Überblick
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-Trunkierung 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.
Methoden
Das Modell basiert auf EuroBERT-210M, einem kompakten bidirektionalen Encoder, der auf mehrsprachigen Daten mit 15 wichtigen Sprachen vortrainiert wurde. Es nutzt Last-Token-Pooling, um Embeddings aus der Repräsentation des letzten Tokens zu erzeugen. Das Training folgt einem zweistufigen Destillationsrezept: Erstens überträgt Wissensdestillation von einem größeren Teacher-Modell die Embedding-Qualität; zweitens stimmt ein aufgabenspezifischer kontrastiver Loss das Modell auf Retrieval-, Text-Matching-, Clustering- und Klassifikationsaufgaben fein. Matryoshka Representation Learning ermöglicht es, Embedding-Dimensionen bei jeder unterstützten Größe (32, 64, 128, 256, 512, 768) zu kürzen und dabei die starke Performance zu erhalten. Geometric Orthogonal Regularization (GOR) begrenzt die Performance-Einbuße unter binärer Quantisierung auf unter 2 Punkte beim MTEB-Retrieval. Das 8K-Kontextfenster ermöglicht die Verarbeitung langer Dokumente ohne Chunking.
Leistung
Auf MMTEB (mehrsprachig) erreicht das Modell 65,5 Durchschnitt auf Aufgabenebene und 57,7 Durchschnitt auf 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). Werte auf Aufgabenebene: 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.
Empfehlungen
Wählen Sie das passende Aufgabenpräfix: „retrieval“ für asymmetrische Query-Dokument-Suche, „text-matching“ für symmetrische Ähnlichkeit, „clustering“ für Gruppierung, „classification“ für Kategorisierung. Matryoshka-Trunkierung 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 Kosinusähnlichkeit 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.






