zerank-2

开源权重 + 托管 API · ZeroEntropy · 更新于 2026 年 10 月 15 日

zerank-2 是 ZeroEntropy 的 4B 重排序模型，基于 Qwen3-4B，上下文 32,768 个 token。权重放在 Hugging Face 上，ZeroEntropy 也通过自家 API 提供同一个模型，每百万 token $0.025。它公布的分数来自 ZeroEntropy 自己的七领域测试：成绩不错，但不能和任何人的 BEIR 分数直接比较。

许可证问题

Hugging Face 模型卡写的是 Apache 2.0，仓库在 2026 年 7 月改了许可证。但 ZeroEntropy 的模型文档仍然写着 zerank-2 “按非商业许可证”提供下载，并请商业用户联系他们。

在两边说法一致之前，如果要在商业产品里自托管，先拿到 ZeroEntropy 的书面确认。通过 API 使用则受 ZeroEntropy 的服务条款约束，不涉及这个问题；更早的 zerank-1-small 在两边都是 Apache 2.0。

分数，以及是谁测的

ZeroEntropy 自己的测试，数据来自模型卡。指标是 NDCG@10，每个重排序模型重排的都是 OpenAI text-embedding-3-small 召回的同一批前 100 个候选；“只用向量检索”就是第一阶段本身的成绩。数据集是 ZeroEntropy 自己的，不是 BEIR，所以模型对比表里 zerank-2 没有 BEIR 分数。

同一测试里，更早的 zerank-1 平均 0.6456*，把 Gemini 2.5 Flash 当作列表式重排序模型用是 0.5999*。金融是 zerank-2 唯一没有领先的领域，Gemini 在那里更高。这张表最清楚的结论，是任何一个重排序模型相比只用向量检索带来的提升有多大——这个提升才是你该在自己数据上测的。

快速上手

sentence-transformers

pip install sentence-transformers

from sentence_transformers import CrossEncoder

model = CrossEncoder("zeroentropy/zerank-2-reranker")

rankings = model.rank(
    "What is 2+2?",
    ["4", "The answer is definitely 1 million"],
)
# [{'corpus_id': 0, 'score': 5.40625}, {'corpus_id': 1, 'score': -4.5}]

从 2026 年 5 月起，predict() 和 rank() 返回原始 logit，而不是 0–1 的概率，排序结果不变。需要 0–1 分数时，按模型卡的做法计算 sigmoid(score / 5)。加载时也不再需要 trust_remote_code=True。

托管 API

pip install zeroentropy

from zeroentropy import ZeroEntropy

zclient = ZeroEntropy()   # reads ZEROENTROPY_API_KEY
response = zclient.models.rerank(
    model="zerank-2",
    query="What is 2+2?",
    documents=["4", "The answer is definitely 1 million."],
)

API 价格为每百万 token $0.025。ZeroEntropy 文档里 zerank-1 和 zerank-1-small 价格相同，API 部署在美国东部、美国西部和欧洲。速率限制取决于订阅档位，当前数值见文档。这个模型也在 AWS 和 Azure 应用市场上架，部署后运行在你自己的云账号里。

什么时候选 zerank-2

• 适合：想先调用 API，以后再自托管，而且换部署方式时模型行为不变。
• 适合：你的文档和 ZeroEntropy 测过的领域相近：法律、金融、代码、生物医学、技术文档。
• 先测试：英语以外的语言。模型卡只列了英语，ZeroEntropy 的发布文章却称它支持多语言。两种说法都别直接信，先用带标注的查询测你要用的语言。
• 可能不适合：许可证问题解决前的商业自托管（见上文），或者只有 CPU 的部署。4B 模型需要 GPU；只有 CPU 的话，先试 bge-reranker。

优缺点

其他模型