how spesifik kata dari kueri relate untuk spesifik kata dari document — far more accurate. cost: nothing dapat menjadi precomputed. setiap kueri-document pair memiliki untuk menjadi run melalui model di kueri time, so ini adalah far too slow untuk apply untuk sebuah whole indeks. itu’s precisely why ini adalah reserved untuk shortlist.

Google, notably, describes ini exact mechanism di -nya own kata. di Google Cloud retrieval/peringkat docs, one dari listed retrieval signals adalah cross-attention, defined sebagai something itu “allows a model to consider the relationship between a query and a document to assign a relevance score to the document.” (terjemahan) “allows sebuah model untuk pertimbangkan relationship antara sebuah kueri dan sebuah document untuk assign sebuah relevance score untuk document.” itu adalah cross-encoder idea di bawah sebuah berbeda name.

Why not hanya gunakan accurate model pada everything?

Latency dan cost membuat ini infeasible di scale, dan gap adalah enormous, not marginal. Pinecone’s write-up pada two-stage retrieval puts sebuah concrete angka pada ini: pada sebuah 40-million-record set, running sebuah BERT-style cross-encoder reranker di atas everything pada sebuah V100 GPU akan take more daripada 50 hours, versus di bawah 100 milliseconds untuk pencarian vektor. (Pinecone, “Rerankers and Two-Stage Retrieval” (terjemahan) “Rerankers dan Two-Stage Retrieval”) itu’s entire justification untuk two-stage design — Anda get sebagian besar dari cross-encoder’s accuracy while hanya paying -nya cost pada sebuah few dozen atau few hundred candidates.

Vectara frames yang sama myth directly — pertanyaan dari why not hanya score semua documents dengan paling precise model jika ini adalah available — dan jawaban adalah sama: Anda dapat’t, so Anda filter cheaply pertama. (Vectara, “What is reranking and why does it matter?” (terjemahan) “What adalah reranking dan why melakukan ini penting?”)

How Google melakukan ini

Google memiliki tidak pernah published sebuah official statement menggunakan istilah “reranking,” (terjemahan) “reranking,” “cross-encoder,” (terjemahan) “cross-encoder,” atau “bi-encoder” (terjemahan) “bi-encoder” tentang Google Search itself — worth stating plainly so kami don’t overclaim. tetapi function adalah documented di bawah lainnya names.

Google’s own Guide untuk Google Search peringkat sistem names two sistem itu melakukan reranking’s job:

• BERT — “an AI system Google uses that allows us to understand how combinations of words express different meanings and intent.” (terjemahan) “sebuah AI sistem Google menggunakan itu allows us untuk memahami how combinations dari kata express berbeda meanings dan intent.” BERT jointly reads kata dari sebuah kueri di context; sebuah BERT-based reranker scores kueri-document relevance cara sebuah cross-encoder melakukan.
• Passage peringkat — “an AI system we use to identify individual sections or ‘passages’ of a web page to better understand how relevant a page is to a search.” (terjemahan) “sebuah AI sistem kami gunakan untuk identify individual bagian atau ‘passages’ dari sebuah halaman web untuk better memahami how relevant sebuah halaman adalah untuk sebuah search.” itu’s reranking di passage tingkat alih-alih halaman tingkat (see passage peringkat untuk deep dive).
• RankBrain — Google’s earlier sistem itu “helps us understand how words are related to concepts,” (terjemahan) “helps us memahami how kata adalah related untuk concepts,” so ini dapat kembalikan relevant konten bahkan without exact-match kata.

Google Research memiliki juga published mechanism outright: -nya paper Learning-untuk-peringkat dengan BERT di TF-peringkat describes encoding kueri dan documents dengan BERT dan applying sebuah learning-untuk-peringkat layer pada top, dan explicitly frames ini sebagai passage re-peringkat — reporting best performa pada MS MARCO passage re-peringkat task sebagai dari March 30, 2020. itu’s sebuah Google Research publication alih-alih Search Central product guidance, so treat ini sebagai Google’s technical research, not sebuah statement tentang live Search pipeline.

One angka worth hedging: “cut down to the top 1,000 results, then reorder them” (terjemahan) “cut down untuk top 1 000 hasil, lalu reorder them” framing itu circulates widely di SEO traces back untuk my own conference deck’s interpretation dari public research dan patents — not sebuah saat ini, verbatim Google statement tentang web Search. Google Cloud’s enterprise search product melakukan document sebuah concrete pipeline (“the model retrieves documents in the order of thousands… The ranking model then orders the retrieved documents and serves the top 400 ranked results” (terjemahan) “ model retrieves documents di order dari thousands… peringkat model lalu orders retrieved documents dan menyajikan top 400 diperingkatkan hasil”), tetapi itu’s Vertex AI Search product, not Google web Search. Don’t assume either 1 000 atau 400 applies untuk Google Search itself.

How Bing/Microsoft melakukan ini

Microsoft adalah much more explicit, dan -nya clearest documentation adalah closest thing untuk sebuah official production-reranker deskripsi Anda’ll temukan. Azure AI Search’s semantic ranker adalah documented sebagai “a feature that measurably improves search relevance by using Microsoft’s language understanding models to rerank search results” (terjemahan) “sebuah fitur itu measurably improves search relevance oleh menggunakan Microsoft’s language understanding models untuk rerank hasil pencarian” — dan crucially, “the underlying technology is from Bing and Microsoft Research.” (terjemahan) “ underlying technology adalah dari Bing dan Microsoft Research.”

mechanics map cleanly onto two-stage pattern:

• ini “always adds secondary ranking over an initial result set that was scored using BM25 or Reciprocal Rank Fusion (RRF).” (terjemahan) “selalu menambahkan secondary peringkat di atas sebuah initial hasil set itu adalah scored menggunakan BM25 atau Reciprocal peringkat Fusion (RRF).” Stage one adalah BM25 atau RRF; semantic ranker adalah stage two.
• Microsoft panggilan itu stage L2 peringkat, which “uses the context or semantic meaning of a query to compute a new relevance score over preranked results.” (terjemahan) “menggunakan context atau semantic meaning dari sebuah kueri untuk compute sebuah baru relevance score di atas preranked hasil.”
• ini hanya reranks shortlist, tidak pernah whole corpus: “What semantic ranker can’t do is rerun the query over the entire corpus… Semantic ranking reranks the existing result set, consisting of the top 50 results as scored by the default ranking algorithm.” (terjemahan) “What semantic ranker dapat’t melakukan adalah rerun kueri di atas entire corpus… Semantic peringkat reranks existing hasil set, consisting dari top 50 hasil sebagai scored oleh default peringkat algorithm.” bahkan jika more daripada 50 hasil come back, “only the top 50 results progress to semantic ranking.” (terjemahan) “hanya top 50 hasil progress untuk semantic peringkat.”

Bing’s own dapat 2026 blog pada evolving role dari indeks doesn’t name reranking directly, tetapi reinforces itu retrieval quality adalah now judged oleh jawaban-mendukung reliability: “Retrieval systems must therefore optimize not just for one-shot retrieval, but for consistent, repeatable behavior across iterative use.” (terjemahan) “Retrieval sistem harus therefore mengoptimalkan not hanya untuk one-shot retrieval, tetapi untuk consistent, repeatable perilaku di seluruh iterative gunakan.”

Reranking di RAG dan AI search

ini adalah where reranking touches AI Overviews, AI Mode, Copilot, ChatGPT Search, dan Perplexity sebagian besar directly. di sebuah RAG pipeline, reranking adalah sebuah named stage antara retrieval dan generation: konten adalah chunked, setiap chunk adalah embedded dan stored, kueri retrieves nearby chunks oleh vector similarity, sebuah reranker re-scores itu candidates, dan hanya top survivors get handed untuk LLM sebagai context. reranker adalah gate antara “your passage was retrieved” (terjemahan) “Anda passage adalah retrieved” dan “your passage was actually used.” (terjemahan) “Anda passage adalah actually digunakan.”

itu gate dapat menjadi strict. di AI-search sistem, hanya sebuah fraction dari retrieved sources typically jelas rerank threshold ke generation stage — so menjadi pulled ke candidate pool adalah price dari entry, not sebuah guarantee dari sebuah citation. sebagai Ahrefs’ own research pada optimizing untuk LLM search frames core masalah: “AI companies don’t reveal how LLMs select sources, so it’s hard to know how to influence their outputs.” (terjemahan) “AI companies don’t reveal how LLMs select sources, so ini adalah hard untuk know cara influence mereka outputs.” Reranking adalah sebuah big bagian dari itu hidden selection langkah.

Reranking vs. Reciprocal peringkat Fusion (RRF)

ini get conflated constantly — including di otherwise-baik SEO konten — dan mereka’re not yang sama mechanism.

• Reranking rescores one candidate pool oleh jointly evaluating setiap kueri-document pair dengan sebuah single model ( cross-encoder). ini menanyakan: how relevant adalah ini document untuk ini kueri, really?
• Reciprocal peringkat Fusion (RRF) merges multiple sudah-diperingkatkan lists — misalnya, hasil dari BM25 dan hasil dari pencarian vektor, atau hasil dari several fan-out sub-kueri — oleh rewarding documents itu appear consistently di seluruh lists. Ahrefs’ kueri Fan-Out explainer describes ini: fan-out kueri adalah searched di seluruh indeks “using reciprocal rank fusion (RRF) — a method that scores and merges multiple lists of results by rewarding those that appear consistently across them.” (terjemahan) “menggunakan reciprocal peringkat fusion (RRF) — sebuah metode itu scores dan merges multiple lists dari hasil oleh rewarding itu itu appear consistently di seluruh them.”

Both dapat live di yang sama pipeline — Azure’s semantic ranker literally reranks pada top dari sebuah BM25- atau RRF-diperingkatkan set — tetapi RRF adalah sebuah list-merging langkah (no model reads Anda konten), while reranking adalah sebuah konten-scoring langkah (sebuah model reads kueri dan Anda passage together). jika Anda take one disambiguation away: RRF combines lists; reranking re-reads konten.

sebuah brief history: BM25 → RankBrain → BERT → LLM rerankers

Reranking isn’t baru — ini adalah modern name untuk sebuah pattern search memiliki digunakan untuk years. throughline, which I walk melalui di my Ahrefs Evolve 2025 talk GEO? AEO? LLMO? What’s dengan semua ini AI Stuff?:

• BM25 / lexical retrieval — classic keyword-match scoring itu masih melakukan pertama-pass narrowing.
• RankBrain (2016) — Google’s pertama machine-learning peringkat sistem, understanding kata sebagai concepts.
• BERT / DeepRank (2019) — contextual, passage-tingkat language understanding; cross-encoder-style reranking era begins.
• Modern LLM-based rerankers (RankEmbed dan RAG-era cross-encoders) — neural rerankers now sit antara retrieval dan generation di seluruh AI search.

consistent shape di seluruh semua dari them: cheap broad retrieval pertama, expensive precise reordering dari sebuah shortlist kedua.

What ini berarti untuk konten dan SEO

Because sebuah cross-encoder scores kueri dan Anda passage jointly, practical implications reinforce best practices Anda sudah know — now dengan sebuah mechanism behind them:

• Write self-berisi passages. sebuah reranker scores sebuah passage largely pada -nya own merits terhadap kueri. sebuah bagian itu hanya membuat sense di context dari three paragraphs above ini scores worse daripada one itu reads sebagai sebuah complete jawaban. ini ties directly untuk passage peringkat dan chunking.
• jawaban spesifik pertanyaan, near top dari bagian. Direct jawaban score better daripada bangun-up. Put jawaban pertama, lalu elaborate.
• Minimize ambiguity. Pronouns dan context-dependent phrasing (“as mentioned above,” (terjemahan) “sebagai mentioned above,” “this approach” (terjemahan) “ini approach”) itu hanya resolve elsewhere pada halaman membuat sebuah passage harder untuk score di isolation. Name thing.
• Retrieval adalah masih prerequisite. Reranking hanya ever sees what retrieval hands ini. sebuah halaman itu dapat’t menjadi di-crawl dan terindeks, atau itu tidak pernah gets retrieved, tidak pernah reaches reranker di semua. Fix findability pertama; mengoptimalkan passages kedua.

None dari ini adalah sebuah knob Anda submit untuk Google. ini adalah yang sama “be clear and be found” (terjemahan) “menjadi jelas dan menjadi ditemukan” advice, aimed di spesifik stage — kedua look — itu decides which retrieved konten actually gets digunakan.

AI summary

sebuah condensed take pada Advanced versi:

• Reranking = stage two dari sebuah retrieval pipeline. Stage one retrieves sebuah candidate set cheaply dan broadly (BM25, pencarian vektor, atau hybrid); stage two re-scores dan reorders itu shortlist dengan sebuah slower, more precise model sebelum hasil adalah disajikan atau fed untuk sebuah LLM.
• Bi-encoder vs cross-encoder adalah core mechanic. sebuah bi-encoder encodes kueri dan document separately ke vectors dan compares them — fast, precomputable, less precise; ini adalah retriever. sebuah cross-encoder encodes them together dan outputs one relevance score per pair — slower, dapat’t menjadi precomputed, more accurate; ini adalah reranker.
• Why two stages: accurate model adalah too slow untuk run di atas sebuah whole corpus. Pinecone: sebuah cross-encoder di atas 40M records ≈ 50+ hours vs di bawah 100ms untuk vector search. Retrieve cheap, rerank shortlist.
• Google doesn’t say “reranking” (terjemahan) “reranking” publicly, tetapi BERT dan passage peringkat melakukan job, dan Google Cloud’s docs list cross-attention ( cross-encoder idea). “top 1,000 then reorder” (terjemahan) “top 1 000 lalu reorder” figure traces untuk Patrick’s deck interpreting research / patents — not sebuah verbatim saat ini Google-Search statement.
• Bing/Microsoft documents sebuah explicit reranker: Azure AI Search’s semantic ranker (L2 peringkat) reranks sebuah BM25- atau RRF-diperingkatkan set, hanya top ~50 hasil, menggunakan tech “from Bing and Microsoft Research.” (terjemahan) “dari Bing dan Microsoft Research.”
• di RAG/AI search, reranking adalah gate antara “retrieved” (terjemahan) “retrieved” dan “actually used” (terjemahan) “actually digunakan” — hanya beberapa retrieved sources jelas ini ke generation.
• Reranking ≠ RRF. RRF merges multiple diperingkatkan lists; reranking re-scores one candidate pool oleh reading kueri + passage together. sering conflated; not yang sama.
• SEO upshot: because rerankers score kueri-passage pairs jointly, self-berisi, unambiguous passages itu jawaban sebuah spesifik pertanyaan directly score better. Retrieval (dapat di-crawl + terindeks) remains prerequisite.

Official documentation

Primary-source documentation pada retrieval dan reranking dari search dan cloud providers.

Google

• tentang retrieval dan peringkat (Google Cloud / Vertex AI Search) — clearest official Google deskripsi dari retrieval→peringkat split, cross-attention signal, dan top-400 serving figure (untuk enterprise product, not web Search).
• sebuah Guide untuk Google Search peringkat sistem — BERT, passage peringkat, dan RankBrain di Google’s own kata ( sistem itu melakukan reranking’s job di Search).
• Learning-untuk-peringkat dengan BERT di TF-peringkat (Google Research) — Google’s own cross-encoder passage re-peringkat research pada MS MARCO.

Microsoft / Bing

• Semantic peringkat overview — Azure AI Search — Microsoft’s sebagian besar detailed public reranker documentation: L2 peringkat di atas sebuah BM25/RRF set, top-50 hanya, tech “from Bing and Microsoft Research.” (terjemahan) “dari Bing dan Microsoft Research.”
• science behind semantic search (Microsoft Research) — research underlying semantic ranker (BM25 base + Transformer reranking).
• Evolving role dari indeks (Bing Search Blog, dapat 2026) — retrieval reliability untuk jawaban sistem.

Vendor / RAG references

• Rerankers dan Two-Stage Retrieval (Pinecone) — bi-encoder informasi-loss explanation dan 50-hours-vs-100ms latency benchmark.
• menggunakan Cross-Encoders sebagai reranker (Weaviate) — “fast but less accurate” (terjemahan) “fast tetapi less accurate” vs “accurate but slow” (terjemahan) “accurate tetapi slow” framing dan multistage pipeline.
• What adalah Rerankers? (MongoDB) — definition, role di search, dan RAG optimization.
• What adalah reranking dan why melakukan ini penting? (Vectara) — “why not just use the expensive model on everything” (terjemahan) “why not hanya gunakan expensive model pada everything” pertanyaan.

Quotes dari source

pada—record statements dari Google dan Microsoft. setiap tautan adalah sebuah deep tautan itu jumps untuk quoted passage pada source halaman.

Google Cloud — retrieval-lalu-peringkat split

• “In short, retrieval is finding relevant documents, while ranking is ordering those retrieved documents. Ranking all the available documents can be computationally expensive. Therefore, retrieval and ranking work sequentially.” (terjemahan) “di pendek, retrieval adalah finding relevant documents, while peringkat adalah ordering itu retrieved documents. peringkat semua available documents dapat menjadi computationally expensive. Therefore, retrieval dan peringkat berfungsi sequentially.” — Google Cloud, “About retrieval and ranking.” (terjemahan) “tentang retrieval dan peringkat.” Jump untuk quote

Google Search Central — sistem itu melakukan reranking’s job

• “Bidirectional Encoder Representations from Transformers (BERT) is an AI system Google uses…” (terjemahan) “Bidirectional Encoder Representations dari Transformers (BERT) adalah sebuah AI sistem Google menggunakan…” — Google Search Central, “A Guide to Google Search Ranking Systems.” (terjemahan) “sebuah Guide untuk Google Search peringkat sistem.” Jump untuk quote
• “Passage ranking is an AI system we use to identify individual sections or ‘passages’ of a web page…” (terjemahan) “Passage peringkat adalah sebuah AI sistem kami gunakan untuk identify individual bagian atau ‘passages’ dari sebuah halaman web…” — Google Search Central, sama guide. Jump untuk quote

Microsoft — sebuah explicit, Bing-derived reranker

• “In Azure AI Search, semantic ranker is a feature that measurably improves search relevance by using Microsoft’s language understanding models to rerank search results.” (terjemahan) “di Azure AI Search, semantic ranker adalah sebuah fitur itu measurably improves search relevance oleh menggunakan Microsoft’s language understanding models untuk rerank search hasil.” — Microsoft Learn, “Semantic ranking overview.” (terjemahan) “Semantic peringkat overview.” Jump untuk quote
• “What semantic ranker can’t do is rerun the query over the entire corpus to find semantically relevant results. Semantic ranking reranks the existing result set, consisting of the top 50 results as scored by the default ranking algorithm.” (terjemahan) “What semantic ranker dapat’t melakukan adalah rerun kueri di atas entire corpus untuk temukan semantically relevant hasil. Semantic peringkat reranks existing hasil set, consisting dari top 50 hasil sebagai scored oleh default peringkat algorithm.” — Microsoft Learn, sama halaman.

Bing — retrieval untuk jawaban sistem

• “Retrieval systems must therefore optimize not just for one-shot retrieval, but for consistent, repeatable behavior across iterative use.” (terjemahan) “Retrieval sistem harus therefore mengoptimalkan not hanya untuk one-shot retrieval, tetapi untuk consistent, repeatable perilaku di seluruh iterative gunakan.” — Krishna Madhavan, Knut Risvik, Meenaz Merchant (Microsoft AI), Bing Search Blog, dapat 2026. Read source

mental models

1. Retrieve broad, rerank precise. Stage one casts sebuah wide, cheap net; stage two reads shortlist carefully. When sebuah AI jawaban atau search hasil adalah missing Anda halaman, tanyakan which stage dropped ini: adalah Anda tidak pernah retrieved ke candidate set, atau adalah Anda retrieved tetapi reranked below cut? mereka’re berbeda masalah dengan berbeda fixes (findability vs. passage clarity).

2. Bi-encoder vs cross-encoder — separate vs joint. sebuah bi-encoder encodes kueri dan document apart dan compares vectors — fast, dapat diindeks, lossy. sebuah cross-encoder encodes them together dan scores pair — slow, exact, dapat’t menjadi precomputed. Retrieval menggunakan pertama; reranking menggunakan kedua. itu single “separate vs joint” (terjemahan) “separate vs joint” distinction menjelaskan whole speed/accuracy trade.

3. expensive model earns -nya pertahankan hanya pada sebuah shortlist. Anda dapat’t run sebuah cross-encoder di atas sebuah billion halaman (50+ hours pada 40M records). two-stage design exists precisely so Anda pay precise model’s cost pada dozens atau hundreds dari candidates, not whole corpus. itu constraint adalah alasan reranking adalah sebuah separate stage.

4. Reranking ≠ RRF. Reciprocal peringkat Fusion merges multiple diperingkatkan lists (BM25 + vector, atau fan-out sub-kueri) oleh rewarding cross-list agreement — no model reads Anda konten. Reranking re-scores one pool oleh reading kueri + passage together. RRF combines lists; reranking re-reads konten.

5. sama function, berbeda names. “Reranking” (terjemahan) “Reranking” adalah vendor/ML vocabulary. Google panggilan -nya versi BERT dan passage peringkat; Microsoft panggilan -nya versi semantic ranker / L2 peringkat. Absence dari kata di Search Central docs isn’t absence dari function.

6. konten decision aturan. There’s no reranker knob untuk submit. tanyakan instead: melakukan ini passage jawaban sebuah spesifik pertanyaan clearly, pada -nya own, without depending pada rest dari halaman? jika yes, ini scores well when sebuah cross-encoder reads ini next untuk kueri. jika ini perlu surrounding context untuk membuat sense, ini doesn’t.

Reranking — cheat sheet

What ini adalah di one line kedua stage dari retrieval: re-score dan reorder sebuah retrieved shortlist dengan sebuah slower, more precise model sebelum serving atau generating.

Bi-encoder vs cross-encoder

Who melakukan what (oleh name)

Reranking vs RRF

Fast facts

• Two-stage design exists because cross-encoders adalah too slow untuk sebuah full corpus: ~50+ hours (40M records) vs <100ms untuk pencarian vektor (Pinecone).
• Google tidak pernah publicly menggunakan “reranking” (terjemahan) “reranking”/“cross-encoder” (terjemahan) “cross-encoder”/“bi-encoder” (terjemahan) “bi-encoder” untuk web Search itself — BERT dan passage peringkat adalah named equivalents.
• Azure semantic ranker hanya reranks top ~50 retrieved hasil, tidak pernah whole corpus.
• “top 1,000 then reorder” (terjemahan) “top 1 000 lalu reorder” figure adalah dari Patrick’s deck reading public research / patents — not sebuah verbatim Google-Search statement.

My halaman isn’t showing up — adalah ini retrieval atau reranking?

sebuah quick cara untuk locate which stage adalah failing sebelum Anda perubahan anything. Reranking dan retrieval adalah berbeda masalah; fixing wrong one wastes effort.

Start: adalah halaman terindeks di semua?

• No → ini adalah sebuah crawl/indeks masalah, upstream dari both. Fix crawling dan pengindeksan pertama — nothing reaches retrieval atau reranking until halaman adalah di indeks.
• Yes → continue.

melakukan halaman peringkat / get retrieved untuk broad kueri di semua (bahkan rendah)?

• No, ini adalah nowhere → ini looks like sebuah retrieval miss: pertama-stage retriever isn’t pulling Anda ke candidate set. berfungsi pada topical relevance, pada menjadi sebuah genuine match untuk kueri’s meaning (embeddings / semantic search), dan pada tautan internal dan authority so Anda’re sebuah candidate di semua.
• Yes, Anda appear tetapi rendah / not cited → ini looks like sebuah reranking miss: Anda’re di shortlist tetapi scored below cut. Continue.

melakukan relevant bagian read sebagai sebuah self-berisi jawaban untuk spesifik kueri?

• No — ini depends pada surrounding context, menggunakan ambiguous pronouns, buries jawaban → ini adalah highest-leverage fix. Rewrite passage untuk jawaban spesifik pertanyaan directly, near top dari bagian, without depending pada rest dari halaman (see passage peringkat dan chunking).
• Yes — ini adalah sudah sebuah clean, direct jawaban → Anda’re mungkin losing pada authority / competition, not clarity. Stronger, more authoritative competing sources adalah menjadi reranked above Anda; lever ada E-E-sebuah-T dan tautan, not more rewriting.

aturan dari thumb: nowhere di semua → retrieval; present tetapi not chosen → reranking. Don’t rewrite passages untuk fix sebuah halaman itu adalah tidak pernah retrieved, dan don’t chase tautan untuk fix sebuah passage itu reads poorly di isolation.

Reranking anti-patterns

umum cara people misunderstand atau misuse concept.

Treating “retrieved” (terjemahan) “retrieved” sebagai “done.” (terjemahan) “done.” menjadi pulled ke candidate set adalah start, not finish. reranker masih memiliki untuk score Anda above cut. Optimizing hanya untuk retrieval (getting ditemukan) dan ignoring passage clarity (surviving rerank) leaves hasil pada table.

Confusing reranking dengan Reciprocal peringkat Fusion. RRF merges multiple diperingkatkan lists oleh cross-list agreement; reranking re-scores one pool oleh reading kueri + passage together. konten itu “wins RRF” (terjemahan) “wins RRF” (appears di seluruh banyak lists) dan konten itu “wins reranking” (terjemahan) “wins reranking” (reads sebagai best jawaban) aren’t yang sama thing. Plenty dari otherwise-baik SEO writing blurs ini — don’t.

Assuming “top 1,000 → reorder” (terjemahan) “top 1 000 → reorder” angka applies untuk Google web Search. itu figure comes dari my own deck’s interpretation dari public research dan patents. documented “thousands retrieved, top 400 served” (terjemahan) “thousands retrieved, top 400 disajikan” pipeline adalah Google Cloud’s enterprise search product, not Google web Search. Cite mechanism, hedge spesifik angka.

Chopping konten ke tiny fragments “for the reranker.” (terjemahan) “untuk reranker.” Reranking rewards passages itu read sebagai complete, self-berisi jawaban — not confetti. di atas-fragmenting destroys context itu membuat sebuah passage scorable. jelas H2/H3 structure dengan sebuah direct jawaban per bagian chunks well pada -nya own; Anda tidak perlu untuk shred halaman.

Believing “if Google doesn’t say ‘reranking,’ it isn’t happening.” (terjemahan) “jika Google doesn’t say ‘reranking,’ ini isn’t happening.” vocabulary differs dari function. Google’s BERT dan passage peringkat, dan Microsoft’s semantic ranker, melakukan exactly ini job. Absence dari kata isn’t absence dari mechanism.

Thinking sebuah cross-encoder “replaces” (terjemahan) “replaces” pencarian vektor. mereka’re sequential, not competing. Cross-encoders adalah too slow untuk run di atas sebuah whole corpus, so bi-encoder / vector retrieval adalah masih diperlukan sebagai stage one. Anda perlu both.

Test yourself: Reranking

Five quick pertanyaan pada how reranking reorders retrieved hasil. Pick sebuah jawaban untuk setiap, lalu periksa.

Resources worth Anda time

My related writing & speaking

• GEO? AEO? LLMO? What’s dengan semua ini AI Stuff? — my Ahrefs Evolve 2025 talk pada BM25 → RankBrain → BERT/DeepRank → RankEmbed lineage itu reranking sits inside. (YouTube versi.)
• How Search berfungsi (SlideShare) — my walkthrough dari crawling, rendering, pengindeksan, dan peringkat, including retrieve-lalu-reorder (“post-retrieval adjustments” (terjemahan) “post-retrieval adjustments”) stage. My standing disclaimer applies: ini adalah my understanding dari ini sistem, not sebuah guaranteed-complete atau perfectly accurate account, dan exact candidate-set angka adalah my reading dari public research dan patents.

My speaking (broader AI search)

• What kami Actually Know tentang Optimizing untuk LLM Search — Ahrefs’ write-up menggunakan my research; frames how little AI companies reveal tentang how sources get selected ( langkah reranking adalah bagian dari).

dari sekitar industry

• Rerankers dan Two-Stage Retrieval (Pinecone) — bi-encoder informasi-loss explanation dan 50-hours-vs-100ms latency benchmark.
• menggunakan Cross-Encoders sebagai reranker di multistage pencarian vektor (Weaviate) — clean “fast but less accurate” (terjemahan) “fast tetapi less accurate” vs “accurate but slow” (terjemahan) “accurate tetapi slow” framing.
• What adalah Rerankers? (MongoDB) — definition, role di search, dan how rerankers fit ke RAG.
• What adalah reranking dan why melakukan ini penting? (Vectara) — “why not just use the expensive model on everything” (terjemahan) “why not hanya gunakan expensive model pada everything” myth-busting.
• Semantic peringkat overview (Microsoft Learn) — clearest public production-reranker documentation, explicitly dibangun pada Bing tech.
• AI Search Architecture Deep Dive (Mike King, iPullRank) — ties cross-encoder reranking untuk Bing Copilot’s inferred pipeline (treat architecture specifics sebagai informed inference, not official Microsoft statements).
• What adalah kueri Fan-Out? (Despina Gavoyannis, Ahrefs) — covers Reciprocal peringkat Fusion, adjacent-tetapi-distinct concept reranking adalah sering confused dengan.
• kueri fan-out di AI search: What adalah ini dan how melakukan ini berfungsi? (mesin pencari Land) — more pada RRF dan fan-out synthesis, untuk disambiguation.

Log perubahan