[{"data":1,"prerenderedAt":777},["ShallowReactive",2],{"blog-reranking-models-compared-hu":3},{"slug":4,"published":5,"updated":6,"minutes":7,"category":8,"tags":9,"keywords":15,"about":26,"sources":36,"cover":73,"og":74,"expertise":75,"locales":76,"lang":79,"title":80,"description":81,"coverAlt":82,"metaTitle":83,"takeaways":84,"faq":90,"toc":106,"blocks":134,"others":525},"reranking-models-compared","2026-09-30","2026-10-01",8,"rag",[10,11,12,13,14],"Reranking","RAG","Search","Cross-encoders","Evaluation",[16,17,18,19,20,21,22,23,24,25],"cross-encoder reranker comparison","Cohere Rerank 4 pricing","bge-reranker-v2-m3","Voyage rerank-3","Jina reranker v3.5","ColBERT late interaction vs reranker","LLM as reranker","reciprocal rank fusion vs reranker","reranking top-k evaluation","self-hosted reranker ONNX CPU",[27,30,33],{"name":28,"url":29},"Learning to rank","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLearning_to_rank",{"name":31,"url":32},"BERT (language model)","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FBERT_%28language_model%29",{"name":34,"url":35},"Information retrieval","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FInformation_retrieval",[37,40,43,46,49,52,55,58,61,64,67,70],{"title":38,"url":39},"Sentence-BERT (arXiv 1908.10084)","https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.10084",{"title":41,"url":42},"Sentence Transformers: retrieve and re-rank","https:\u002F\u002Fsbert.net\u002Fexamples\u002Fsentence_transformer\u002Fapplications\u002Fretrieve_rerank\u002FREADME.html",{"title":44,"url":45},"BAAI\u002Fbge-reranker-v2-m3 model card","https:\u002F\u002Fhuggingface.co\u002FBAAI\u002Fbge-reranker-v2-m3",{"title":47,"url":48},"Cohere docs: reranking best practices","https:\u002F\u002Fdocs.cohere.com\u002Fdocs\u002Freranking-best-practices",{"title":50,"url":51},"Cohere pricing","https:\u002F\u002Fcohere.com\u002Fpricing",{"title":53,"url":54},"Voyage AI blog: rerank-3 (30 Sep 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F09\u002F30\u002Frerank-3\u002F",{"title":56,"url":57},"Voyage AI docs: pricing","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fpricing",{"title":59,"url":60},"Jina AI: Reranker v3.5 (3 Aug 2026)","https:\u002F\u002Fjina.ai\u002Fnews\u002Fjina-reranker-v3-5-faster-listwise-reranking-hybrid-attention-self-distillation\u002F",{"title":62,"url":63},"ColBERTv2 (arXiv 2112.01488)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2112.01488",{"title":65,"url":66},"Elasticsearch docs: reciprocal rank fusion","https:\u002F\u002Fwww.elastic.co\u002Fdocs\u002Freference\u002Felasticsearch\u002Frest-apis\u002Freciprocal-rank-fusion",{"title":68,"url":69},"Azure AI Search: semantic ranking overview","https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fsearch\u002Fsemantic-search-overview",{"title":71,"url":72},"RankGPT (arXiv 2304.09542)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2304.09542","\u002Fimages\u002Fblog\u002Freranking-models-compared\u002Fcover.webp","\u002Fimages\u002Fblog\u002Freranking-models-compared\u002Fog.jpg","ai-engineer",[77,78,79],"en","de","hu","Cross-encoder rerankerek: Cohere, bge, Voyage, Jina és késői interakció (2026)","Rerankerek 2026 októberében: pointwise, listwise és késői interakció, Cohere, Voyage, bge, Qwen3, Jina és mxbai, árak, saját üzemeltetés és a k választása.","Egy tölcsér sok kártyát ötre szűkít, egy kártya előre emelkedik.","Cross-encoder rerankerek összevetve · Balázs Csorba",[85,86,87,88,89],"A reranker együtt pontozza a lekérdezést és a dokumentumot, ami pontos, de túl lassú a teljes korpuszhoz, ezért egy gyors első lépés top k találatát rendezi újra.","Három architektúra verseng: pointwise cross-encoderek, az összes jelöltet egyszerre olvasó listwise rerankerek és a tárolt tokenvektoros késői interakció; az RRF-hez egyáltalán nem kell modell.","2026 októberében a Cohere keresésenként számláz (1000 keresésenként 2,00–2,50 dollár), a Voyage tokenenként (millió tokenenként 0,02–0,05 dollár); a nyílt modellek, mint a bge-reranker-v2-m3 és a Qwen3-Reranker, Apache-2.0 licencűek.","A többletkésleltetés lineárisan nő k-val, ezért induljon egy gyártói alapértékről, például az Azure top 50-éről, és egy kis címkézett kiértékeléssel hangoljon, ne ranglistákkal.","A gyártói benchmarkállítások nem függetlenek; egy 50 lekérdezéses kiértékelés a saját adatain dönti el a modellt, a k-t, és azt, hogy egyáltalán kell-e reranker.",[91,94,97,100,103],{"q":92,"a":93},"Mit csinál a reranker egy RAG-rendszerben?","Átveszi egy gyors első lépcsős visszakereső legjobb jelöltjeit, mindegyiket a lekérdezéssel együtt pontozza, és újrarendezi őket, hogy a legrelevánsabb darabok jussanak a modellhez. Mivel együtt olvassa a lekérdezést és a dokumentumot, pontosabb a beágyazási hasonlóságnál, de túl lassú a teljes korpuszhoz.",{"q":95,"a":96},"Melyik rerankert érdemes használni 2026-ban?","Hosztolt API-ként 2026 októberében a Cohere Rerank 4 és a Voyage rerank-3 az aktuális sorozatok. Saját üzemeltetésre a bge-reranker-v2-m3 (0.6B, Apache-2.0) elterjedt többnyelvű alapválasztás, alternatívaként a Qwen3-Reranker, a Jina Reranker v3.5 és az mxbai-rerank-v2 jöhet szóba. Egy kis kiértékeléssel döntsön a saját lekérdezésein.",{"q":98,"a":99},"Mennyibe kerül az újrarangsorolás?","A Cohere 1000 keresésenként 2,00 dollárt kér a Rerank 4 Fastért és 2,50-et a Rerank 4 Próért, ahol egy keresés egy lekérdezés legfeljebb 100 dokumentummal. A Voyage millió tokenenként 0,05 dollárt kér a rerank-3-ért és 0,02-t a rerank-3-lite-ért. Saját üzemeltetésnél lekérdezésenként k pár pontozásának számítási költsége jelentkezik.",{"q":101,"a":102},"Hány dokumentumot rangsoroljak újra?","Kezdjen 50–100 jelölttel, és adjon vissza 5–20-at. Az Azure AI Search alapból a top 50-et rangsorolja újra. A késleltetés lineárisan nő a párok számával, ezért mérje a recallt a választott k mellett és a többletkésleltetést, és ne növelje tovább k-t, ha a recall már nem javul.",{"q":104,"a":105},"Kiváltja a reciprocal rank fusion a rerankert?","Általában nem. Az RRF modell nélkül, rangaritmetikával fésüli össze több visszakereső rangsorát, olcsón és robusztusan. A reranker elolvassa a szöveget, és javítani tudja a sorrendet az összefésült listán belül. Sok rendszer RRF-fel egyesíti a BM25- és vektoros találatokat, majd a lista elejét rerankerrel rendezi.",[107,110,113,116,119,122,125,128,131],{"id":108,"title":109},"what-a-reranker-buys","Mit ad a reranker, és mibe kerül",{"id":111,"title":112},"pointwise-listwise-late-interaction","Hogyan pontoznak a rerankerek: párok, listák és tokenvektorok",{"id":114,"title":115},"models-compared-2026","A 2026-os kínálat",{"id":117,"title":118},"pricing-and-self-hosting","Árak: keresésenként, tokenenként vagy a saját CPU-n",{"id":120,"title":121},"late-interaction-alternatives","A késői interakció mint alternatíva",{"id":123,"title":124},"llm-as-reranker-and-rrf","LLM-rerankerek, és mikor elég önmagában az RRF",{"id":126,"title":127},"choosing-k-and-evaluating","k és a modell kiválasztása egy kis kiértékeléssel",{"id":129,"title":130},"trade-offs-and-checklist","Mikor ne használjon rerankert, és egy ellenőrzőlista",{"id":132,"title":133},"sources","Források",[135,144,153,156,168,174,182,185,186,189,193,200,201,224,334,354,361,364,365,375,381,389,390,408,409,420,435,436,443,445,452,453,456,473,486,487],{"type":136,"content":137},"paragraph",[138,139,143],"A ",{"tag":140,"children":141},"strong",[142],"reranker"," együtt olvassa a lekérdezést és egy jelölt dokumentumot, és relevanciapontszámot ad, ami pontosabb két beágyazás összevetésénél, de túl lassú ahhoz, hogy egy teljes korpuszon fusson. Ezért kétlépcsős a visszakeresés: egy gyors visszakereső 50–250 jelöltet talál, egy cross-encoder pedig újrarendezi őket, hogy a legjobb néhány jusson a modellhez. A döntés az, melyik reranker, hány jelölt, és megéri-e a javulás a késleltetést.",{"type":136,"content":145},[146,147,152],"Ez a cikk összeveti a pontozási architektúrákat, a 2026 októberében elérhető modelleket, a hosztolt árakat és a saját üzemeltetést, alternatívaként a késői interakciót és az LLM-rerankereket, valamint egy kis kiértékelést k megválasztásához. Hogy a teljes folyamatban hol a helye az újrarangsorolásnak, azt a ",{"tag":148,"to":149,"children":150},"link","\u002Fblog\u002Frag-pipeline-chunking-hybrid-search-reranking",[151],"RAG-folyamatok: darabolás, hibrid keresés és újrarangsorolás"," című cikk írja le.",{"type":154,"level":155,"id":108,"text":109},"heading",2,{"type":136,"content":157},[158,159,163,164,167],"A reranker pontosságot ad a lista elején, és k-val arányos késleltetésbe kerül. Hogy miért nem váltja ki a visszakeresést, az aritmetika: a Sentence-BERT-tanulmány szerint 10 000 mondat közül a leghasonlóbb pár megtalálása körülbelül 50 millió BERT-következtetést, nagyjából 65 órát igényel, ami „alkalmatlanná teszi szemantikus hasonlósági keresésre” (",{"tag":160,"href":39,"children":161},"a",[162],"SBERT","). A dokumentált éles felépítés ezért egy jelölteket kereső bi-encoder és egy azokat újrarangsoroló cross-encoder (",{"tag":160,"href":42,"children":165},[166],"Sentence Transformers",").",{"type":169,"src":170,"alt":171,"wide":172,"caption":173},"image","\u002Fimages\u002Fblog\u002Freranking-models-compared\u002Fdiagram-4.webp","Kétlépcsős visszakeresés rerankerrel Öt lépés balról jobbra: a lekérdezés; hibrid visszakeresés BM25-tel és sűrű vektorokkal, amely néhányszor tíz milliszekundum alatt 100–250 jelöltet ad; a listákat összefésülő reciprocal rank fusion; a k lekérdezés–dokumentum párt pontozó cross-encoder, a legnagyobb többletkésleltetés, amely lineárisan nő k-val; és a válaszhoz továbbított top 5–20 találat.",true,"Az első lépcső olcsó és széles; a reranker drága és szűk, költségét k határozza meg.",{"type":136,"content":175},[176,177,181],"A két szám, amelyet bevezetés előtt ismerni kell: az első lépcső recallja k mellett és k pár pontozásának többletkésleltetése. Ha a megfelelő dokumentum nincs a top 100-ban, semmilyen reranker nem találja meg; ha a 30. helyen van, és Ön öt találatot mutat, a reranker pontosan a megoldás. A cikkszámokat és hosszú német összetett szavakat tartalmazó termékkeresés tipikus eset, ahol a megfelelő tételt megtalálja, de túl hátra sorolja a rendszer, lásd ",{"tag":148,"to":178,"children":179},"\u002Fblog\u002Fsemantic-product-search-b2b",[180],"szemantikus termékkeresés B2B-ben",".",{"type":136,"content":183},[184],"A második szám ugyanolyan fontos, mint az első. Pointwise modellnél minden jelölt egy újabb futás, így 50-ről 200 jelöltre lépve nagyjából négyszeresére nő az újrarangsorolás ideje. Egy interaktív keresőmezőben ezt a felhasználó észreveszi; egy háttérben készülő RAG-válasznál, amely amúgy is másodperceket vár a generálásra, talán egyáltalán nem számít. Írja le a késleltetési keretet, mielőtt modelleket hasonlít össze, mert ez dönti el, a lenti táblázat melyik fele jöhet egyáltalán szóba.",{"type":154,"level":155,"id":111,"text":112},{"type":136,"content":187},[188],"Három architektúra van, és a modell nélküli összefésülés. A pointwise cross-encoder összefűzi a lekérdezést egy dokumentummal, és egy relevancia-logitot ad, így k jelölt k futást jelent. A listwise reranker a lekérdezést és az összes jelöltet egy kontextusablakba teszi, és egyetlen menetben rendezi őket. A késői interakció indexeléskor tokenenként egy vektort tárol, és lekérdezéskor MaxSim-mel illeszti hozzájuk a lekérdezés tokenjeit, így a munka nagy része kikerül a lekérdezés útjából.",{"type":169,"src":190,"alt":191,"wide":172,"caption":192},"\u002Fimages\u002Fblog\u002Freranking-models-compared\u002Fdiagram-9.webp","A jelöltek pontozásának négy módja Négy oszlop. Pointwise cross-encoder: a lekérdezést és egy dokumentumot összefűzik, a modell egy relevanciapontszámot ad; a számítás páronként, lekérdezéskor történik. Listwise reranker: a lekérdezés és az összes jelölt egy hosszú kontextusban van; a számítás listánként egyszer, lekérdezéskor történik. Késői interakció: a tokenszintű vektorokat indexeléskor tárolják, és lekérdezéskor MaxSim-mel illesztik; a számítás megoszlik az indexelés és a lekérdezés között. RRF: csak a rangsorhelyeket kombinálja; nem fut modell.","A cross-encoderek és a listwise rerankerek lekérdezéskor számolnak, a késői interakció a munka egy részét az indexelésre teszi át, az RRF pedig szinte semmit sem számol.",{"type":136,"content":194},[195,196,199],"A Jina Reranker v3 a legtisztább listwise példa: egy 0.6B-s modell, amely egyetlen ablakban olvassa a lekérdezést és az összes jelöltet, a Jina szavaival „last but not late interaction”. A 2026 augusztusi v3.5 megtartja a 0.6B paramétert, 131K tokenre bővíti a kontextust, és a v3-nál akár 1,56-szor gyorsabb újrarangsorolást jelent (",{"tag":160,"href":60,"children":197},[198],"Jina","). A listwise modellek egymáshoz viszonyítva látják a jelölteket, ami a közel azonos találatoknál segít, de az egész listának bele kell férnie a kontextusba.",{"type":154,"level":155,"id":114,"text":115},{"type":136,"content":202},[203,204,208,209,212,213,208,216,219,220,223],"2026 októberében a hosztolt sorozatok a Cohere Rerank 4, amely 2025 decemberében jelent meg ",{"tag":205,"children":206},"code",[207],"rerank-v4.0-pro"," és ",{"tag":205,"children":210},[211],"rerank-v4.0-fast"," változatban 32k kontextussal, valamint a 2026. szeptember 30-án kiadott Voyage ",{"tag":205,"children":214},[215],"rerank-3",{"tag":205,"children":217},[218],"rerank-3-lite",", szintén 32k-val. A Voyage szerint a rerank-3 95 adathalmazon 2,72 százalékkal jobb a Cohere Rerank 4 Prónál (",{"tag":160,"href":54,"children":221},[222],"Voyage","); ez gyártói állítás gyártói tesztsoron, nem független eredmény. A nyílt modellek licence megengedi a kereskedelmi saját üzemeltetést.",{"type":225,"head":226,"rows":237},"table",[227,229,231,233,235],[228],"Modell (2026. okt.)",[230],"Architektúra",[232],"Méret \u002F kontextus",[234],"Hosztolt ár",[236],"Licenc \u002F megjegyzés",[238,249,258,266,275,284,293,304,313,323],[239,241,243,245,247],[240],"Cohere Rerank 4 Pro",[242],"cross-encoder",[244],"32k",[246],"2,50 $ \u002F 1000 keresés",[248],"API, többnyelvű",[250,252,253,254,256],[251],"Cohere Rerank 4 Fast",[242],[244],[255],"2,00 $ \u002F 1000 keresés",[257],"API, alacsony késleltetés",[259,260,261,262,264],[19],[242],[244],[263],"0,05 $ \u002F 1M token",[265],"API, 2026 szept. óta",[267,269,270,271,273],[268],"Voyage rerank-3-lite",[242],[244],[272],"0,02 $ \u002F 1M token",[274],"API, olcsóbb szint",[276,277,278,280,282],[18],[242],[279],"0.6B \u002F 8k",[281],"saját üzemeltetés",[283],"Apache-2.0",[285,287,289,291,292],[286],"Qwen3-Reranker-8B",[288],"LLM-alapú cross-encoder",[290],"8B",[281],[283],[294,296,298,300,302],[295],"Jina Reranker v3.5",[297],"listwise",[299],"0.6B \u002F 131K",[301],"API vagy saját",[303],"licenc és ár ellenőrzendő",[305,307,308,310,311],[306],"mxbai-rerank-large-v2",[242],[309],"1.5B",[281],[312],"Apache-2.0, 100+ nyelv",[314,316,318,320,321],[315],"ColBERTv2",[317],"késői interakció",[319],"tokenvektorok",[281],[322],"tárhelyigényes index",[324,326,328,330,332],[325],"RRF",[327],"rangfúzió",[329],"nincs modell",[331],"ingyenes",[333],"az Elasticsearchbe építve",{"type":136,"content":335},[138,336,339,340,343,344,346,347,349,350,167],{"tag":205,"children":337},[338],"BAAI\u002Fbge-reranker-v2-m3"," az elterjedt nyílt alapválasztás: 0.6B-s többnyelvű cross-encoder XLM-RoBERTa alapon, Apache-2.0 licenccel, az elmúlt hónapban több mint 15 millió letöltéssel (",{"tag":160,"href":45,"children":341},[342],"Hugging Face","). A ",{"tag":205,"children":345},[286]," a Qwen3 Embedding sorozat nehézsúlyú nyílt változata, a mixedbread ",{"tag":205,"children":348},[306]," modellje pedig 1,54B paraméterrel, FP16-ban nagyjából 3,09 GB-tal a kettő között áll, több mint 100 nyelvvel (",{"tag":160,"href":351,"children":352},"https:\u002F\u002Fhuggingface.co\u002Fmixedbread-ai\u002Fmxbai-rerank-large-v2",[353],"mixedbread",{"type":355,"variant":356,"title":357,"body":358},"callout","warn","A gyártói számok gyártói számok",[359],[360],"A Voyage összevetése a Cohere-rel és a Qwen3-mal, a Jina BEIR-javulásai és a Cohere saját minőségi állításai mind a modellt áruló cég méréséből származnak, általa választott tesztsorokon. Az itt használt források egyikében sem reprodukálták őket függetlenül, a nyilvános MTEB-rangsorolási ranglista pedig túl gyakran változik ahhoz, hogy idézni lehessen. Ezekből a számokból szűkített listát állítson össze, a végső döntést soha ne ezekre alapozza.",{"type":136,"content":362},[363],"Két gyakorlati különbség többet számít egy nDCG-pontnál. A kontextushossz dönti el, hogy egy hosszú termékadatlap vagy szerződéses záradék egyetlen dokumentumként belefér-e, vagy fel kell darabolni; a Cohere v4-es modelljei 32 764 tokennél darabolják a dokumentumokat, és a legmagasabb darabpontszámot tartják meg. A nyelvi lefedettség dönti el, hogy a német és magyar lekérdezések ugyanolyan jól működnek-e, mint az angolok, ezért európai tartalomhoz általában a többnyelvű bge, mxbai és Cohere modellek a jelöltek.",{"type":154,"level":155,"id":117,"text":118},{"type":136,"content":366},[367,368,371,372,167],"A hosztolt rerankereket két különböző egységben árazzák, ezért nehéz első ránézésre összevetni őket. A Cohere keresésenként számláz: 1000 keresésenként 2,00 dollár a Rerank 4 Fast és 2,50 a Rerank 4 Pro, ahol egy keresés egy lekérdezés legfeljebb 100 dokumentummal, az 500 tokennél hosszabb dokumentumok pedig többnek számítanak (",{"tag":160,"href":51,"children":369},[370],"Cohere árak","). A Voyage tokenenként számláz: millió tokenenként 0,05 dollár a rerank-3 és 0,02 a rerank-3-lite (",{"tag":160,"href":57,"children":373},[374],"Voyage árak",{"type":136,"content":376},[377,378,167],"Választás előtt hozza közös nevezőre a kettőt. 100, egyenként körülbelül 300 tokenes jelöltnél egy lekérdezés nagyjából 30 000 token: kb. 0,0015 dollár a rerank-3-mal és 0,0025 a Rerank 4 Próval. Hosszabb daraboknál megfordul az arány, mert a Cohere dokumentumonként, a Voyage tokenenként számol. A Cohere hasznos korlátokat is dokumentál: lekérdezésenként legfeljebb 2048 token, és azt ajánlja, hogy kérésenként ne küldjön 1000-nél több dokumentumot (",{"tag":160,"href":48,"children":379},[380],"Cohere",{"type":136,"content":382},[383,384,388],"Saját üzemeltetésnél az ár számítási kapacitássá alakul. CPU-n a méret a gyakorlati korlát: a FastEmbed ONNX rerankerei a ms-marco-MiniLM-L-6-v2 0,08 GB-jától a jina-reranker-v2-base-multilingual 1,11 GB-jáig terjednek, utóbbi csak nem kereskedelmi célra licencelt (",{"tag":160,"href":385,"children":386},"https:\u002F\u002Fqdrant.github.io\u002Ffastembed\u002Fexamples\u002FSupported_Models\u002F",[387],"FastEmbed","). Páronkénti CPU-késleltetésre nem találtam elsődleges benchmarkot, ezért elköteleződés előtt mérjen a saját hardverén, a saját darabhosszával. A saját Nuxt-oldalamon, ahol LLM-funkciókat futtatok, az ilyen feladatra az olcsó út a hibrid visszakeresés és egy kis ONNX-modell a szerveren, nem lekérdezésenként egy LLM-hívás.",{"type":154,"level":155,"id":120,"text":121},{"type":136,"content":391},[392,393,395,396,400,401,404,405,167],"A késői interakció más kompromisszum, nem jobb cross-encoder. A ColBERTv2 tokenenként egy vektort tart, reziduális tömörítéssel hat-tízszeresére csökkenti a késői interakciós modellek tárigényét, és lekérdezéskor olcsó MaxSim-mel pontoz (",{"tag":160,"href":63,"children":394},[315],"). Lekérdezési késleltetés helyett indexmérettel fizet, ami nagy k-hoz és nagy lekérdezésszámhoz illik. Oldalképekhez ugyanez az ötlet hajtja a ColPalit, lásd ",{"tag":148,"to":397,"children":398},"\u002Fblog\u002Fmultimodal-rag-colpali",[399],"multimodális RAG ColPalival",". A ",{"tag":205,"children":402},[403],"rerankers"," könyvtár egy felület mögé csomagolja a cross-encodereket, az API-kat és a késői interakciós modelleket, így egy kiértékelésben könnyű cserélgetni őket (",{"tag":160,"href":406,"children":407},"https:\u002F\u002Fgithub.com\u002FAnswerDotAI\u002Frerankers",[403],{"type":154,"level":155,"id":123,"text":124},{"type":136,"content":410},[411,412,415,416,419],"Egy általános LLM is tud újrarangsorolni, de ritkán ez a legolcsóbb út. A RankGPT megmutatta, hogy egy jól instruált GPT-4 az IR-benchmarkokon felveheti a versenyt a felügyelt rerankerekkel, sőt jobb is lehet náluk, és hogy egy desztillált 440M-es modell legyőzött egy felügyelt 3B-s modellt a BEIR-en (",{"tag":160,"href":72,"children":413},[414],"RankGPT","). A Voyage saját tanulmánya a másik oldalt képviseli: szerinte a célra épített rerankerek akár 60-szor olcsóbbak és 48-szor gyorsabbak az LLM-eknél (",{"tag":160,"href":417,"children":418},"https:\u002F\u002Fblog.voyageai.com\u002F2025\u002F10\u002F22\u002Fthe-case-against-llms-as-rerankers\u002F",[222],"); mindkét forrás érdekelt, ezért a saját adatain teszteljen.",{"type":136,"content":421},[422,423,426,427,430,431,434],"A reciprocal rank fusion a legolcsóbb lépés, és gyakran ez az első, amit érdemes hozzáadni. Több visszakereső rangsorát kizárólag a pozíciók alapján fésüli össze; az Elasticsearch egy alapértelmezésben 60-as ",{"tag":205,"children":424},[425],"rank_constant"," és egy ",{"tag":205,"children":428},[429],"rank_window_size"," paraméterrel valósítja meg (",{"tag":160,"href":66,"children":432},[433],"Elastic","). Az RRF elég, ha a BM25 és a vektoros keresés más-más jó találatokat hoz, és az összefésült lista eleje már rendben van. Akkor tegyen rá modellt, ha a megfelelő dokumentum rendszeresen az összefésült top 50-ben van, de nem a top 5-ben.",{"type":154,"level":155,"id":126,"text":127},{"type":136,"content":437},[438,439,442],"Induljon egy ismert alapértékről, és hagyja, hogy egy kis címkézett készlet mozdítsa el. Az Azure AI Search szemantikus rangsorolója csak a top 50 találatot viszi tovább, dokumentumonként legfeljebb 2000 tokennel, egy BM25- vagy RRF-alapú eredményhalmazból kiindulva (",{"tag":160,"href":69,"children":440},[441],"Azure","). Ez észszerű kezdő k. Ezután címkézzen fel 50 valódi lekérdezést azokkal a dokumentumokkal, amelyeknek meg kell válaszolniuk őket, és mérje a 10-es recallt újrarangsorolás előtt és után 25-ös, 50-es és 100-as k mellett.",{"type":205,"code":444},"# A small reranker eval: 50 labelled queries, recall@k before and after reranking\nfrom sentence_transformers import CrossEncoder\n\nreranker = CrossEncoder(\"BAAI\u002Fbge-reranker-v2-m3\")\n\ndef recall_at(ranked_ids, relevant_ids, n):\n    return len(set(ranked_ids[:n]) & relevant_ids) \u002F len(relevant_ids)\n\nfor k in (25, 50, 100):\n    before, after = [], []\n    for q in labelled_queries:                       # [{\"text\": ..., \"relevant\": {...}}]\n        hits = first_stage(q[\"text\"], k=k)           # your hybrid search: [(id, text), ...]\n        scores = reranker.predict([(q[\"text\"], t) for _, t in hits])\n        reranked = [i for (i, _), _ in sorted(zip(hits, scores), key=lambda p: -p[1])]\n        before.append(recall_at([i for i, _ in hits], q[\"relevant\"], 10))\n        after.append(recall_at(reranked, q[\"relevant\"], 10))\n    print(k, sum(before) \u002F len(before), sum(after) \u002F len(after))",{"type":136,"content":446},[447,448,152],"Ne növelje tovább k-t, ha a 10-es recall már nem javul, és ezt mérje össze a mért késleltetéssel. Futtassa ugyanazt a szkriptet két-három modellel, és tartsa meg a legolcsóbbat, amely legfeljebb egy ponttal marad el a legjobbtól. Minden beágyazómodell-csere után futtassa újra, mert az első lépcső dönti el, mit lát a reranker. Hogy az ilyen kiértékelések hogyan illeszthetők egy kiadási folyamatba, azt az ",{"tag":148,"to":449,"children":450},"\u002Fblog\u002Fllm-evals-for-product-features",[451],"LLM-kiértékelések termékfunkciókhoz",{"type":154,"level":155,"id":129,"text":130},{"type":136,"content":454},[455],"Hagyja ki a rerankert, ha az első lépcső már az első néhány találat közé teszi a jó választ, ha a lekérdezésekben a pontos azonosítók dominálnak, és a BM25 megtalálja őket, vagy ha a késleltetési keret nem bír el k további futást. Ilyenkor a jobb darabolás, a metaadat-szűrők vagy az RRF kevesebbért többet ad. Akkor vegyen fel egyet, ha a kiértékelés szerint a releváns dokumentumok közvetlenül a vágási határ alatt vannak.",{"type":457,"ordered":172,"items":458},"list",[459,461,463,465,467,469,471],[460],"Mérje az első lépcső recallját k mellett, mielőtt rerankert választ.",[462],"Fésülje össze RRF-fel a BM25- és vektoros találatokat, mielőtt modellt tesz rá.",[464],"Kezdjen 50-es k-val, és adjon vissza 5–20 találatot.",[466],"Számolja át a hosztolt árakat lekérdezésenkénti költségre a saját darabhosszán.",[468],"Saját üzemeltetés előtt ellenőrizze a licencet; egyes rerankerek nem kereskedelmi célúak.",[470],"A többletkésleltetést a saját hardverén mérje, ne publikált számokból vegye át.",[472],"Futtassa újra az 50 lekérdezéses kiértékelést minden modell- vagy darabolásváltás után.",{"type":136,"content":474},[475,476,480,481,485],"Ha egy RAG-rendszer vagy termékkeresés visszakeresését hangolja, és számokkal szeretné alátámasztani a reranker-döntést, nézze meg a ",{"tag":148,"to":477,"children":478},"\u002Fexpertise\u002Fai-engineer",[479],"MI-mérnöki munkámat",". Az alatta lévő vektortár választását ",{"tag":148,"to":482,"children":483},"\u002Fblog\u002Fqdrant",[484],"a Qdrant-ismertető"," tárgyalja.",{"type":154,"level":155,"id":132,"text":133},{"type":457,"ordered":172,"items":488},[489,492,495,498,501,504,507,510,513,516,519,522],[490],{"tag":160,"href":39,"children":491},[38],[493],{"tag":160,"href":42,"children":494},[41],[496],{"tag":160,"href":45,"children":497},[44],[499],{"tag":160,"href":48,"children":500},[47],[502],{"tag":160,"href":51,"children":503},[50],[505],{"tag":160,"href":54,"children":506},[53],[508],{"tag":160,"href":57,"children":509},[56],[511],{"tag":160,"href":60,"children":512},[59],[514],{"tag":160,"href":63,"children":515},[62],[517],{"tag":160,"href":66,"children":518},[65],[520],{"tag":160,"href":69,"children":521},[68],[523],{"tag":160,"href":72,"children":524},[71],[526,598,658,716],{"slug":527,"published":528,"minutes":529,"category":8,"tags":530,"keywords":535,"about":548,"sources":556,"cover":592,"og":593,"expertise":75,"locales":594,"lang":79,"title":595,"description":596,"coverAlt":597},"embedding-model-selection-2026","2026-10-17",9,[531,11,532,533,534],"Embeddings","MTEB","Vector search","Model selection",[536,537,538,539,540,541,542,543,544,545,546,547],"best embedding model 2026","how to choose an embedding model","embedding model comparison","MTEB leaderboard explained","RTEB benchmark","open source embedding model","multilingual embedding model","voyage-4 vs openai embeddings","Qwen3-Embedding","EmbeddingGemma","embedding model for RAG","switching embedding models re-embed",[549,552,553],{"name":550,"url":551},"Word embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWord_embedding",{"name":34,"url":35},{"name":554,"url":555},"Discounted cumulative gain","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDiscounted_cumulative_gain",[557,560,563,566,569,572,575,577,580,583,586,589],{"title":558,"url":559},"Enevoldsen et al.: MMTEB, Massive Multilingual Text Embedding Benchmark (2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.13595",{"title":561,"url":562},"Hugging Face: Introducing RTEB, a new standard for retrieval evaluation (Oct 2025)","https:\u002F\u002Fhuggingface.co\u002Fblog\u002Frteb",{"title":564,"url":565},"OpenAI: Vector embeddings guide","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fembeddings",{"title":567,"url":568},"OpenAI: API pricing","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fpricing",{"title":570,"url":571},"Voyage AI: The Voyage 4 model family, shared embedding space with MoE architecture (Jan 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F01\u002F15\u002Fvoyage-4\u002F",{"title":573,"url":574},"Voyage AI: Text embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fembeddings",{"title":576,"url":57},"Voyage AI: Pricing",{"title":578,"url":579},"Google: Gemini API embeddings documentation","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fembeddings",{"title":581,"url":582},"Google: Gemini API pricing","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fpricing",{"title":584,"url":585},"Cohere: Embed models documentation","https:\u002F\u002Fdocs.cohere.com\u002Fdocs\u002Fcohere-embed",{"title":587,"url":588},"Qwen: Qwen3-Embedding-8B model card","https:\u002F\u002Fhuggingface.co\u002FQwen\u002FQwen3-Embedding-8B",{"title":590,"url":591},"Google Developers Blog: Introducing EmbeddingGemma (Sep 2025)","https:\u002F\u002Fdevelopers.googleblog.com\u002Fen\u002Fintroducing-embeddinggemma\u002F","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fog.jpg",[77,78,79],"Embedding-modell választása 2026-ban: ranglisták, költségek és összehasonlító teszt a saját adatokon","Hogyan válassz embedding-modellt RAG-hoz 2026-ban: mit mond az MTEB és az RTEB, API vagy nyílt súlyok, árak, dimenziók és egy egyhetes összehasonlító teszt.","Három oszlop egymásra rakott kockákból, középen a legmagasabb, mindegyik rövid sávval mérve.",{"slug":599,"published":528,"minutes":600,"category":8,"tags":601,"keywords":605,"about":617,"sources":627,"cover":652,"og":653,"expertise":75,"locales":654,"lang":79,"title":655,"description":656,"coverAlt":657},"contextual-retrieval-late-chunking",10,[11,602,531,603,604],"Chunking","Contextual retrieval","Late chunking",[606,607,608,609,610,611,612,613,614,615,616],"contextual retrieval","anthropic contextual retrieval","late chunking","contextual chunk embeddings","contextual embeddings rag","contextual bm25","chunk context rag","voyage-context-3","voyage-context-4","late chunking vs contextual retrieval","rag chunking context loss",[618,621,624],{"name":619,"url":620},"Retrieval-augmented generation","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FRetrieval-augmented_generation",{"name":622,"url":623},"Okapi BM25","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FOkapi_BM25",{"name":625,"url":626},"Sentence embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSentence_embedding",[628,631,634,637,640,643,646,649],{"title":629,"url":630},"Anthropic: Introducing Contextual Retrieval (Sep 2024)","https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fcontextual-retrieval",{"title":632,"url":633},"Günther et al.: Late Chunking, Contextual Chunk Embeddings Using Long-Context Embedding Models (2024, rev. 2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2409.04701",{"title":635,"url":636},"Jina AI: Late Chunking in Long-Context Embedding Models (Aug 2024)","https:\u002F\u002Fjina.ai\u002Fnews\u002Flate-chunking-in-long-context-embedding-models\u002F",{"title":638,"url":639},"Voyage AI: Introducing voyage-context-3 (Jul 2025)","https:\u002F\u002Fblog.voyageai.com\u002F2025\u002F07\u002F23\u002Fvoyage-context-3\u002F",{"title":641,"url":642},"Voyage AI: voyage-context-4 (Jun 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F06\u002F29\u002Fvoyage-context-4\u002F",{"title":644,"url":645},"Voyage AI: Contextualized chunk embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fcontextualized-chunk-embeddings",{"title":647,"url":648},"Anthropic: Claude API pricing","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fabout-claude\u002Fpricing",{"title":650,"url":651},"Qu, Tu and Bao: Is Semantic Chunking Worth the Computational Cost? (2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2410.13070","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fog.jpg",[77,78,79],"Kontextuális visszakeresés és késleltetett chunkolás: a RAG-chunkok visszakapják a kontextusukat","A chunkok elveszítik a dokumentumukat. Hogyan javít ezen a contextual retrieval, a late chunking és a kontextusos embedding, mennyibe kerül, és mikor hagyd ki.","Négy szabad négyzet, alul széles kapocs fogja össze, mindegyik felfelé egy nagy laphoz kapcsolódik.",{"slug":659,"published":528,"minutes":529,"category":8,"tags":660,"keywords":664,"about":677,"sources":685,"cover":710,"og":711,"expertise":75,"locales":712,"lang":79,"title":713,"description":714,"coverAlt":715},"rag-access-control-permissions",[11,661,662,663,533],"Access control","Security","Multi-tenancy",[665,666,667,668,669,670,671,672,673,674,675,676],"rag access control","permission aware rag","document level security rag","rag multi tenancy","vector database access control","pgvector row level security","security trimming azure ai search","openfga rag authorization","qdrant multitenancy","pinecone namespaces multitenancy","owasp llm08 vector and embedding weaknesses","rag data leakage",[678,681,684],{"name":679,"url":680},"Access-control list","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAccess-control_list",{"name":682,"url":683},"Multitenancy","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultitenancy",{"name":619,"url":620},[686,689,692,695,698,701,704,707],{"title":687,"url":688},"OWASP GenAI Security Project: LLM08:2025 Vector and Embedding Weaknesses","https:\u002F\u002Fgenai.owasp.org\u002Fllmrisk\u002Fllm082025-vector-and-embedding-weaknesses\u002F",{"title":690,"url":691},"PostgreSQL documentation: Row Security Policies","https:\u002F\u002Fwww.postgresql.org\u002Fdocs\u002Fcurrent\u002Fddl-rowsecurity.html",{"title":693,"url":694},"pgvector README: filtering and iterative index scans","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector",{"title":696,"url":697},"Qdrant: Multitenancy and partitions guide","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fguides\u002Fmultiple-partitions\u002F",{"title":699,"url":700},"Pinecone: Implement multitenancy using namespaces","https:\u002F\u002Fdocs.pinecone.io\u002Fguides\u002Findex-data\u002Fimplement-multitenancy",{"title":702,"url":703},"Microsoft Learn: Document-level access control in Azure AI Search","https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fsearch\u002Fsearch-document-level-access-overview",{"title":705,"url":706},"OpenFGA: RAG authorization use case","https:\u002F\u002Fopenfga.dev\u002Fdocs\u002Fuse-cases\u002Frag-authorization",{"title":708,"url":709},"Morris et al.: Text Embeddings Reveal (Almost) As Much As Text (EMNLP 2023)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.06816","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fog.jpg",[77,78,79],"Hozzáférés-kezelés RAG-hoz: jogosultságtudatos visszakeresés dokumentumszivárgás nélkül","Hogyan szivárogtatnak dokumentumot a RAG-asszisztensek, és hogyan állítsd meg: ACL minden chunkon, előszűrés, sorszintű biztonság pgvectorban, jogszinkron.","Hét kártya sorban, haton lakat jelvény, a csupasz kártya nyilat küld kifelé.",{"slug":717,"published":528,"minutes":600,"category":8,"tags":718,"keywords":723,"about":735,"sources":743,"cover":770,"og":771,"expertise":772,"locales":773,"lang":79,"title":774,"description":775,"coverAlt":776},"rag-product-catalog-pim-data",[11,719,720,721,722],"PIM","Product data","B2B e-commerce","Metadata filtering",[724,725,726,727,728,729,730,731,732,733,734],"rag product catalog","rag pim data","llm product data","product catalog chatbot","akeneo rag","pimcore ai search","rag structured data","metadata filtering rag","product attributes embeddings","b2b product assistant","etim classification ai",[736,739,740],{"name":737,"url":738},"Product information management","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FProduct_information_management",{"name":619,"url":620},{"name":741,"url":742},"ETIM (standard)","https:\u002F\u002Fwww.etim-international.com\u002Fclassification\u002F",[744,747,750,753,755,758,761,764,767],{"title":745,"url":746},"Akeneo API: Products, product values, metric values and product models","https:\u002F\u002Fapi.akeneo.com\u002Fconcepts\u002Fproducts.html",{"title":748,"url":749},"Akeneo Help Center: What about products with variants?","https:\u002F\u002Fhelp.akeneo.com\u002Fserenity-take-the-power-over-your-products\u002Fserenity-what-about-products-with-variants",{"title":751,"url":752},"Pimcore documentation: Classification Store","https:\u002F\u002Fdocs.pimcore.com\u002Fplatform\u002FPimcore\u002FObjects\u002FObject_Classes\u002FData_Types\u002FClassification_Store\u002F",{"title":754,"url":742},"ETIM International: Classification",{"title":756,"url":757},"ETIM International: ETIM releases and the IXF format","https:\u002F\u002Fetim-international.com\u002F?p=754",{"title":759,"url":760},"Reddy et al.: Shopping Queries Dataset, a large-scale ESCI benchmark for improving product search (2022)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2206.06588",{"title":762,"url":763},"Amazon Science: esci-data repository","https:\u002F\u002Fgithub.com\u002Famazon-science\u002Fesci-data",{"title":765,"url":766},"Qdrant documentation: Filtering","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fconcepts\u002Ffiltering\u002F",{"title":768,"url":769},"Sui et al.: Table Meets LLM, can large language models understand structured table data? (WSDM 2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.13062","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fog.jpg","b2b-ecommerce-developer",[77,78,79],"RAG termékkatalógusra: PIM-adatokból megbízható válaszok","A termékadat strukturált, ezért a PDF-szerű chunkolás itt elbukik. Hogyan sorosítsd a PIM-attribútumokat, és hogyan küldd a specifikációs kérdéseket szűrőkhöz.","Kilenc négyzetből álló keret apró jelekkel, alatta tölcsér egyetlen kártyához.",1792342717014]