📄️Model Ranker 概述

传统的向量搜索纯粹通过数学相似度--向量在高维空间中的匹配程度--来对结果进行排序。这种方法虽然高效，但往往会忽略真正的语义相关性。考虑搜索 "数据库优化的最佳实践"：您可能会收到向量相似度很高的文档，这些文档经常提到这些术语，但实际上并没有提供可操作的优化策略。

📄️vLLM Ranker

vLLM Ranker 利用 vLLM 推论框架，通过语义 Reranking 来提高搜索相关性。它代表了一种超越传统向量相似性的先进搜索结果排序方法。

TEI Ranker 利用 Hugging Face 提供的文本嵌入推理（TEI）服务，通过语义重排来提高搜索相关性。它代表了一种超越传统向量相似性的先进搜索结果排序方法。

Cohere Ranker 利用 Cohere 强大的 Reranker 模型，通过语义 Reranking 增强搜索相关性。它通过强大的 API 基础设施和优化的性能为生产环境提供企业级 Reranker 功能。

Voyage AI Ranker 利用 Voyage AI 的专业 Reranker，通过语义重排提高搜索相关性。它提供高性能的重排能力，针对检索增强生成（RAG）和搜索应用进行了优化。

SiliconFlow Ranker 利用 SiliconFlow 的综合 Reranking 模型，通过语义 Reranking 增强搜索相关性。它提供灵活的文档分块功能，并支持来自不同供应商的各种专业 Reranker 模型。

本主题介绍如何使用托管的 Hugging Face sentence-similarity models 对 Milvus 搜索结果进行 rerank。