hs-rerank-1

hs-rerank-1

给每份文档回答查询的程度打分，支持八种语言，输入最长 8,192 个 token，让搜索或记忆系统把最匹配的结果排在前面。适合构建检索功能的开发者。

由 hindsight-ai 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：hs-rerank-1 是为 Hindsight 项目打造的小型多语言重排序模型。它把一个查询和一份候选文档放在一起阅读，给出一个 0 到 1 之间的相关性分数。搜索或记忆系统可以用这些分数把最匹配的结果排到最上面。

适合谁：适合运行搜索、检索或记忆功能，想用一个轻量模型对多种语言的结果排序的开发者。

行业 | 谁在用 | 怎么用 | 例子
软件 | 搜索和检索工程师 | 对第一阶段搜索的前几名结果重新排序 | 为一个问题给候选段落排序
AI 智能体 | 智能体开发者 | 挑出和当前请求相符的已存记忆 | 选择给用户看哪些笔记
客户支持 | 帮助台工具开发者 | 把客户问题匹配到最合适的文章 | 为西班牙语查询给帮助页面排序
研究 | 检索研究者 | 在多种语言上使用一个紧凑的基线 | 在混合语言数据上比较分数

如果你只需要为第一阶段搜索生成文本嵌入，可以跳过，因为这个模型是给配对打分，不生成嵌入。

用在哪里：

• 使用 sentence-transformers 库的 Python 代码
• Hindsight 本身，可设置为本地模型或 Text Embeddings Inference 服务器
• Text Embeddings Inference 服务器，有 CPU 和 GPU 镜像
• 托管的 Hindsight Inference 服务，使用它自己的 API 密钥

用例 | 谁用 | 得到什么
结果重排序 | 搜索开发者 | 按 0 到 1 相关性分数排好的文档
记忆查找 | 智能体开发者 | 与问题最匹配的已存事实
多语言匹配 | 全球化产品团队 | 不同语言的查询和文档之间的分数

如何设置：先准备好这些。

• 带 pip 的 Python
• sentence-transformers 库
• CPU 或 GPU 均可，CPU 上用 ONNX 文件，GPU 上用半精度权重

1. 用 pip 安装 sentence-transformers 库。
2. 可选：用 Hugging Face 工具提前获取文件。
3. 在 CrossEncoder 中按名字加载模型。

pip install -U sentence-transformers

pip install -U huggingface_hub
hf download hindsight-ai/hs-rerank-1

如何使用：用模型名创建一个 CrossEncoder，然后用一个查询和你的文档调用 rank。分数在 0 到 1 之间。传入恒等激活函数可以改为得到原始 logits。要在 Hindsight 里使用，请设置下面的环境变量。

from sentence_transformers import CrossEncoder

model = CrossEncoder("hindsight-ai/hs-rerank-1")

query = "¿Qué app de presupuesto estoy creando?"
documents = [
    "El usuario quiere tooltips en su app de presupuesto.",
    "El usuario corre los domingos por la mañana.",
]

print(model.rank(query, documents))
# [{'corpus_id': 0, 'score': 0.9647}, {'corpus_id': 1, 'score': 0.0003}]

HINDSIGHT_API_RERANKER_PROVIDER=local
HINDSIGHT_API_RERANKER_LOCAL_MODEL=hindsight-ai/hs-rerank-1

工具 | 作用
rank | 把每份文档与查询对照打分并排序
predict | 返回 0 到 1 之间的相关性分数
activation_fn=torch.nn.Identity() | 返回原始 logits，而不是 0 到 1 的分数
Text Embeddings Inference | 通过 HTTP 在 CPU 或 GPU 上提供模型服务

示例：用西班牙语问你正在做哪个预算应用，并给出两条笔记。一条说用户想在预算应用里加提示框，另一条说用户周日早上跑步。第一条得分 0.9647，第二条得分 0.0003。

新手与专家：如果你是新手，重排序模型就是对搜索结果的第二次审视。第一次搜索会返回很多候选，这个模型把每一条和问题放在一起阅读并打分。先从上面简短的 Python 例子开始。

如果你熟悉这个领域，它是基于 mmBERT-small 的 cross-encoder。114M 参数中有 98M 是词元嵌入表，所以每次前向只运行一个 15M 参数的 transformer。每个配对的输入最长可达 8,192 个 token。权重以 FP16 存储，另一个分支上有 FP32 副本，还有带 int8 词表的 ONNX 导出。

查询和一份文档一起输入
Cross-encoder 阅读这一对
输出一个相关性分数
文档按分数排序

注意事项：

• 语言：简体和繁体中文、日语、韩语、英语，以及西班牙语、法语、德语和葡萄牙语四种欧洲语言
• 部署：Text Embeddings Inference 提供 CPU 和 GPU 镜像，GPU 镜像标签取决于你的显卡
• 托管选项：Hindsight Inference 提供该模型服务，需要它自己的 API 密钥

Title: 模型卡西班牙语例子中的相关性分数
预算应用提示框: 0.9647 分
周日早上跑步: 0.0003 分

• License: MIT
• Cost to run: 本地使用未提及费用，托管的 Hindsight Inference 服务需要 Hindsight Inference API 密钥
• Data it reaches: 你传入的查询和文档，除非你选择服务器或托管服务，否则都留在本地
• Not for: 生成嵌入，因为它只给查询和文档的配对打分

Hugging Face 上的数据（2026年11月13日）

• 任务：text ranking
• 框架：sentence-transformers
• 参数量：114M
• Weights: about 228 MB in F16; about 57 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：1,148,007
• 点赞：6
• 许可证：mit
• 语言：en, es, fr, de, pt, ja, ko, zh
• 基于：jhu-clsp/mmBERT-small
• 标签：sentence-transformers, onnx, safetensors, modernbert, cross-encoder, reranker, multilingual, text-embeddings-inference, hindsight, text-ranking

链接

• 模型：https://huggingface.co/hindsight-ai/hs-rerank-1
• 文件：https://huggingface.co/hindsight-ai/hs-rerank-1/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 hindsight-ai/hs-rerank-1

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。