Reranking : remettre les bons passages en tête
Le reranking (reclassement) est une seconde étape de recherche : après une première sélection rapide de candidats, un modèle plus précis relit chaque candidat face à la question et recalcule l'ordre de pertinence. C'est l'un des leviers les plus efficaces pour améliorer un RAG.
Données au 22 octobre 2026
L'essentiel en chiffres
| Niveau | Avancé |
|---|---|
| Origine | 2019 |
| Introduit par | Nogueira & Cho |
Définition
Dit simplement : la première recherche ratisse large et vite ; le reranking trie ensuite ce butin avec soin. On parle de recherche en deux étapes, retrieve then rerank.
La première étape utilise des embeddings calculés à l’avance, ou des mots-clés, ou les deux via la recherche hybride. Elle est rapide mais approximative : la question et les documents ne se « voient » jamais directement. Le reranker, souvent un cross-encodeur, reçoit au contraire la question et un passage dans la même entrée et produit un score de pertinence. Il capte des nuances (négation, précision demandée, contexte) que la similarité de vecteurs manque.
Repères historiques
L’idée de reclasser des résultats est ancienne en recherche d’information. Son application aux modèles de langage modernes a été popularisée par l’article de Nogueira et Cho, déposé sur arXiv en janvier 2019 : un modèle BERT utilisé comme reranker y prend la première place du classement MS MARCO. Le banc d’essai BEIR (2021) a ensuite montré que les modèles de reranking figurent parmi les meilleurs en généralisation, au prix d’un coût de calcul élevé.
Un exemple concret
Un cabinet juridique interroge sa base : « Délai de préavis pour un bail commercial résilié par le locataire ». La recherche vectorielle remonte vingt passages proches, dont plusieurs sur les baux d’habitation et un sur la résiliation par le bailleur. Le reranker relit chaque passage avec la question et fait remonter celui qui traite précisément du locataire et du bail commercial. Le modèle d’un RAG reçoit alors les trois meilleurs passages au lieu de vingt passages approximatifs : réponse plus juste, prompt plus court.
Pourquoi ça compte
- Précision : Anthropic indique, sur ses jeux de test de septembre 2024, que l’ajout du reranking à sa méthode réduit encore nettement les échecs de récupération.
- Coût : envoyer moins de passages, mais meilleurs, réduit les tokens consommés.
- Contrepartie : chaque candidat reclassé ajoute du calcul, donc de la latence.
Idées reçues
- « Un bon modèle d’embedding suffit. » Les deux étapes jouent des rôles différents : rappel d’abord, précision ensuite.
- « Plus de candidats, toujours mieux. » Au-delà d’un certain point, le gain s’efface devant la latence.
Termes voisins : recherche sémantique, recherche hybride, RAG, embedding.
Termes liés
- Recherche hybride · Recherche qui combine mots-clés exacts et recherche par le sens (embeddings), puis fusionne les deux listes de résultats en un seul classement.
- RAG (génération augmentée par récupération) · Technique qui va chercher des passages dans vos documents avant de répondre, et les donne au modèle pour qu'il s'appuie dessus.
- Recherche sémantique · Recherche qui retrouve des contenus par leur sens, et non par mots identiques, en comparant des représentations numériques des textes.
- Embedding (plongement) · Liste de nombres (un vecteur) qui représente le sens d'un texte ou d'une image, pour comparer des contenus par leur proximité de sens.
- Latence · Temps d'attente entre l'envoi d'une demande à un modèle d'IA et l'arrivée de sa réponse, du premier mot jusqu'au dernier.
Tout le glossaire
Questions fréquentes
Quelle différence entre un bi-encodeur et un cross-encodeur ?
Un bi-encodeur transforme la question et chaque document séparément en vecteurs, ce qui permet de chercher très vite dans des millions de documents. Un cross-encodeur lit la question et un document ensemble, ce qui est bien plus précis mais trop coûteux pour toute la base : on le réserve aux meilleurs candidats.
Combien de candidats faut-il reclasser ?
Il n'y a pas de nombre universel. Dans son étude de septembre 2024 sur la Contextual Retrieval, Anthropic récupère 150 passages puis en garde 20 après reranking. Le bon compromis dépend de votre latence acceptable et de votre budget.
Peut-on utiliser un LLM comme reranker ?
Oui : on peut demander à un modèle de langage de noter ou de classer une liste de passages. C'est souple, mais généralement plus lent et plus cher qu'un modèle de reranking dédié.
Le reranking peut-il retrouver un document absent des candidats ?
Non. Il ne fait que réordonner ce que la première étape lui donne. Si le bon passage n'a pas été récupéré, il faut améliorer la recherche initiale, par exemple avec une recherche hybride.
Sources des données
Données au 22 octobre 2026
Signaler une erreur
Un chiffre, une date ou une information vous semble faux ? Dites-le-nous : chaque signalement est vérifié.