版本：Cloud 开发指南

Model Ranker
公测版

Zilliz Cloud 的 Model Ranker 通过集成能够理解查询与文档之间语义关系的先进语言模型，优化搜索体验。使其不仅仅依赖向量相似度，还会评估内容含义和上下文，以提供更智能、更相关的搜索结果。

Model Ranker 概述 [READ MORE]

传统向量搜索仅依据数学相似度对结果进行排序，即向量在高维空间中的匹配程度。虽然这种方法效率高，但往往会忽略真正的语义相关性。以搜索"数据库优化的最佳实践"为例：你可能会收到向量相似度很高、频繁提及这些术语的文档，但实际上并没有提供可操作的优化策略。

vLLM Ranker 利用 vLLM 推理框架，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度的先进搜索结果排序方法。

TEI Ranker 利用来自 Hugging Face 的文本嵌入推理（TEI）服务，通过语义重排序来提高搜索相关性。它代表了一种超越传统向量相似度的高级搜索结果排序方法。

Cohere Ranker 利用 Cohere 的强大重排模型，通过语义重排来提高搜索相关性。它提供企业级重排功能，具备强大的 API 基础设施，并针对生产环境进行了性能优化。

Voyage AI Ranker 利用 Voyage AI 的专业 Reranker，通过语义重排来提高搜索相关性。它提供了针对检索增强生成（RAG）和搜索应用程序优化的高性能重排功能。

硅基流动 Ranker 利用硅基流动的综合重排序模型，通过语义重排序来提高搜索相关性。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重排序模型。