Cohere发布Rerank 5企业级检索重排模型：支持上下文聚焦与概率校准，大幅提升RAG效率与准确性

SmartHey10月23日消息，近日，Cohere 正式推出新一代企业级检索重排模型 Rerank 5，包含 Pro 高性能版与 Fast 高速版两个版本。该模型与 Embed 5、Parse 5 共同构成 Cohere 全新搜索模型套件，专为 RAG（检索增强生成）、AI 智能体等检索密集型应用场景优化。

检索重排（Rerank）是 RAG 流程中的关键环节：系统首先通过向量检索或关键词检索召回一批候选文档，再由重排模型依据用户查询的语义相关性对结果进行精细化排序与噪声过滤。相较上一代 Rerank 4，Rerank 5 在通用检索、垂直领域适配及多语言支持三大维度全面升级，并引入两项核心技术突破：上下文聚焦（Context Focus） 与 概率校准的相关性分数输出。

在权威基准测试中，Rerank 5 Pro 表现优异，在 ViDoRe V3、nanoMTEB、BRIGHT 和 BEIR 等主流评测集的 46 套数据集中，斩获 39 项第一、43 项位列前二。尤其在强调深度语义推理能力的 BRIGHT 基准中，得分达 82.2，较 Rerank 4 提升 12.4 分，显著领先同类竞品。

模型已深度适配金融、医疗、科研、能源等企业高频场景，在财报分析推理、专业文献精准检索等任务中展现出明显优势；多语言能力同步增强，对西班牙语、法语、德语、阿拉伯语及日韩语等商用语种的支持普遍优于主流竞品。

Rerank 5 Fast 则聚焦低延迟与高吞吐需求，在 A100 GPU 单机环境下吞吐量达 Pro 版本的 2.9 倍，同时整体检索质量超越竞品轻量化方案，甚至优于上一代 Rerank 4 Pro，适用于高并发、强实时性的线上服务场景。

本次发布的最大亮点之一是上下文聚焦能力：区别于传统重排模型仅对整篇文档做全局相关性判断，Rerank 5 可在单次调用中自动识别并定位文档内部语义最相关的文本片段。实测表明，启用该功能后，在问答质量仅有小幅波动的前提下，可显著降低输入大语言模型的 Token 总量。

在 AI 智能体搜索链路实测中，相较于原始 BM25 基线方案，整套 Rerank 5+Embed 5 架构最高可减少 41% 的 Token 消耗，同时将问答准确率从 39% 提升至 52%，实现效果与成本的双重优化。

另一项关键改进在于相关性分数的**概率化校准**。以往多数重排模型输出的分数仅具相对排序意义，缺乏可解释的概率内涵，导致业务方需反复调整阈值。Rerank 5 经过严格校准，其输出分数可近似理解为“该文档对当前查询真正有用”的概率。其中，Pro 版推荐阈值约为 0.5，Fast 版约为 0.45；该阈值在跨查询、跨领域、跨版本场景下具备高度复用性，既便于工程侧快速决策是否将文档送入大模型，也能有效识别“无相关结果”的情况，防止大模型基于无关内容幻觉生成答案。在 NIST TREC-DL 等公开评测中，Rerank 5 的期望校准误差（ECE）显著低于行业竞品。

部署层面，Rerank 5 全面兼容 Cohere API、Model Vault、微软 Foundry、亚马逊 SageMaker 等主流云平台，同时支持私有 VPC 及本地化部署，可无缝嵌入现有检索架构，无需重建向量索引，并原生适配 LangChain、Elasticsearch、Weaviate 等主流检索框架。定价方面，Pro 版为每百万 Token 0.05 美元，Fast 版为每百万 Token 0.02 美元。

此外，Cohere 官方透露，其全新托管式检索平台 Compass Cloud 目前已进入私有 Beta 阶段。该平台整合文档解析、向量化、混合搜索与重排全流程能力，面向检索驱动型 AI 应用提供一体化解决方案。