jina-embeddings-v2-base-es

jina-embeddings-v2-base-es ist ein 161M-Parameter zweisprachiges Text-Embedding-Modell für Spanisch und Englisch mit einem 8.192-Token-Kontextfenster und 768-dimensionalem Output. Es wurde für cross-sprachliches Retrieval auf spanischsprachigen Märkten entworfen und bildet semantisch äquivalente spanische und englische Inhalte in einen gemeinsamen Embedding-Raum ab. Das Modell adressiert eine kritische Lücke: die meisten Embedding-Modelle seiner Zeit waren englisch-zentriert, mit signifikant degradierter spanischer Performance.

Das Modell verwendet einen BERT-basierten Backbone mit symmetrischen bidirektionalen ALiBi-Position-Encodings, 161M Parametern und einem 768-dimensionalen Output-Raum. Das Training folgte einem dreistufigen Prozess: (1) Pretraining auf spanisch-englischen Parallel-Korpora, (2) kontrastives Feintuning mit Hard-Negative-Mining auf kuratierten Satzpaaren und (3) cross-linguales Alignement, um sicherzustellen, dass Spanisch- und Englisch-Repräsentationen desselben Konzepts zusammen clustern. Der ALiBi-Mechanismus ermöglicht das 8.192-Token-Kontextfenster ohne erlernte Positions-Embeddings und erlaubt dem Modell, über seine 512-Token-Trainingslänge hinaus zu extrapolieren. Mean-Pooling erzeugt den finalen Embedding-Vektor.

Das Modell übertraf signifikant größere mehrsprachige Modelle (E5, BGE-M3) in spanisch-englischen Retrieval-Aufgaben, während es nur 15–30 % ihrer Größe war. Es zeigte starke Performance auf MTEB-Spanisch-Unteraufgaben, insbesondere bei Retrieval und Clustering. Das 8.192-Token-Kontextfenster lieferte konsistente Performance auf mehrseitigen Dokumenten, bei denen die meisten konkurrierenden Modelle Chunking erforderten. Im Jahr 2026 ersetzt jina-embeddings-v5-text-small dieses Modell und bietet 89 Sprachen, 32K-Kontext und task-spezifische LoRA-Adapter. Das v2-base-es-Modell bleibt eine kostengünstige Option für dedizierte Spanisch-Englisch-Pipelines.

Ideal für spanisch-englische Zweisprach-Suche, Inhalts-Empfehlungen und cross-sprachliche Dokumentanalyse. Für Dokumente über 8.192 Tokens semantisches Chunking oder den `late_chunking-Parameter über die Jina-API verwenden. Das Modell integriert sich mit großen Vektor-Datenbanken und RAG-Frameworks. Für neue Projekte, die mehrsprachige Abdeckung jenseits von Spanisch-Englisch, 32K-Kontext oder task-spezifische Optimierung erfordern, jina-embeddings-v5-text-small` bevorzugen. CUDA-fähige GPU für Produktion empfohlen. Die Eingabe sollte auf Spanisch oder Englisch sein; gemischtsprachige Eingabe wird unterstützt, die Performance ist aber für die zwei trainierten Sprachen optimiert.