Les grands modèles linguistiques (LLM) utilisent généralement les k meilleurs contextes fournis par un module de récupération dans les architectures de génération augmentée par la récupération (RAG). Dans ce travail, nous proposons un nouveau cadre d'ajustage par instruction appelé RankRAG, qui permet à un seul LLM d'être ajusté par instruction afin de remplir simultanément deux fonctions dans RAG : le classement des contextes et la génération de réponses. En particulier, les LLM ajustés par instruction obtiennent des performances remarquables en intégrant uniquement une faible proportion de données de classement dans le mélange d'entraînement, surpassant ainsi les modèles spécialisés de classement existants, y compris le même LLM ajusté exclusivement sur une grande quantité de données de classement. En ce qui concerne la génération, nous comparons notre modèle à plusieurs baselines performantes, notamment GPT-4-0613, GPT-4-turbo-2024-0409 et ChatQA-1.5, un modèle open-source offrant les meilleures performances actuelles sur les benchmarks RAG. Plus précisément, notre modèle Llama3-RankRAG surpasse significativement Llama3-ChatQA-1.5 et les modèles GPT-4 sur neuf benchmarks exigeant une connaissance approfondie. En outre, il se distingue également par des performances comparables à celles de GPT-4 sur cinq benchmarks RAG dans le domaine biomédical, sans avoir été ajusté par instruction sur des données biomédicales, démontrant ainsi une capacité exceptionnelle de généralisation à de nouveaux domaines.