Cross-encoder（交叉编码器）是一种将查询与文档拼接后同时送入 Transformer 进行联合编码的神经网络架构，与双塔式的 Bi-encoder 相对，能捕捉两者之间的细粒度交互，因此通常作为检索流程中的重排序（re-rank）阶段，用较高的计算成本换取更高的相关性判断精度。
Cross-encoder 在 RAG 系统中的应用进展
在检索增强生成（RAG）场景中，Cross-encoder 的价值主要体现在对召回结果的精细化排序。一篇发表于 arXiv 的研究提出了面向乳腺病灶管理的 RAG 系统证据感知检索评估方法，强调在医疗这类高风险领域，仅靠向量相似度召回远远不够，需要用更强的相关性模型对证据片段做二次筛选，Cross-encoder 类架构正是这一环节的常见选择。面向乳腺病灶管理的 RAG 系统证据感知检索评估方法
在工程实践层面，向量数据库厂商也在推动混合检索与重排序的组合范式。Milvus 发布的五步搭建题库混合检索教程展示了如何将语义向量检索、BM25 关键词检索与标量过滤结合，其典型流程是在多路召回之后接入 Cross-encoder 重排序，以兼顾召回率与排序精度。Milvus 五步搭建题库混合检索：语义、BM25 与标量过滤结合
面向开发者的入门内容同样反映了这一趋势。掘金本周最热收录的 AI Agent 系列第四篇系统梳理了 RAG 基础与知识获取管道，把“召回—重排—生成”作为标准链路讲解，Cross-encoder 在其中被定位为提升最终上下文质量的关键组件。走进 AI Agent 第四篇：知识获取管道——RAG 基础
模型选型与规模效应
关于具体用哪些模型做重排序，学术界也在给出更细的证据。一项针对 Qwen3 模型家族实体匹配的研究分析了其架构、变体与规模对任务表现的影响，这类结论对开发者在 Bi-encoder 与 Cross-encoder 之间权衡、以及选择何种参数规模的排序模型具有参考意义。Qwen3模型家族实体匹配研究：架构、变体与规模的影响
当前焦点与观察点
综合来看，Cross-encoder 的讨论集中在三个方向：一是延迟与精度的权衡，由于其需要对每个“查询—候选”对单独前向计算，如何通过蒸馏、量化或级联截断控制成本仍是工程重点；二是在医疗、法律等专业领域，重排序阶段的可解释性与证据感知能力受到更多关注；三是随着开源大模型家族（如 Qwen3）提供多种规格的排序模型，开发者有了更细粒度的选型空间。对从业者而言，值得持续观察的是 Cross-encoder 与 LLM-as-a-ranker 方案的边界划分，以及混合检索架构中重排序环节的标准化程度是否会进一步提高。