# Reranker 模块
  

  **请求示例**见 `docs/QUICKSTART.md` §3.5。扩展规范见 `docs/DEVELOPER_GUIDE.md` §7。部署与调优实战见 `reranker/DEPLOYMENT_AND_TUNING.md`。

  
  ---

  Reranker 服务提供统一的 `/rerank` API，支持可插拔后端（BGE、Qwen3-vLLM、Qwen3-Transformers）。调用方通过 HTTP 访问，不关心具体后端。

  
  **特性**

  - 多后端：`qwen3_vllm`（默认，Qwen3-Reranker-0.6B + vLLM）、`qwen3_transformers`（纯 Transformers，无需 vLLM）、`bge`（兼容保留）

  - 统一配置：`config/config.yaml` → `services.rerank.backend` / `services.rerank.backends.<name>`
  - 文档去重、分数与输入顺序一致、FP16/GPU 支持（视后端）
  
  ## 目录与入口
  - `reranker/server.py`：FastAPI 服务，启动时按配置加载一个后端
  - `reranker/backends/`：后端实现与工厂
    - `backends/__init__.py`：`get_rerank_backend(name, config)`
    - `backends/bge.py`：BGE 后端
    - `backends/qwen3_vllm.py`：Qwen3-Reranker-0.6B + vLLM 后端

    - `backends/qwen3_transformers.py`：Qwen3-Reranker-0.6B 纯 Transformers 后端（官方 Usage 方式）

  - `reranker/bge_reranker.py`：BGE 核心推理（被 bge 后端封装）
  - `reranker/config.py`：服务端口、MAX_DOCS、NORMALIZE 等（后端参数在 config.yaml）
  
  ## 依赖
  - 通用：`torch`、`modelscope`、`fastapi`、`uvicorn`（见项目 `requirements.txt` / `requirements_ml.txt`）

  - **Qwen3-vLLM 后端**：`vllm>=0.8.5`、`transformers>=4.51.0`（仅当使用 `backend: qwen3_vllm` 时需 vLLM）
  - **Qwen3-Transformers 后端**：`transformers>=4.51.0`、`torch`（无需 vLLM，适合 CPU 或小显存）

    ```bash

    ./scripts/setup_reranker_venv.sh

    ```
  
  ## 配置

  - **后端选择**：`config/config.yaml` 中 `services.rerank.backend`（`qwen3_vllm` | `qwen3_transformers` | `bge`），或环境变量 `RERANK_BACKEND`。

  - **后端参数**：`services.rerank.backends.bge` / `services.rerank.backends.qwen3_vllm`，例如：
  
  ```yaml
  services:
    rerank:

      backend: "qwen3_vllm"   # 或 bge

      backends:
        bge:
          model_name: "BAAI/bge-reranker-v2-m3"
          device: null
          use_fp16: true
          batch_size: 64
          max_length: 512
          cache_dir: "./model_cache"
          enable_warmup: true
        qwen3_vllm:
          model_name: "Qwen/Qwen3-Reranker-0.6B"

          max_model_len: 256
          infer_batch_size: 64
          sort_by_doc_length: true
          length_sort_mode: "char"  # char | token
          enable_prefix_caching: true
          enforce_eager: false
          instruction: "Given a web search query, retrieve relevant passages that answer the query"

        qwen3_transformers:
          model_name: "Qwen/Qwen3-Reranker-0.6B"
          instruction: "Given a web search query, retrieve relevant passages that answer the query"
          max_length: 8192
          batch_size: 64
          use_fp16: true

          tensor_parallel_size: 1
          gpu_memory_utilization: 0.8

          instruction: "Given a web search query, retrieve relevant passages that answer the query"
  ```
  
  - 服务端口、请求限制等仍在 `reranker/config.py`（或环境变量 `RERANKER_PORT`、`RERANKER_HOST`）。
  
  ## 运行

  ```bash

  ./scripts/start_reranker.sh

  ```

  该脚本会使用隔离环境 `.venv-reranker`；首次请先执行 `./scripts/setup_reranker_venv.sh`。

  ## 性能压测（1000 docs）
  ```bash
  ./scripts/benchmark_reranker_1000docs.sh
  ```
  输出目录：`perf_reports/<date>/reranker_1000docs/`。
  

  ## API
  ### Health
  ```
  GET /health
  ```

  Response 含 `backend`（当前后端名）、`model`、`model_loaded`、`status`。

  
  ### Rerank
  ```
  POST /rerank
  Content-Type: application/json
  
  {
    "query": "wireless mouse",
    "docs": ["logitech mx master", "usb cable", "wireless mouse bluetooth"]
  }
  ```
  
  Response:
  ```
  {
    "scores": [0.93, 0.02, 0.88],
    "meta": {
      "input_docs": 3,
      "usable_docs": 3,
      "unique_docs": 3,
      "dedup_ratio": 0.0,
      "elapsed_ms": 12.4,
      "model": "BAAI/bge-reranker-v2-m3",
      "device": "cuda",
      "fp16": true,
      "batch_size": 64,
      "max_length": 512,
      "normalize": true,
      "service_elapsed_ms": 13.1
    }
  }
  ```
  
  ## Logging
  The service uses standard Python logging. For structured logs and full output,
  run uvicorn with:
  ```bash
  uvicorn reranker.server:app --host 0.0.0.0 --port 6007 --log-level info
  ```
  
  ## Notes

  - 无请求级缓存；输入按字符串去重后推理，再按原始顺序回填分数。
  - 空或 null 的 doc 跳过并计为 0。

  - **Qwen3-vLLM 分批策略**：`docs` 请求体可为 1000+，服务端会按 `infer_batch_size` 拆分；当 `sort_by_doc_length=true` 时，会先按文档长度排序后分批，减少 padding 开销，最终再按输入顺序回填分数。`length_sort_mode` 支持 `char`（默认，更快）与 `token`（更精确）。
  - 运行时可用环境变量临时覆盖批量参数：`RERANK_VLLM_INFER_BATCH_SIZE`、`RERANK_VLLM_SORT_BY_DOC_LENGTH`、`RERANK_VLLM_LENGTH_SORT_MODE`。

  - **Qwen3-vLLM**：参考 [Qwen3-Reranker-0.6B](https://huggingface.co/Qwen/Qwen3-Reranker-0.6B)，需 GPU 与较多显存；与 BGE 相比适合长文本、高吞吐场景（vLLM 前缀缓存）。

  - **Qwen3-Transformers**：官方 Transformers Usage 方式，无需 vLLM；适合 CPU 或小显存，可选 `attn_implementation: "flash_attention_2"` 加速。