AI Aulis

AI-NYHETER PÅ SVENSKA · 14 november 2026

De viktigaste AI-nyheterna varje morgon. AI skriver och granskar artiklarna mot originalkällorna – kontrollera viktiga uppgifter i källorna.

← Numret 14 november 2026Tidningen

Elastic: Med 20 kandidater förbättrade jina-reranker-v3.5 semantisk sökning mest i genomsnitt

AI-genererat innehållSkriven av AI

huggingface.co, elastic.co · 2 källor · Källornas publiceringsdatum: 13 november 2026 · Publiceringstidpunkten är okänd för vissa källor

I Elastics test med 25 benchmarkar minskade jina-reranker-v3.5 felet mest i genomsnitt för semantisk sökning med 20 kandidater och för BM25-sökning med 100 kandidater. Med 200 kandidater från semantisk sökning blev resultatet i genomsnitt sämre än utan omrankning.

Ett test som publicerades i Elastics blogg Search Labs den 13 november 2026 undersökte hur många sökträffar det lönar sig att låta företagets egen modell jina-reranker-v3.5 omranka. Scott Martens och Sofia Vasileva körde modellen på 25 benchmarkar från samlingarna BEIR, CQADupStack, CoIR och BRIGHT.

En omrankningsmodell (reranker) tar emot kandidaterna från en snabb första sökning och sorterar dem efter relevans. Den testade modellen är en listbaserad modell (listwise reranker): den läser frågan och hela kandidatlistan i en enda körning. När en modell poängsätter kandidaterna en i taget påverkar extra kandidater inte de övrigas ordning. I en listbaserad modell kan de försämra hela resultatet. Författarna förklarar det med att modellens uppmärksamhet sprids ut och att bruset byggs upp.

Det bästa antalet kandidater berodde på den första sökningen

Det första steget var antingen BM25-nyckelordssökning i Elasticsearch eller semantisk vektorsökning med modellen jina-embeddings-v5-text-small. Relevansen mättes med måttet nDCG@10, som bedömer hur väl de mest relevanta dokumenten placerar sig bland de tio första träffarna. Tabellen visar hur stor del av felet omrankningen i genomsnitt tog bort jämfört med enbart den första sökningen (0,2097 ≈ 21 procent).

Kandidater BM25 Semantisk sökning
10 0,0878 0,0661
20 0,1433 0,0848
50 0,1875 0,0767
100 0,2097 0,0629
200 0,1873 −0,0239

Källa: Elastic, genomsnitt av 25 benchmarkar, nDCG@10. BM25: Elasticsearch Serverless, engelsk analysator, standardinställningar; sökningen returnerade högst 200 kandidater, så större antal testades inte.

Genomsnittet döljer en stor spridning. För semantisk sökning försämrade omrankningen resultatet i BRIGHT LeetCode och CoIR CoSQA vid alla kandidatantal. Resultaten för CoSQA varierade visserligen med omkring 0,01 mellan körningarna. För BM25-sökning gynnades bara tre CoIR-benchmarkar mer av 200 kandidater än av färre.

Författarna medger att testet inte är vetenskapligt rigoröst. De största datamängderna i BEIR uteslöts, och kandidatantalen var fasta. Resultaten gäller inte nödvändigtvis andra omrankningsmodeller.

Med 50 kandidater i stället för 100 ökade felet för BM25-sökning med omkring 2 procent, men antalet token halverades. Författarna ser 50 som det mest prisvärda valet.

BM25 med omrankning nästan i nivå med semantisk sökning

Enbart semantisk sökning minskade felet med i genomsnitt 25,7 procent jämfört med BM25-sökning. När BM25-sökningens 100 bästa träffar omrankades minskade semantisk sökning felet med bara 4,2 procent jämfört med den kombinationen. I hälften av BEIR-benchmarkarna slog BM25 med omrankning semantisk sökning.

Semantisk sökning med omrankning av 20 kandidater var ändå bättre i varje benchmark än BM25 med omrankning av 100 kandidater, och felet var i genomsnitt 13,26 procent mindre.

Modellen finns hos Elastic, i Jinas API och på Hugging Face

I Elasticsearch läggs modellen till som söksteget text_similarity_reranker, och kandidatantalet styrs med inställningen rank_window_size. Elastic rekommenderar 100 som startvärde för BM25-sökning, med 50 som jämförelse, och 20 för semantisk sökning. Företaget uppmanar ändå användarna att mäta lämpligt antal med egna data. Modellen kan användas i Elastic Inference Service, i Jina API och som container att installera på egen hårdvara. Modellvikterna på Hugging Face har licensen CC BY-NC 4.0 för icke-kommersiell användning, och kommersiell användning avtalas med Elastic.

Anmäl ett fel i artikeln