jina-embeddings-v5-text-nano

jina-embeddings-v5-text-nano ist ein mehrsprachiges Text-Embedding-Modell mit 239M Parametern, aufgebaut auf dem EuroBERT-210M-Backbone. Es unterstützt einen 8K-Token-Kontext, erzeugt 768-dimensionale Embeddings mit Matryoshka-Verkürzung bis hinab zu 32 Dimensionen und liefert die höchste Genauigkeit pro Parameter in Jinas Embedding-Familie unter 500M. Das Modell ist ausgelegt für Edge-Deployments, latenzsensitive Anwendungen und ressourcenbeschränkte Umgebungen, in denen keine vollständige GPU verfügbar ist.

Das Modell basiert auf EuroBERT-210M, einem kompakten bidirektionalen Encoder, der auf mehrsprachigen Daten über 15 Hauptsprachen vortrainiert wurde. Es nutzt Last-Token-Pooling, um Embeddings aus der Final-Token-Repräsentation zu erzeugen. Das Training folgt einem zweistufigen Destillationsrezept: Erstens überträgt Wissensdestillation von einem größeren Lehrermodell Embedding-Qualität; zweitens feinabstimmt ein aufgaben-spezifischer kontrastiver Verlust das Modell auf Retrieval-, Text-Matching-, Clustering- und Klassifikationsaufgaben. Matryoshka Representation Learning ermöglicht es, Embedding-Dimensionen bei jeder unterstützten Größe (32, 64, 128, 256, 512, 768) zu kürzen, ohne die starke Leistung zu verlieren. Geometric Orthogonal Regularization (GOR) begrenzt die Performance-Einbuße unter binärer Quantisierung auf unter 2 Punkte im MTEB-Retrieval. Das 8K-Kontextfenster ermöglicht Long-Document-Verarbeitung ohne Chunking.

Auf MMTEB (mehrsprachig) erreicht das Modell 65,5 Durchschnitt (Task-Ebene) und 57,7 Durchschnitt (Typ-Ebene) bei gerade einmal 239M Parametern und übertrifft alle Modelle unter 500M, einschließlich KaLM-mini-v2.5 (60,1, 494M), voyage-4-nano (58,9, 480M) und Gemma-300M (61,1, 308M). Task-Ebene-Punktzahlen: Klassifikation 69,2, Clustering 52,7, Pair-Klassifikation 81,9, Reranking 64,6, Retrieval 63,3, STS 78,2. Auf englischem MTEB erreicht es 71,0 Durchschnitt und liegt fast auf Höhe des viel größeren jina-embeddings-v5-text-small (71,7). Retrieval-spezifisch: 63,26 auf MTEB-M, 64,08 auf RTEB, 56,06 auf BEIR, 63,65 auf LongEmbed. Dank der GOR-Regularisierung bleiben die Embeddings auch unter binärer Quantisierung robust.

Wählen Sie das passende Task-Präfix: 'retrieval' für asymmetrische Query-Dokument-Suche, 'text-matching' für symmetrische Ähnlichkeit, 'clustering' für Gruppierung, 'classification' für Kategorisierung. Matryoshka-Verkürzung auf 256 Dimensionen erhält über 95% der Retrieval-Qualität und reduziert den Speicher um 67%. Binäre Quantisierung wird für weitere Speicherreduktion unterstützt. Das EuroBERT-Backbone bietet starke Abdeckung für 15 Hauptsprachen, darunter Englisch, Französisch, Deutsch, Spanisch, Chinesisch, Japanisch, Arabisch und Hindi. Nutzen Sie Kosinus-Ähnlichkeit zum Vergleich von Embeddings. Verfügbar über die Jina AI API, Hugging Face (Sentence Transformers, vLLM) und quantisierte Varianten für llama.cpp. Für Workloads, die einen 32K-Kontext oder höhere Genauigkeit erfordern, nutzen Sie stattdessen jina-embeddings-v5-text-small.