企业官网建设流程全解析

Daily Paper Reader 是一个开源的每日 arXiv / OpenReview 论文推荐与 AI 阅读平台，其每日推荐质量的核心之一就是rerank 重排体系：召回阶段筛出大量候选论文后，由 Qwen3-Reranker 模型对候选池做精排打分，再交给 LLM 精炼出最终日报。本文将完整讲清重排的本地 / 远端三选一部署方式，以及动态预算策略如何决定候选池规模，帮助你快速选对配置、跑出更准的论文推荐。

重排体系的位置：为什么 Step 3 决定推荐质量

Daily Paper Reader 的每日流水线共 7 步：抓取 → BM25 关键词召回 → 向量语义召回 → RRF 融合 →Rerank 重排（Step 3）→ LLM 精炼打分（Step 4）→ 生成日报（Step 6）。

重排的价值在于：BM25 和向量召回擅长"广撒网"，但各路分数量纲不同、噪声也各有侧重。Step 3 会把所有召回 lane 合并成一个统一候选池，再由 Qwen3-Reranker 逐条判断"这篇论文的标题+摘要是否满足你的研究意图"，输出相关性得分。可以说，Step 4 的 LLM 精分、Step 5 的精读/速读分区，全部建立在重排给出的星级门槛之上。

整个后端链路中，Rerank 紧跟在 Retrieval（BM25/Embedding/RRF）之后、LLM Refine 之前，重排结果写入archive/<date>/rank/，供后续步骤消费。

Qwen3-Reranker 三选一：本地、公益与 SiliconFlow 部署对比

重排脚本 src/3.rank_papers.py 内置了三个 rerank profile（预设配置），同一套代码，只需换一个名字即可切换部署方式：

选项一：local-qwen3-0.6b —— 本地运行，零调用成本

本地实现见 src/3.rank_papers.py 的LocalQwenReranker。它的打分原理很巧妙：不取模型输出文本，而是直接读 tokenizer 中yes/no两个 token 的 logits，做 softmax 后取P(yes)作为相关性分数，分数越高表示论文越符合你的检索意图。

• 需要torch+transformers，安装可选依赖 requirements-local-models.txt（CPU 版 torch）；
• 无 GPU 时自动用 CPU + float32 运行，可用--rerank-device、--rerank-batch-size调优；
• ⚠️ 云端模式下（DPR_MODELS_REMOTE_ONLY=1）禁止加载本地模型，旧的本地配置会自动改走public-zwwen-rerank。

选项二：public-zwwen-rerank —— 默认公益重排服务

这是工作流的默认 profile。公益服务地址与模型名都写在 src/3.rank_papers.py 的RERANK_PROFILE_CONFIGS中，Key 内置兜底，普通用户 Fork 仓库后不配任何环境变量也能直接跑通重排，是"五分钟上线"体验的关键。

选项三：siliconflow-qwen3-0.6b —— SiliconFlow 远端 API

远端客户端实现在 src/reranker_api.py，专为离线实验与生产切换设计：

• 支持 src/reranker_api.py 中的Qwen3-Reranker-0.6B与Qwen3-Reranker-8B两个尺寸，并可随请求下发学术论文场景专用的instruction；
• 限速自愈：遇到 429 / rate limit 自动等待 65 秒重试（默认 2 次），还可用SILICONFLOW_RERANK_MIN_INTERVAL_SECONDS设置请求间隔（GitHub Actions 默认 8 秒）；
• 成本透明：内置 单价表（0.6B 约 $0.01/百万 token，8B 约 $0.04/百万 token），运行结束自动输出 API 调用次数、延迟 P95 与估算费用；
• 远端每次最多 64 篇（RERANK_MAX_DOCUMENTS_PER_REQUEST），脚本会自动把本地 100 的 batch 压缩到远端上限。

重排模式选择指南：环境变量、命令行与面板三种配置方式

选定 profile 后，有三种方式告诉系统使用它：

1. 环境变量：设置RERANK_PROFILE（还支持local、zwwen、sf-0.6b等别名自动归一），配合RERANK_PROVIDER/RERANK_MODEL/RERANK_API_BASE_URL微调；
2. 命令行参数：--rerank-profile、--rerank-provider、--rerank-model，见 参数定义；
3. 工作流面板：在 daily workflow 的 dispatch 输入中直接选择reranker_profile，见 .github/workflows/daily-paper-reader.yml。

前端触发时同样会读取你在密钥配置里选的 reranker profile（app/workflows.runner.js）；如果选的是本地模式但当前运行在云端，会自动回落到public-zwwen-rerank，避免 Actions 环境下载模型失败。

# 例：一次性用 SiliconFlow 8B 跑一次本地实验 export RERANK_PROFILE=siliconflow-qwen3-0.6b export RERANK_MODEL=Qwen/Qwen3-Reranker-8B export SILICONFLOW_API_KEY=sk-xxxx python src/3.rank_papers.py --input archive/20260306/filtered/arxiv_papers_20260306.json

动态预算策略：候选池规模如何自动计算

重排不是"把所有论文都打分"——调用量必须受控。resolve_global_pool_budget 会根据论文总量与意图查询（intent query）数量动态计算三个预算：

以 4 个意图查询为例（数值来自 tests/test_rank_global_pool.py 的断言）：

组池逻辑见 build_global_candidate_ids：每条 lane 的保底论文固定保留（防止冷门方向被挤掉），其余名额由全局 RRF（1/(60+rank)）排序补齐，去重后交给 reranker。

💡 注意预算只按intent query 数量放大，而关键词召回（keyword lane）不参与打分。也就是说，你在订阅面板里写的"意图 Query（用于意图召回与最终打分）"越多，候选池越大、推荐越贴合语义，但调用量也越高：

如果预算不够用或想压缩成本，可用环境变量手动覆盖：DPR_RERANK_GLOBAL_POOL_LIMIT（如 80 加速）、DPR_RERANK_GUARANTEED_PER_LANE（如 1 提速）、DPR_RERANK_LANE_TOP_K。GitHub Actions 工作流当前固定为120 / 2（workflow 配置）。

从重排星级到日报：分数如何串联下游

重排得分会先做 min-max 归一化，再按阈值映射成星级（score_to_stars）：

也就是说，4★ 门槛就是重排与 LLM 之间的过滤器——重排预算给得越准，进入 DeepSeek 精分的候选越少越精，Token 成本和日报质量同时受益。最终你在日报里看到的每篇论文星级，正是这条链路的产物：

离线实验工具：验证你的重排预算与模型尺寸

项目内置了两套"裁判式"离线实验工具，都用Step 4 DeepSeek 精分结果作为评判标准（而不是看重排本身的分数），并按top20_score_sum、score_ge_8等指标自动给出recommended推荐项：

• src/rerank_budget_experiment.py：动态预算策略对比。内置tiny=40:1、fast=80:1、balanced=120:2三档 profile，对比不同候选池规模下的重排耗时、LLM 耗时与最终质量；
• src/rerank_model_size_experiment.py：模型尺寸对比。默认横评 SiliconFlow 的 0.6B 与 8B，额外输出两模型 Top20 重合度（top20_overlap）与 API 成本估算，回答"大模型值不值"。

两者都固定随机种子（--seed 20260503）保证分批顺序一致、可复现，支持--skip-existing断点续跑。

重排体系速查清单：如何三选一

• ✅默认/云端运行：保持public-zwwen-rerank不动，零配置，Fork 即用；
• ✅想完全离线或长期大量跑：装 requirements-local-models.txt，选local-qwen3-0.6b，CPU 也能跑；
• ✅追求极致排序质量、可接受小额费用：选siliconflow-qwen3-0.6b并把RERANK_MODEL切到 8B，先跑一轮rerank_model_size_experiment.py验证收益再上线；
• ✅觉得日报候选不够/太多：先调DPR_RERANK_GLOBAL_POOL_LIMIT（60–300）与DPR_RERANK_GUARANTEED_PER_LANE，而不是改代码；
• ✅改完配置：跑一次预算实验，用 DeepSeek 精分结果对比top20_score_sum，数据说话。

重排体系是 Daily Paper Reader 推荐链路中"投入产出比"最高的调节旋钮：选对部署方式省心，调好动态预算省钱，理解星级门槛才能理解每一篇推荐论文为什么出现在你的日报里。