bge-reranker-v2-m3

bge-reranker-v2-m3

判断一段文字对查询的回答程度，用来给搜索结果重新排序，支持多种语言。输入问题和文档，返回一个相关性分数。适合构建搜索和检索流程的人。

由 BAAI 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：bge-reranker-v2-m3 是 BAAI 的多语言重排序模型，基于 bge-m3 模型。它不会把文本变成向量，而是把查询和段落放在一起读取，返回一个分数，分数越高表示越匹配。你可以用 sigmoid 把这个分数压缩到 0 到 1 的范围内。

适合谁：它适合已经为查询取回候选段落、想要更聪明的最终排序的开发者。

行业 | 谁在用 | 怎么用 | 例子
搜索产品 | 搜索工程师 | 按每个结果和查询的匹配程度重新排序 | 把最匹配的文章排在最前
问答 | 机器学习工程师 | 选出最能回答问题的段落 | 在候选答案之间做选择
内部知识库 | 平台团队 | 给索引返回的文档排序 | 针对一个查询给制度文档排序
多语言网站 | 内容团队 | 跨语言比较查询和段落 | 把问题和另一种语言写的文本对上

如果你需要嵌入向量，可以跳过它，因为这个模型给出的是成对的分数，不是向量。

用在哪里：

• 使用 FlagEmbedding 包的 Python 项目
• 已经产出候选列表的搜索和检索流程
• 装有 Python 的 Windows、macOS 或 Linux

用例 | 谁用 | 得到什么
重排搜索结果 | 搜索团队 | 每个查询与段落配对的相关性分数
给一对打分 | 开发者 | 原始分数，或开启归一化后 0 到 1 的值
比较多对 | 数据团队 | 一批配对的分数列表

如何设置：你需要 Python 和 FlagEmbedding 包。模型文件可以选择手动获取。

• Windows、macOS 或 Linux 上的 Python
• FlagEmbedding 包
• F32 权重约 2.3 GB，用 fp16 加载则更少

1. 安装 FlagEmbedding。
2. 可选：用 Hugging Face 工具下载模型文件。
3. 在 Python 里加载重排序模型，给你的配对打分。

pip install -U FlagEmbedding
pip install -U huggingface_hub
hf download BAAI/bge-reranker-v2-m3

如何使用：加载重排序模型，再传给它一个查询和一个段落，或者一组这样的配对。如果想要 0 到 1 之间的值，就开启归一化。

from FlagEmbedding import FlagReranker
reranker = FlagReranker('BAAI/bge-reranker-v2-m3', use_fp16=True) # Setting use_fp16 to True speeds up computation with a slight performance degradation

score = reranker.compute_score(['query', 'passage'])
print(score) # -5.65234375

# You can map the scores into 0-1 by set "normalize=True", which will apply sigmoid function to the score
score = reranker.compute_score(['query', 'passage'], normalize=True)
print(score) # 0.003497010252573502

工具 | 作用
FlagReranker | 加载重排序模型
compute_score | 给一对或一组配对打分
normalize=True | 把每个分数映射到 0 到 1 的范围
use_fp16=True | 运行更快，质量略有损失

示例：你让问题“what is panda?”分别和单词 hi、一句关于大熊猫的话打分。模型卡显示 hi 约为 -8.19，大熊猫那句约为 5.26，所以第二个排名更高。

新手与专家：如果你刚接触搜索，想象一个搜索引擎返回了十个页面。重排序模型把每个页面和问题放在一起读，给它一个分数，你再按分数排序。第一次可以试上面那个两行的打分示例。

对熟悉这个领域的人来说，这是一个 568M 参数的交叉编码器，所以每个候选都要单独做一次前向计算，成本随候选列表变长而增加。这个系列还有基于 gemma 和 MiniCPM 的逐层版本，用于更好的质量或选择运行多少层。

Title: bge-reranker-v2-m3 的权重大小
F32: 2.3 GB
4-bit estimate: 284 MB

你的搜索返回候选段落
重排序模型把查询和每个段落一起读取
每一对返回一个相关性分数
你按分数排序并保留最好的

注意事项：同系列还有其他模型，模型卡建议把这个用于多语言工作和轻量、快速的推理。

• License: Apache 2.0
• Cost to run: 未提及
• Data it reaches: 你传入的查询和段落
• Not for: 生成嵌入向量，因为它返回的是相似度分数，不是向量

Hugging Face 上的数据（2026年11月13日）

• 任务：text classification
• 框架：sentence-transformers
• 参数量：568M
• Weights: about 2.3 GB in F32; about 284 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：14,685,230
• 点赞：1,301
• 许可证：apache-2.0
• Quantized versions: 73
• Fine-tunes: 137
• 标签：sentence-transformers, safetensors, xlm-roberta, text-classification, transformers, text-embeddings-inference, multilingual

链接

• 模型：https://huggingface.co/BAAI/bge-reranker-v2-m3
• 文件：https://huggingface.co/BAAI/bge-reranker-v2-m3/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download BAAI/bge-reranker-v2-m3

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。