RankGPT 大模型列表重排

RankGPT（基于生成式大语言模型的列表重排序范式）是一种利用前沿通用 LLM（如 GPT-4o, Claude 3.5, Qwen-72B）强大的上下文理解与推理能力，通过精心设计的 Listwise 排序提示词 (Listwise Prompting)，直接对候选文档集合进行全局对比排序并输出有序序列编号（如 `[3] > [1] > [5]`）的高阶重排方案；针对候选数量超出上下文或排序注意力衰减问题，通常配合滑动窗口算法 (Sliding Window: 从后向前逐步冒泡优质文档) 迭代执行。

极致追求回答准确率、对成本与延迟相对宽容的复杂逻辑推理 RAG 系统、高端专业智能客服与学术综述生成。

传统判别式 Cross-Encoder 仅能计算单个切块与 Query 的独立相似度，无法感知切块之间的信息互补、观点冲突或事实冗余；RankGPT 拥有全局列表视野，能识别并剔除相互重复的冗余切块，优先保留最具信息密度的互补切块。

详细剖析 RankGPT 的滑动窗口 (Sliding Window: 如 window_size=20, step=10) 冒泡排序算法流程与复杂度？

Pointwise (逐个打分)、Pairwise (两两对比) 与 Listwise (整列表排序) 在 LLM 重排中的稳定性与 Token 消耗对比？

大模型在执行 Listwise 排序时表现出的位置偏置 (Position Bias: 倾向给开头或结尾文档打高分) 缓解策略？

采用蒸馏小模型（如 RankLLaMA / RankVicuna）本地部署 Listwise 重排相比直接调用云端 GPT-4 API 的性价比考量？

如何解析并容错 LLM 生成非标准排序格式（如缺少编号、生成幻觉编号）时的 JSON 正则解析重试机制？