文档重排序（Rerank）中的损失函数选择看似抽象，实则涉及效率、数据与模型能力之间的综合权衡。本教程将带你由浅入深，理解单点、成对、列表三种损失函数范式的核心差异、适用场景，以及为什么在大模型时代，最简单的单点模式反而成为主流选择。

排序损失函数的三种范式

要理解模型训练方法的选择，首先需要弄清几种主流的损失函数范式。它们的核心区别在于：模型在计算损失时，究竟“看到”了多少信息。

单点 (Pointwise) 模式

单点模式是最基础的一种。模型每次只关注一个查询（Query）和一个候选文档（Document）的组合 (q, d)，并独立地为这个组合预测一个分数或标签。它的目标是让这个预测分数尽可能接近真实的标签。

早期的 BERT 重排模型就是一个典型例子。在论文《PASSAGE RE-RANKING WITH BERT》中，研究者将查询和文档拼接后输入 BERT，并利用 [CLS] 位置的输出向量来进行二元分类，判断该文档是否与查询相关。它的损失函数是标准的交叉熵损失，独立地计算每一个正样本和负样本的损失值。对于单个样本，其损失可以简化为：

L = - [ y * log(p) + (1-y) * log(1-p) ]

其中 y 是真实标签（例如1代表相关，0代表不相关），而 p 是模型预测该文档相关的概率。

优点：简单、直观且易于扩展。训练数据只需要是独立的 (query, doc, label) 三元组即可，非常容易获取和处理。