Prism-Reranker：超越相关性评分——为智能检索生成贡献与证据

现代检索管道越来越多地服务于检索增强生成（RAG）和自主智能体等下游消费者，这些消费者需要的不仅仅是标量相关性得分。仅给出"相关性如何"的排序器会迫使智能体将整个文档输入语言模型上下文，导致对无关段落和模板内容的浪费。我们提出Prism-Reranker，这是一系列建立在Qwen3.5之上的重排序模型，规模为0.8B、2B、4B和9B四种规模，超越标量评分。在除标准的yes/no相关性判断外，当判决为yes时，模型还会输出（1）贡献声明，概括文档如何有助于查询；（2）证据段落：自包含的改写版本，保留所有查询相关信号并消除噪声。Prism-Reranker采用混合目标进行训练，结合来自强大商业重排序API的点分离distillation与针对贡献与证据目标的监督微调。我们从KaLM-Embedding的开源聚合数据中构建训练数据，增强了来自商业搜索API检索的真实网页文档，用于开放域查询；并通过LLM综合生成的变体扩展数据。我们还将部分查询改写为关键词风格，以适配智能体发出的查询。为解决公开语料中标签不一致的问题并获得明确的二进制监督，我们使用LLM-as-Judge集团，对五个前沿LLM的投票进行聚合，以获得一致标签。在BEIR QA子集上以及对贡献与证据质量的LLM评估中，Prism-Reranker在所有四种规模上均取得良好成绩。我们进一步表明，相同的配方也适用于现有的LLM-based重排序器，将Qwen3-Reranker-4B增强为具备贡献与证据能力，使其在BEIR-QA NDCG@10提升1.54分。模型权重、训练配方和评估套件已公开发布。