**Reranking Engine** (Ümberjärjestamise mootor) on OpenWebUI RAG-süsteemi (Retrieval-Augmented Generation) üks olulisemaid täiustusi.

### Mida see teeb?

1. **Esmane otsing** (embedding + BM25 hybrid search) toob välja suurema hulga potentsiaalselt relevantseid tekstikilde (nt `Top K = 20` sinu seadetes).
2. **Reranker** võtab need tulemused ja **hindab neid uuesti** spetsiaalse mudeliga, mis on palju täpsem kui lihtsad embeddings. See kasutab **cross-encoder** arhitektuuri: mudel vaatab korraga **query** (sinu küsimus) + **dokument/chunk** ja annab otsese relevantsus-skoori.
3. Tulemuseks on **paremini järjestatud** kontekst LLM-ile — kõige relevantsemad tükid tulevad esimesena, müra väheneb.

**Efekt teadusartiklitega töötamisel**: Väga suur. Teaduslikus tekstis on tihti palju tehnilisi termineid, valemeid ja konteksti. Ilma rerankerita võib LLM saada segase või poolikult relevantse konteksti. Rerankeriga paraneb täpsus ja väheneb "hallutsinatsioonide" oht.

### Mudelite valikud

- **Vaikimisi / soovitatud**: **BAAI/bge-reranker-v2-m3** (see, mis sul praegu on) — väga hea valik. Multilinguaalne, kerge (~568M parameetrit), kiire ja tugev eriti lühemate-passaažidega (mis sobib teadusartiklitele).
- **Teised head variandid** (MTEB Reranking leaderboardi järgi):
  - Jina rerankers (nt `jina-reranker-v2-base-multilingual`)
  - Voyage AI rerankers (kui kasutad external API-t)
  - MS MARCO fine-tunedit mudelid (nt `cross-encoder/ms-marco-MiniLM-L-12-v2`)

**Sinu seadetes** on "Vaikimisi (SentenceTransformers)" + `BAAI/bge-reranker-v2-m3` — see on **hea ja soovitatav kombinatsioon** (eeldusel, et sul on piisavalt VRAM-i või CPU jõudlust).

---

## Ülevaade sinu praegustest seadetest + soovitused teadusartiklite kirjutamiseks

**Praegused seaded (head punktid)**:
- **Embedding mudel**: `nomic-embed-text` — väga hea valik.
- **Reranking**: `bge-reranker-v2-m3` — suurepärane.
- **Hybrid Search** (BM25 + semantic) sisse lülitatud + kaal 0.5 — hea tasakaal.
- **Async Embedding** peal — mugav.
- **Top K = 20**, **Top K Reranker = 3** — mõistlik.

### Soovitused teadusartiklite jaoks (täpsus > kiirus)

| Seade                        | Praegu     | Soovitus teadusartiklitele          | Põhjus |
|-----------------------------|------------|-------------------------------------|--------|
| **Top K**                   | 20         | **12–16**                           | Liiga palju müra → LLM segab. Teaduslikus tekstis on parem kvaliteetne kontekst. |
| **Top K Reranker**          | 3          | **6–8**                             | Reranker on "kallim", aga annab parima kvaliteedi. |
| **Relevance Threshold**     | 0          | **0.2–0.35**                        | Filtreerib välja nõrgad match'id. |
| **BM25 kaal**               | 0.5        | **0.3–0.4** (rohkem semantic)      | Teadusartiklid on terminitega tihedad → semantic on tugevam. |
| **Chunk Size** (kui saab seadistada) | -     | 800–1200 tokenit + 100–200 overlap | Teaduslikud lõigud vajavad sageli laiemat konteksti. |
| **Content Extraction**      | ?          | **Tika** (kui pole veel)            | Palju parem PDF/LaTeX/tabelite käsitlemine. |

### Lisasoovitused

1. **Reindex** pärast iga olulist seadete muutmist (nagu kirjas sinu ekraanil).
2. **RAG Template** (kui on eraldi väli): Lisa range juhiseid stiilis:
   - "Kasuta ainult kontekstis olevaid fakte. Tsiteeri allikaid. Ole täpne ja akadeemiline."
3. **LLM valik**: Suuremad mudelid (70B+) või tugevad reasonerid (nt DeepSeek-R1, Qwen2.5, Llama 3.3 70B) töötavad teadusliku kirjutamisega paremini.
4. **Full Context Mode** → proovi välja lülitada (kui on sisse), et RAG oleks dünaamilisem.

**Kokkuvõte soovituslikest seadetest teadusartiklite jaoks**:
- Top K: 14
- Top K Reranker: 7
- Relevance Threshold: 0.25
- BM25 kaal: 0.35
- Reranker: bge-reranker-v2-m3 (hoia)

Kui tahad, saada mulle täpsemad andmed (nt chunk size, milliseid dokumente kasutad — PDF-id, LaTeX, HTML jne), ja ma annan veel täpsemad soovitused. Need seaded peaksid juba praegu päris hästi töötama akadeemilise töö jaoks.