rank_llm

用大模型给搜索结果重排序，让最相关的文档排到最前面

RankLLM 是一个 Python 工具包，用于可复现的信息检索研究，核心聚焦于基于大语言模型的列表式重排序（listwise reranking）。它解决的是传统检索系统返回的候选文档排序不够精准的问题：通过调用 LLM 对候选列表整体打分重排，显著提升排序质量。项目内置多种重排序模型与提示策略，支持 RankGPT、RankVicuna、RankZephyr 等主流列表式方法，并提供统一的评测流程与标准数据集接口，方便研究者对比不同重排器效果。同时支持本地模型与 API 调用，兼顾实验灵活性与可复现性，适合作为检索增强、RAG 流水线中的精排组件。

开源 unknown 搜索知识

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 656

维护状态较活跃

是否开源是

定价模式 unknown

项目数据

分类搜索知识

开发团队castorini

所属国家

官网地址http://rankllm.ai

GitHubhttps://github.com/castorini/rank_llm

定价模式unknown

价格说明定价信息待确认

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型

GitHub 星标★ 656

30天Star增速

HF 下载量

上线时间2023-08-07 00:00:00

最近更新2026-09-13 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-09-16

浏览次数0

使用教程

核心亮点

统一封装多种列表式重排器（RankGPT/RankZephyr 等），便于横向对比实验
提供标准化的可复现评测流程与数据集接口，降低研究复现成本
同时支持本地模型与 API 调用，适配不同算力与预算条件

不足之处

列表式重排依赖 LLM 推理，延迟和成本明显高于传统交叉编码器
项目星标数较少，生态与文档完善度仍在早期阶段

适用场景

RAG 检索流水线中对召回文档做精排
信息检索论文中复现和对比列表式重排方法
搜索系统里用 LLM 提升 Top-K 结果相关性

替代项目

rerankers、RankGPT、BEIR

项目介绍

rank_llm 是一个搜索知识领域的开源项目，官方简介：RankLLM is a Python toolkit for reproducible information retrieval research using rerankers, with a focus on listwise reranking.。项目使用 Python 开发，在 GitHub 上获得 656 星标。

上一篇：llm-architecture-gallery

下一篇：search2ai